摘 要： 尺度不變特征變換(SIFT)算法具有良好的尺度,、光照以及空間旋轉(zhuǎn)不變性，在人機(jī)交互的環(huán)境中可以很好地識(shí)別出影像,。介紹了SIFT算法和人機(jī)交互原理,，并進(jìn)行了實(shí)驗(yàn)論證。實(shí)驗(yàn)結(jié)果表明,，該方法能較好地識(shí)別出遙感影像,，并具有實(shí)時(shí)性意義。
關(guān)鍵詞： SIFT,；遙感影像,；識(shí)別；人機(jī)交互
飛機(jī)在采集敵方重要地面目標(biāo)影像時(shí),，會(huì)產(chǎn)生各種類型的影像,，使得實(shí)時(shí)識(shí)別影像非常困難。通常目標(biāo)影像會(huì)發(fā)生旋轉(zhuǎn),、縮放,、成像品質(zhì)等變化,。近年來(lái)，在計(jì)算機(jī)視覺領(lǐng)域,，基于局部不變量描述符的方法在目標(biāo)識(shí)別和圖像配準(zhǔn)方面取得了顯著進(jìn)展,。2004 年，哥倫比亞大學(xué)的LOWE David G教授提出一種基于新特征點(diǎn)提取的尺度不變特征變換(SIFT)算法[1],。該算法較好地解決了物體發(fā)生旋轉(zhuǎn)縮放,、視角以及光照變化引起的圖像變形等問(wèn)題，并在人機(jī)交互的環(huán)境下,，能實(shí)時(shí)識(shí)別地面目標(biāo),。
1 SIFT算法原理
SIFT特征向量生成的實(shí)現(xiàn)順序?yàn)闄z測(cè)尺度空間中的極值點(diǎn)、定位極值點(diǎn)的位置,、確定特征點(diǎn)的方向,、生成描述特征點(diǎn)的特征向量。
1.1 檢測(cè)尺度空間極值點(diǎn)
尺度空間理論目的是模擬圖像數(shù)據(jù)的多尺度特征,，高斯卷積核是實(shí)現(xiàn)尺度變換的唯一線性核,，一幅二維圖像的尺度空間定義為：
式中，(x,，y)是空間坐標(biāo),；σ是尺度坐標(biāo)，σ值越小,，表征該圖像被平滑得越少,，相應(yīng)的尺度也就越小,。大尺度對(duì)應(yīng)于圖像的概貌特征,，小尺度對(duì)應(yīng)于圖像的細(xì)節(jié)特征。為了有效地在尺度空間檢測(cè)到穩(wěn)定的關(guān)鍵點(diǎn),，提出了高斯差分尺度空間(DoG Scale-space),。利用不同尺度的高斯差分核與圖像卷積生成 DoG算子，其計(jì)算簡(jiǎn)單,，是尺度歸一化的LoG算子的近似,。為了尋找尺度空間的極值點(diǎn)，每一個(gè)采樣點(diǎn)要與它所有的相鄰點(diǎn)比較,，看其比它的圖像域和尺度域的相鄰點(diǎn)大或者小,。如圖1所示，中間的檢測(cè)點(diǎn)與它同尺度的 8 個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的點(diǎn)(共26個(gè)點(diǎn))進(jìn)行比較,，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn),。
1.2 特征點(diǎn)過(guò)濾并進(jìn)行精確定位
在該過(guò)程中，精確確定關(guān)鍵點(diǎn)的位置和尺度,，要同時(shí)去除低對(duì)比度的特征點(diǎn)和不穩(wěn)定的邊緣相應(yīng)點(diǎn),，以增強(qiáng)匹配穩(wěn)定性,、提高抗噪聲能力。
1.3 特征點(diǎn)的方向值分配
利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù),，使算子具備旋轉(zhuǎn)不變性,。首先在高斯尺度空間計(jì)算特征點(diǎn)的梯度模和方向公式：
其中，m是梯度模,；θ是梯度方向,；L是原圖與高斯核的卷積，L所用的尺度為每個(gè)關(guān)鍵點(diǎn)各自所在的尺度,，在實(shí)際計(jì)算時(shí),，通常以關(guān)鍵點(diǎn)為中心的領(lǐng)域窗口內(nèi)采樣，用直方圖統(tǒng)計(jì)鄰域像素的梯度方向,。
1.4 生成描述特征點(diǎn)的特征向量
首區(qū)域上計(jì)算8個(gè)方向的梯度直方圖,，繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn),，因此,，一共可以生成16個(gè)種子點(diǎn)。這樣,，對(duì)于每個(gè)關(guān)鍵點(diǎn)就可以產(chǎn)生一個(gè)長(zhǎng)度為128的數(shù)據(jù),，即最終形成一個(gè)長(zhǎng)度為128的 SIFT特征向量。此時(shí)SIFT特征向量已經(jīng)去除了尺度變化,、旋轉(zhuǎn)等幾何變形因素的影響,，再繼續(xù)將特征向量的長(zhǎng)度歸一化，則可進(jìn)一步去除光照變化的影響,。這種鄰域方向性信息聯(lián)合的思想增強(qiáng)了算法的抗噪聲能力,，同時(shí)對(duì)含有定位誤差的特征匹配也提供了較好的容錯(cuò)性。特征向量生成的示意圖如圖2所示,。
2 人機(jī)交互原理
人機(jī)交互主要是利用人自身的高速,、準(zhǔn)確識(shí)別物體的能力對(duì)目標(biāo)進(jìn)行實(shí)時(shí)識(shí)別。其重要指標(biāo)是反應(yīng)時(shí)間[2],。反應(yīng)時(shí)間是指人從機(jī)器或外界獲得信息,，經(jīng)過(guò)大腦加工分析發(fā)出指令，到運(yùn)動(dòng)器官開始執(zhí)行動(dòng)作所需的時(shí)間,。反應(yīng)時(shí)間是從包括感覺反應(yīng)時(shí)間(從信息開始刺激到感覺器官有感覺所用時(shí)間)到開始動(dòng)作所用時(shí)間(信息加工,、決策、發(fā)令開始執(zhí)行所用時(shí)間)的總和,。
由于人的生理心理因素的限制,，人對(duì)刺激的反應(yīng)速度是有限的。一般情況下,，反應(yīng)時(shí)間約為0.1 s～0.5 s,，而受過(guò)特殊訓(xùn)練的飛行員反應(yīng)時(shí)間可以在0.1 s左右,。其反應(yīng)時(shí)間的判別表示為：
式中，k為常數(shù),，n為等概率出現(xiàn)的選擇對(duì)象數(shù),。
3 實(shí)驗(yàn)
橋梁是重要軍事目標(biāo)，實(shí)現(xiàn)對(duì)橋梁的實(shí)時(shí)打擊具有重要意義,。本實(shí)驗(yàn)的軟件平臺(tái)為Matlab r2009a,，計(jì)算機(jī)平臺(tái)為AMD 7750雙核處理器(2 GB內(nèi)存)，選用某城市的某一橋梁(空間分辨率為10 m)進(jìn)行實(shí)驗(yàn),。
3.1 采集圖與模板圖角度相同
圖3為已知橋梁模板圖,，其像素值為26×57。圖4為第一幅采集圖,，其像素值為200×112,。圖3、圖4的視角高度為6 km,。圖5為對(duì)模板圖的關(guān)鍵點(diǎn)分析,。圖6為對(duì)模板圖的實(shí)時(shí)定位結(jié)果，其中在橫坐標(biāo)中,，從0~26是模板圖,，26~226是采集圖，從圖6可以看出,，采用SIFT算法可以將目標(biāo)識(shí)別出來(lái),，并能精確定位該橋梁的位置。
3.2采集圖與模板圖角度不同
圖7為發(fā)生旋轉(zhuǎn)的采集圖,，其像素值為191×166,，視角高度為6 km。圖8為實(shí)時(shí)定位結(jié)果,，其中在橫坐標(biāo)中,，0~26是模板圖，26~217是采集圖,。
3.3 采集圖與模板圖角度、視角高度都不同
圖9為角度,、視角高度都與模板圖不同的采集圖,，其像素值為196×161，視角高度為6.52 km,。圖10是實(shí)時(shí)定位結(jié)果,，其中在橫坐標(biāo)中，0~26是模板圖,，26~222是采集圖,。
實(shí)驗(yàn)關(guān)鍵參數(shù)如表1所示,。從實(shí)驗(yàn)結(jié)果可知，由于檢測(cè)出來(lái)的關(guān)鍵點(diǎn)較少,，所以在人機(jī)交互的環(huán)境下,，采用SIFT算法能實(shí)時(shí)地精確定位識(shí)別橋梁目標(biāo)，定位的準(zhǔn)確度高于以往采用二值化圖像方法和提取邊緣線方法來(lái)識(shí)別遙感影像目標(biāo),，識(shí)別的速度高于以往的改進(jìn)SIFT算法[3],，并且其應(yīng)用范圍也比較廣[4]。但是本文提出的方法同其他改進(jìn)算法一樣存在不足,，對(duì)于天氣較差時(shí)采集的影像,，無(wú)法定位或識(shí)別率大大降低。如何提高特征向量的特征度,，從而提高定位和識(shí)別的正確率,，同時(shí)又可以保證實(shí)時(shí)性，將是下一步研究工作的重點(diǎn),。
參考文獻(xiàn)
[1] LOWE D G. Distinctive image features from scale—invariant keypoints[J]． International Journal of Computer Vision,，2004， 60(2)：91-110.
[2] http://zhidao. baidu. com/question/109629278. html? si=8. 2010-08-29.
[3] GRABNER M,， GRABNER H,， BISCHOF H. Fast approximated SIFT[C]. Asian Conference on Computer Vision， Hyderabad,， India,， 2006： 918-927.
[4] 裴聰，戴立玲,，盧章平.基于SIFT的簡(jiǎn)化算法下圖像快速匹配[J].制造業(yè)自動(dòng)化,，2010，32(1)：132-135.