[发明专利]基于梯度向量的特征点描述算子的图像匹配方法及系统

说明书

本发明公开了一种基于梯度向量的特征点描述算子的图像匹配方法及系统，通过采集原图像与目标图像并检测原图像与目标图像中特征点，利用梯度向量分别构建原图像特征点描述算子与目标图像特征点描述算子，并根据原图像特征点描述算子与目标图像特征点描述算子计算原图像与目标图像间特征点距离，并根据计算的特征点距离完成原图像与目标图像间匹配；本发明采用特征点间梯度值构建梯度向量，结合描述算子具有的旋转不变性，有效解决了图像有旋转时低匹配精度的问题，并利用归一化向量点积有效判断原图像与目标图像的相关性，简化算子计算，提高计算精准性以及图像匹配准确性。

技术领域

本发明涉及图像检测领域，具体涉及一种基于梯度向量的特征点描述算子的图像匹配方法及系统。

背景技术

图像的特征点通常是图像中的极值点，如边缘点、角点、拐点等。利用图像中的特征点，可以实现基于特征点的匹配，从而实现包括图像拼接、识别、分类以及定位等图像处理任务。但是，检测出特征点只是实现上述任务的第一步，还需要对特征点进行描述，生成特征点描述算子，通过描述算子来判断不同图像中的特征点是否代表相同的对象，从而实现上述图像处理任务。描述算子一般为n元一维向量。因此，可以采用向量之间的距离来判断是否特征点之间的关系。好的描述算子应该具备尺度、旋转以及光照不变性。而且，描述算子是对不同图像上相同特征点的排他性描述，判别性高。由此才能够利用描述算子实现各种图像处理任务。

SIFT算子是比较经典的包括特征点检测和描述的算子，该算子具有旋转不变性、尺度不变性等特点。SIFT算子的描述算子首先取16×16大小的邻域，然后对邻域再次划分为4×4的小块，在每个小块内计算每个像素点的梯度方向，将360°方向平均划分为8个方向，最后将计算出的梯度方向根据角度大小归为8个方向中的某一个，并且将计算出来的梯度幅值作为该方向的权重。该描述算子的判别性较高，能够实现基于特征点的各种图像处理任务。但是，生成该描述算子比较耗时，无法满足实时性要求。SURF算子是SIFT算子的改进，其描述算子采用了haar小波特征，但是该描述算子的判别性有所下降。此外，该算法在时间复杂度上虽然有所改进，但还算是比较耗时。BRIEF算子采用高斯随机采样得到特征点领域内的点，然后通过比较采样点两两之间的大小得到只包含“0”和“1”的向量作为描述算子，通过计算向量之间的汉明距离来判断是否是相同特征点，该算子虽然计算速度很快，但是，不具有旋转不变性，适应范围有限。ORB算子是在BRIEF算子的基础上加上了旋转不变性，但由此又降低了描述算子的判别性。BRISK算子和FREAK算子为了保证匹配的时间，也采用了与BRIEF算子类似的方法生成描述算子。只是采样点的方式不同，BRISK算子在圆上进行采样，FREAK算子更接近人眼视网膜接收图像信息的采样模型。但是，这两个描述算子的判别性也不高。

通过对比当前各种描述算子的性能，虽然当前SIFT和SURF算子的性能最好，但是时间复杂度太高，而其他的描述算子虽然计算时间快，但是性能不够。尤其是当图像存在旋转变化、光照变化和尺度变化时，无法满足基于特征点的匹配要求。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配方法及系统。

为了达到上述发明目的，本发明采用的技术方案为：

一方面，一种基于梯度向量的特征点描述算子的图像匹配方法，包括以下步骤：

S1、采集原图像与目标图像，并检测原图像与目标图像中特征点；

S2、根据步骤S1中原图像与目标图像中特征点，分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

S3、根据步骤S2中原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

S4、根据步骤S3中特征点距离进行原图像与目标图像的匹配。

本发明具有以下有益效果：