[发明专利]基于场景驱动的智能手机图像特征点选取方法

说明书

技术领域

本发明属于图像处理技术邻域，特别涉及图像特征点的提取方法，具体讲的是一种基于场景驱动的智能手机图像特征点快速选取方法，可应用于特征匹配，目标跟踪，物体识别，运动目标的检测和跟踪，增强现实开发等领域。

背景技术

图像的特征点提取是图像处理的基本问题，精确高效的特征点提取算法为其他问题的解决提供坚实的底层基础。

特征点也被称为兴趣点，角点，显著点等等，Harris基于Moravec对兴趣点的描述，利用亮度函数的自相关矩阵即二阶矩矩阵，实现了对特征点的检测。Mikolajczyk和Schmid利用Laplace算子检测Harris角点的尺度，构建了一种具有尺度不变性的Harris-Laplace算子，并将Harris-Laplace算子扩展为具有仿射不变性的Harris-affine算子。Lindeberg利用Laplacian算子将图像中的斑点作为兴趣点，并通过确定每一个斑点的特征尺度和形状使兴趣点具有尺度不变性和仿射不变性。Lowe利用DoG算子代替Laplacian算子从而提高了兴趣点检测的速度。还有一些算法计算图像亮度函数的高斯曲率，将曲率较大的点定位为特征点。除基于亮度的特征点算法外，还有一类算法根据Haralick对特征点的定义，在图像中度量每一点的显著性，从中筛选出一些明显有别于其他点的特殊点作为特征点，这类点也被称为显著点。

目前，基于特征点的提取的一类方法仍然是图像处理、计算机视觉领域的研究热点，而且随着我国3G网络的逐步开通和移动通信事业的飞速发展，庞大的智能手机用户群也在逐年增加，图像处理与分析在智能手机上的应用也逐渐占有越来越重要的地位。特征提取作为图像处理中的一个基本且非常关键的模块，应用到目标识别、增强现实等很多领域，在智能手机的开发应用中是必不可少的环节。

虽然现在的智能手机硬件配置一直在更新，但处理能力还是很有限，对一些图形图像需要进行复杂处理的时候很难达到实时的要求，而且在大部分特征检测算法中，并没有针对图像的背景信息自适应的调整算法所需的特征点数量，往往对于一幅背景较复杂的图像提取的特征点偏多，为下一步的图像处理比如特征描述或者图像匹配造成冗余计算量；而对于背景比较简单的图像提取的特征点偏少，不能找到足够鲁棒性的特征点，给下一步图像进行精确的描述和匹配造成困难。如何能够有效利用资源，使得算法能以较少的CPU和内存资源来达到相同的效果，是目前手机平台的算法开发上急需解决的问题。

发明内容

本发明的目的在于针对上述技术的不足，提出一种基于场景驱动的智能手机图像特征点选取方法，以提高图像处理速度，并使提取的特征点总体上更加稳定和鲁棒。

为实现上述目的，本发明包括如下步骤：

1、一种基于场景驱动的智能手机图像特征点选取方法，包括如下步骤：

(1)从手机摄像头获得移动场景的视频帧；

(2)对视频帧的第一帧图像进行灰度化处理并利用快速特征检测算法FAST进行特征点检测，得到第一帧图像所有的特征点位置和总的特征点数目M₁；

(3)计算第一帧图像的综合纹理特征值Z，定义视频帧图像的复杂度分为“复杂”、“一般”、“简单”三个标准，设定复杂度阈值为6.0；若综合纹理特征值Z＞6.0，则将视频帧图像的复杂度判为“复杂”，若4.0＜Z≤6.0，则将视频帧图像的复杂度判为“一般”，若Z≤4.0，则将视频帧图像的复杂度判为“简单”；

(4)由步骤(3)得到的复杂度计算出第一帧图像输出特征点的数目N₀：若复杂度为“复杂”时，N₀＝M₁*0.9，若复杂度为“一般”时，N₀＝M₁*0.8，若复杂度为“简单”时，N₀＝M₁*0.7；

(5)从M₁个特征点中随机选取N₀个特征点，并利用加速的鲁棒特征算法SURF对所选的N₀个特征点进行描述，计算出第一帧中每一个特征点的描述矢量；

(6)读取视频帧的第二帧图像，进行灰度化处理并利用快速特征检测算法FAST，得到第二帧所有特征点的位置和总的特征点数目M₂；

(7)利用加速的鲁棒特征算法SURF对步骤(6)中得到的特征点进行描述，得出第二帧中每一个特征点的描述矢量；