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