[发明专利]一种改进型SIFT图像特征匹配算法

说明书

技术领域

本发明涉及图像处理技术领域，具体地说涉及一种改进型SIFT图像特征匹配算法。

背景技术

图像匹配可以分为两大类：基于灰度匹配和基于特征匹配。基于特征匹配的方法的研究有较多的报道。基于特征的匹配的流程是：首先将各个图像中的特征提取出来；其次匹配各个特征，由上面匹配的特征来建立各个图像之间的映射变换；最终得到匹配以后的图像。特征轮廓、区域、点以及边缘等都是经常要用到的图像特征。特征的选取与图像的内容关系很大，一般来说，特征点的提取比较容易，相关文献Hessian-Laplace、Harris-Laplace、SUSAN、DOG、Harris等方法提取的特征点已经证明，具有对图像之间的光照变化、平移、旋转、分辨率等保持不变的特性。

Lowe等人提出了SIFT算法(Seale Invariant Feature Transform，尺度不变特征转换)，这种算法是一种鲁棒性好、尺度不变的特征描述方法，在图像配准、图像拼接、家居用品分类以及人脸识别等领域得到广泛应用。但SIFT算法缺点也很多，如：时间复杂度较高、算法耗时较长、计算数据量很大。研究人员针对以上的缺点采取了许多改进措施，Yanke等人提出了PCA-SIFT方法，目的是想对特征描述进行数据降维，但是由于没有任何先验知识做基础，这种方法反而使计算量增加；Delponte等人提出了SVD方法，可以用来进行特征匹配，但是因为匹配过程计算很复杂，而且该方法局限于窄基线匹配，效果也不理想；Grabner等人用积分图像方法，使SIFT的计算速度提高了，但是SIFT方法的优越性降低了。以上方法都只是改进匹配阶段或者特征描述，而算法本身没有得到改善。

SIFT128维特征点虽然具有很好的描述性，特征点也很多，但是有很多不是具有代表性的特征点，对图像检测不具有区别性。这部分特征点就属于冗余信息，它的存在不仅降低匹配速度，也影响匹配精度。实验表明，SIFT特征描述符生成这个过程占了SIFT算法70%的时间，空间极值特征点检测也作了很多类似的直方图统计工作。

发明内容

针对上述现有技术，本发明要解决的技术问题是：现有的SIFT算法中128维特征描述符存在冗余信息，使得后续匹配的计算量大、降低了匹配速度和匹配精度，不能满足实时性的问题。

SIFT算法原理：首先在尺度空间进行特征检测，并定位特征点(Keypoints)的位置以及特征点的尺度，而后为了实现算子对尺度与方向的无关性，将特征点邻域梯度的主方向定为该点的方向特征。SIFT算法主要包括4个步骤：生成尺度空间，空间极值点检测，确定特征点方向和生成特征描述符。

为了解决上述技术问题，本发明采用如下技术方案：

一种改进型SIFT图像特征匹配算法，其特征在于，包括如下三大步骤：一、尺度空间极值点检测；二、特征描述符的生成；三、建立K-d tree二叉平衡树，用BBF在K-d树搜索最近邻特征点，欧氏距离判别匹配的特征点对，欧氏距离匹配后进行二次匹配。

作为本发明进一步的改进，所述尺度空间极值点检测，首先将尺度空间的结构设计为高斯金字塔和高斯残差金字塔两部分，选择高斯残差金字塔在尺度空间上的极值点为特征点。

作为本发明进一步的改进，所述特征描述符的生成用圆来构造同心圆特征描述符，用特征点为中心向外扩散的同心圆代替原来的矩形区域。

所述同心圆特征描述符的构造包括以下具体步骤：

①计算以特征点为中心、半径为16像素的邻域内的每个采样点的梯度；

②对于选定的特征点，以邻域中点为中心，提取4个同心圆环子区域，半径分别为2、4、6、8像素,如图2(a)所示；

③在4个圆环区域内分别计算0°至360°均匀分布的12个方向上的梯度直方图D=(d₁,d₂,d₃,…,d₁₂)；

④在每个同心圆环内分别计算12个方向的梯度累加值d，这样每个圆环就形成一个4*12=48维的种子点，即最终简化到的48维的特征描述符，如图2(b)所示；