[发明专利]一种基于光场傅里叶视差分层的特征检测方法

说明书

本发明公开了一种基于光场傅里叶视差分层的特征检测方法，解决了二维图像只能聚焦在某一固定深度，其他深度的目标模糊不清，进而导致二维图像特征检测不全面和深度信息缺失的难题。与现有技术相比，本发明方法的有点在于，可以准确全面地检测到场景各个视差层的目标物体的特征点，且检测到的FDL_Harris特征点具有尺度不变性、旋转不变性和视差信息，并且对亮度变化和噪声不敏感。这些局部不变性使得检测到的特征更加稳定和鲁棒。

技术领域

本发明属于计算机视觉和数字图像技术领域，具体涉及一种基于光场傅里叶视差分层的特征检测方法。

背景技术

图像特征检测、描述和匹配是计算机视觉任务中许多应用的基础，例如目标识别跟踪、三维重建、图像拼接、缺陷检测和姿态估计等等。图像特征点检测是图像分析与识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的的数据矩阵中，很难直接提取到有用的信息，所以必须根据这些原始的图像数据提取出图像中的关键信息及它们的关系。从图像中选取某些特征点并对图像进行局部分析，而非观察整幅图像。只要图像中有足够多可检测的特征点，并且这些特征点各不相同且特征稳定，能被精确地定位，针对其的应用也就十分有效。早期的二维图像特征检测主要集中在角点检测上，典型的角点检测算子有Forstner、Harris、SUSAN等。直到Lowe提出一种SIFT特征检测算法，从图像中提取不变特征，人们才从特征检测就是角点检测的思想中解放出来。之后，提出了许多快速特征检测方法，如Fast、SURF、PCA-SIFT、ASIFT等。传统相机拍摄的二维图像只能聚焦在某一固定深度的场景上，而其他深度的目标会模糊。因此，传统的二维图像特征检测方法不能全面检测到场景中不同深度目标的特征。与传统的二维图像成像不同，四维光场成像可以描述光在三维空间中的自由分布。斯坦福大学的Levoy等人提出了一个四维光场的数学模型-双平面模型，它使用两个平行平面来记录场景中的光线分布。光场双平面模型通过记录光线通过两个平行平面的四维坐标来表达光线的二维位置信息和二维角度信息。光场丰富的角度信息和位置信息使得场景的深度估计变得容易。另外，在光场双平面模型中，根据光的传播原理，改变光场的成像平面进行数字聚焦，得到不同深度聚焦的图像。受限于二维图像成像的不确定性，基于四维光场图像的特征检测方法逐渐受到重视。基于一种新的射线高斯核构造了光场的尺度-深度(Lisad)空间，并通过在Lisad空间中寻找极值来找到场景中的三维关键点。Teixeira等人提出了一种基于光场EPI线检测的三维关键点检测方法。斯坦福大学的Donald等人介绍了一种从四维光场中提取特征曲线的纹理互相关技术，并提出了一种基于4D平面拟合和斜率一致性来区分折射和朗伯特征的方法。另外，Donald等人还提出了一种四维光场的特征检测器和描述符：LIFF，它具有尺度不变性和对视角变化的鲁棒性，但是深度空间的离散化意味着平均划分的深度不一定正好对应到场景中目标的深度，进而会导致特征检测的不全面。

发明内容

本发明的目的是提供一种基于光场傅里叶视差分层的特征检测方法，解决了二维图像特征检测不全面、深度信息缺失的问题。

本发明所采用的技术方案是，一种基于光场傅里叶视差分层的特征检测方法，具体按照以下步骤实施：

步骤1、定义傅里叶视差层模型的层数k，根据四维光场图像LF(x,y,u,v)将场景分解成三维的傅里叶视差层模型FDL(w_x,w_y,k)；

步骤2、使用傅里叶逆变换将傅里叶视差层模型FDL(w_x,w_y,k)从频率域转换到空间域，构建光场图像的视差空间DS(x,y,k)；

步骤3、在视差空间DS(x,y,k)的基础上，引入高斯尺度空间G(x,y,σ)，生成四维的尺度-视差空间SDS(x,y,k,σ)；

步骤4、在尺度-视差空间SDS(x,y,k,σ)中，使用具有旋转不变性的Harris角点检测算子进行特征检测，获取FDL_Harris角点；