摘  要： 針對目標(biāo)檢測中利用SIFT算法在提取圖像特征時提取的背景特征點(diǎn)所占比例較大，提出了一種圖像顯著區(qū)域與SIFT算法相結(jié)合的目標(biāo)匹配方法,。為使檢測出的極值點(diǎn)與人眼觀察到的極值點(diǎn)相似,，提出對尺度空間中的圖像進(jìn)行顯著區(qū)域的檢測；為了使特征點(diǎn)具有仿射不變性,，對特征點(diǎn)進(jìn)行橢圓擬合,；特征匹配時引入夾角余弦相似度測度方法。實(shí)驗(yàn)表明,，該算法在實(shí)時性

    關(guān)鍵詞： 尺度空間,；顯著圖；目標(biāo)檢測,；橢圓擬合,；特征匹配

　　0 引言

　　隨著計(jì)算機(jī)科學(xué)技術(shù)的快速發(fā)展，特征匹配得到了廣泛的應(yīng)用,。SIFT（尺度不變特征變換）算法是由LOWE D G提出的一種基于局部特征的描述方法[1],，許多研究者實(shí)驗(yàn)表明SIFT算法存在著128維的特征描述符計(jì)算復(fù)雜度較高、時間過長,、誤匹配較多的問題,。

　　為了減少特征點(diǎn)提取的個數(shù)以及使得提取出的特征點(diǎn)與人眼觀察到的特征點(diǎn)相近,，本文提出了一種基于視覺顯著圖[2]的SIFT算法。本文主要是利用顯著區(qū)域檢測的方法來得到特征點(diǎn),；再利用SIFT方法對其進(jìn)行描述,；最后，利用歐氏距離與夾角余弦相結(jié)合的相似性測度方法進(jìn)行特征匹配,。實(shí)驗(yàn)結(jié)果表明,，本文算法在計(jì)算復(fù)雜度方面比傳統(tǒng)算法有較大的提高。

1 SIFT算法

　　SIFT是一種檢測圖像局部特性的算法,，該算法主要包括以下四個步驟[3]：

　?。?）尺度空間極值點(diǎn)檢測

　　首先構(gòu)建尺度空間：

　　關(guān)鍵點(diǎn)的初步探索是利用差分高斯差分金子塔內(nèi)同一組相鄰兩層圖像之間比較完成的。其中高斯差分金字塔為：

　?。?）關(guān)鍵點(diǎn)的準(zhǔn)確定位

　　接下來就是要確定關(guān)鍵點(diǎn)的位置,、尺度以及主曲率的比值，SIFT算法使用擬合三維二次函數(shù)來確定關(guān)鍵點(diǎn),。

　?。?）關(guān)鍵點(diǎn)方向分配

　　對于在DOG金字塔中檢測出的關(guān)鍵點(diǎn),，采集其所在高斯金字塔3?滓鄰域窗口內(nèi)像素的梯度和方向分布特征,。梯度的模值m（x，y）為：

　?。?）局部圖像描述符

　　描述符的產(chǎn)生如圖1所示,。首先取以關(guān)鍵點(diǎn)為中心的16×16像素大小的鄰域，然后從16×16的區(qū)域中計(jì)算4×4的描述符序列,。在關(guān)鍵點(diǎn)周圍4×4的鄰域內(nèi)計(jì)算8個方向的描述序列,，至此就產(chǎn)生了128維的特征描述向量。最后對特征向量歸一化以消除光照影響,。

　　2 頻率調(diào)諧顯著圖檢測

　　本文采用頻率調(diào)諧顯著區(qū)域檢測算法,，其實(shí)現(xiàn)過程如下[4]：

　　（1）設(shè)輸入圖像為Iw×h,，其中w為圖像寬度,，h為圖像高度。利用高斯濾波器對圖像進(jìn)行平滑處理,，得到一個新的圖像Ig,，其計(jì)算公式如下：

　　（2）將圖像Ig從RGB模型轉(zhuǎn)換到Lab模型,。對每個特征分別計(jì)算其整體均值得到均值圖像滋,，同時對各特征高斯平滑，得到平滑后的圖像為I（x,，y）=[LG（x,，y）,，aG（x，y）,，bG（x,，y）]T。

　?。?）計(jì)算得到顯著圖區(qū)域[5]：

　　式（6）計(jì)算所得就是最終的顯著圖,。

3 顯著圖檢測在SIFT匹配算法中的應(yīng)用

　　為了縮小特征提取的區(qū)域以及使得提取出的特征點(diǎn)與人眼實(shí)際觀察到的特征相近，本文提出了一種基于視覺顯著圖的SIFT算法,。

　　3.1 尺度空間的構(gòu)建

　　高斯模糊其實(shí)就是一種對圖像進(jìn)行濾波處理的過程,。它使用二維的正態(tài)分布函數(shù)與待處理的匹配進(jìn)行卷積運(yùn)算，達(dá)到模糊圖像的效果[6],。

　　二維正態(tài)分布函數(shù)方程為：

　　此二元的高斯函數(shù)可以看成是兩個一元函數(shù)相乘的結(jié)果,，即：

　　在對圖像進(jìn)行二維高斯模糊時，可以先進(jìn)行一次水平方向的一維高斯模糊,，再進(jìn)行一次豎直方向的一維高斯模糊,，這樣可以更好地保留圖像的邊緣信息。

　　3.2 顯著區(qū)域的檢測及橢圓擬合

　　利用上節(jié)提到的分離的高斯模板對圖像進(jìn)行高斯模糊后再對各采樣點(diǎn)進(jìn)行隔點(diǎn)采樣,，然后再對金字塔中的圖片使用不同的模糊參數(shù)進(jìn)行高斯模糊,。這樣可以保證提取出的特征點(diǎn)具有尺度不變性。

　　檢測顯著區(qū)域后,，對區(qū)域進(jìn)行橢圓擬合,，如圖2所示。設(shè)擬合的橢圓中心（xc,，yc）為顯著區(qū)域的重心,，橢圓的兩個軸中長軸a和短軸b代表這個區(qū)域的形狀，?茲代表長軸的方向,，同時也是這個擬合的橢圓區(qū)域的方向,。

　　橢圓的中心為：

　　如圖3所示，圖3（a）為實(shí)驗(yàn)圖像,，圖3（b）是對圖像顯著區(qū)域的橢圓擬合,，擬合后的區(qū)域具有旋轉(zhuǎn)不變性。

　　3.3 橢圓的歸一化及生成特征描述子

　　3.3.1 橢圓的歸一化

　　對區(qū)域進(jìn)行橢圓擬合使提取出的特征點(diǎn)具有仿射不變性,。在進(jìn)行SIFT描述之前,，需要采用歸一化的方法去除圖像之間的差異。歸一化的仿射變換區(qū)域關(guān)系為：

　　其中,，x為測量區(qū)域的坐標(biāo),，歸一化區(qū)域的坐標(biāo)，D為橢圓擬合產(chǎn)生的協(xié)方差矩陣的相似變換陣。

　　3.3.2 特征向量生成

　　在完成特征點(diǎn)提取后,，本文利用顯著圖檢測進(jìn)行橢圓擬合,，以橢圓的中心為關(guān)鍵點(diǎn)進(jìn)行方向分配以及特征向量的計(jì)算。最后對每個特征點(diǎn)利用SIFT描述子對其進(jìn)行描述,，得到1個128維的特征向量表,。

4 實(shí)驗(yàn)結(jié)果分析

　　本文的算法是在PC上用MATLAB7.0實(shí)現(xiàn)的。本文選擇一幅目標(biāo)圖像,，兩幅樣本圖像,，如圖4所示。針對光照和旋轉(zhuǎn)這兩個因素,，比較了傳統(tǒng)SIFT算法與本文算法在特征點(diǎn)提取上的差異,。在目標(biāo)圖像中，卡車就是要檢測出的目標(biāo),。SIFT算法各步驟的時間分配比較如表1所示,。

　　由表1可以得出，提取的特征點(diǎn)越多,，所用的時間越多,。因此采用一種算法來減少特征點(diǎn)提取個數(shù)在時間效率方面將有很大的改善。

　　圖像進(jìn)行不同參數(shù)的高斯模糊后的顯著圖區(qū)域檢測結(jié)果如圖5所示,。由圖可見對同一尺度下的圖像進(jìn)行不同參數(shù)的高斯模糊后顯著圖的變化,，參數(shù)越大得到的圖像越模糊，圖像的目標(biāo)顯著區(qū)域越大,。

　　特征點(diǎn)提取對比圖如圖6所示,?？梢钥闯?，本文提取的目標(biāo)物體上的特征點(diǎn)比傳統(tǒng)SIFT算法提取的多，并且本文算法提取的背景圖像的特征點(diǎn)明顯減少,。這樣可以減少特征點(diǎn)描述子生成的時間,。

　　在特征向量匹配時，傳播SIFT特征向量的匹配利用BBF搜索算法找到最佳的匹配點(diǎn),；本文在傳統(tǒng)算法的基礎(chǔ)上再利用夾角余弦對其進(jìn)行檢測,，用以減少誤匹配。夾角余弦是用來度量兩組向量之間的夾角大小的,，它也被稱為一致性相合系數(shù)[7],，其表達(dá)式為：

　　最后利用RANSC算法對匹配特征點(diǎn)對進(jìn)行檢測，進(jìn)一步消除錯誤匹配,。

　　本文算法利用視覺顯著圖檢測到的特征點(diǎn),，因此不僅具有實(shí)際的意義而且還減少了錯誤的匹配點(diǎn)對。

　　傳統(tǒng)SIFT匹配算法與本文算法對比如表2所示。由此可以看出,，本文算法所用的時間比傳統(tǒng)SIFT算法時間短,。

　　實(shí)驗(yàn)結(jié)果對比如圖7所示。圖7（a）顯示,，雖然本文算法提取的特征點(diǎn)少,，但是誤匹配點(diǎn)對明顯降低。從圖7（b）可以看出,，當(dāng)待匹配圖像存在旋轉(zhuǎn)的情況下,，本文算法也有較好的匹配效果。

　　5 結(jié)論

　　本文提出了一種基于頻率調(diào)諧的顯著圖SIFT目標(biāo)匹配算法,。在傳統(tǒng)SIFT算法的基礎(chǔ)上對尺度空間中的各圖像進(jìn)行顯著區(qū)域的檢測,，最后利用歐氏距離與夾角余弦相結(jié)合的方法進(jìn)行特征匹配。實(shí)驗(yàn)結(jié)果表明,，本文算法在實(shí)時性以及匹配準(zhǔn)確率方面都優(yōu)于傳統(tǒng)的SIFT算法,。

參考文獻(xiàn)

　　[1] 張春美，龔志輝,，孫雷.改進(jìn)SIFT特征在圖像匹配中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,，2008，44（2）：95-97.

　　[2] 石釗銘,，耿伯英,，董銀文.基于改進(jìn)SIFT的航拍圖像快速匹配方法[J].指揮控制與仿真，2013,，35（1）：106-110.

　　[3] LOWE D G. Distinctive image features from scale invariant key points[J]. Journal of Computer Vision,， 2004，60（2）： 91-110.

　　[4] 田明輝.視覺注意機(jī)制建模及其應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué),，2010.

　　[5] 于乃昭,，姚志均，楊波.一種改進(jìn)的頻率調(diào)諧顯著性檢測方法[J].艦船電子對抗,，2013,，36（1）：57-61.

　　[6] 宰小濤，趙宇明.基于SIFT特征描述子的立體匹配算法[J].微計(jì)算機(jī)信息,，2007,，23（8-3）：285-287.

　　[7] 張宇，劉雨東,，計(jì)釗.向量相似度測度方法[J].聲學(xué)技術(shù),，2009，28（4）：532-536.以及匹配準(zhǔn)確率方面都優(yōu)于傳統(tǒng)的SIFT算法,。

　　關(guān)鍵詞： 尺度空間,；顯著圖；目標(biāo)檢測；橢圓擬合,；特征匹配