[发明专利]一种基于模型的图像融合方法

说明书

本发明涉及一种基于模型的图像融合方法，包括以下步骤：步骤1：导入物体模型信息；步骤2：配置模型参数；步骤3：通过SURF算法对被检测图片提取特征点；步骤4：对被检测图片进行MIFA方法处理；与现有技术相比，本发明的优点是：大幅度降低对硬件配置的要求，且无需大量图片学习或采集海量信息，有效加快物体识别和提高物体识别率，还可以根据使用场景，做到动态配置。

技术领域

本发明涉及图像融合领域，具体涉及一种基于模型的图像融合方法。

背景技术

一些公共场所或特定领域需要对特殊人群进行必要的筛查，这时就需要专业工作人员借助设备或仪器对特殊人群进行逐一筛查。这种筛查方式：第一效率低下，一旦人流量过大，会造成现场秩序混乱；第二成本较高，需要大量的人员和设备、仪器，造成不必要的浪费。上述领域急需一个款产品通过一种图像特征的识别与提取，从而实现自动识别异常和自动提取的功能，这样可以辅助或替代工作人员及时、高效、精确的完成筛查任务。

图像局部特征提取算法研究的就是这个方向。目前基于特征的图像处理主要有两个方向，一是预先设定目标并构建模型，然后通过大量实时图像和已建模型比对，最后通过大量深度学习并发现目标。这种算法是按物理特征定义识别物体的特征，但它放弃了大量没有关联的信息，例如人脸识别时，当被检测者脸上有异物(如，黑痣)时，人脸识别照样成功；二是预先设定目标的一个或多个特征，例如颜色、纯度、纹理、形状以及表面光滑度等等，这种算法对获取图像要求十分苛刻，如光线亮度、光线颜色、图像角度、目标位置等，上述两种算法的抗干扰能力较差，应用场景局限。

现在图像特征提取方法很多，但是思路基本相似的。我们以SURF算法来说明图片特征点提取过程：

1>构造高斯金字塔尺度空间:首先查看图像中某个像素点的Hessian矩阵，公式如下：由于我们的特征点需要具备尺度无关性，所以在进行Hessian矩阵构造前，需要对其进行高斯滤波。经过滤波后在进行Hessian的计算，公式如下：然后在每个像素的Hessian矩阵行列式的近似值构成的特征点，公式如下：det(H_approx)＝D_xxD_yy-mD_xyD_xy，其中m＝0.9²是SURF算法的一个经验值。

2>利用非极大值抑制初步确定特征点，然后精确定位极值点：将经过Hessian矩阵处理过的每个像素点与其在三维领域的26个点进行大小比较，如果它是这26个点中的最大值或最小值，做初步的特征点保留下来；然后采用三维线性插值法得到亚像素级别的特征点，同时也去掉那些值小于一定阈值的点。

3>特征点主方向的选取：通过统计特征点区域内的Harr小波特征。即在特征点的区域(比如说，半径为6s的圆内，s为该点所在的尺度)内，统计60度扇形内的水平Harr小波特征和垂直Harr小波特征总和，Harr小波的尺寸变长为4s，这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转，最后将最大值那个扇形的方向作为该特征点的主方向。

4>构造特征点描述算子：在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。在框带方向，方向当然就是第3步检测出来的主方向了。然后把框区域分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的Harr小波特征，这里的水平和垂直方向都是相对主方向而言的。该Harr小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。这样每个小区域就有4个值，所以每个特征点就是16*4＝64维的向量。