[发明专利]一种利用SIFT树进行物体识别的方法

说明书

技术领域

本发明一种利用SIFT(Scale Invariant Feature Transform)树进行物体识别的方法，涉及利用计算机进行物体智能识别及基于内容的多媒体搜索的方法，主要是针对计算机对多媒体图像或视频影像中行人、车辆等识别并推广到计算机视觉中相关的其他领域，如目标定位与跟踪、场景分析、三维重建等。

背景技术

随着计算机视觉领域在近几年的快速发展，人们利用计算机进行智能的物体识别，运动跟踪及三维物体的重构等技术越来越成熟。然而目前比较流行的方法大多基于图片文件的局部特征信息的。其中由于SIFT特征对于几何变换和光照变换有着不变性，对于噪声和遮挡均有较强的鲁棒性，得到了广泛的使用。并且随后也出现了很多基于SIFT特征的改进算法。目前这些方法主要基于概率统计模型，这种方法一般是通过对物体的特征点(或部分)之间的空间关系建立一种概率模型表达，最常见的是高斯模型。通过学习训练从而确定概率模型的最似然估计值。最后在通过某种方法(例如贝叶斯分类器)进行识别。

但是单纯利用SIFT特征进行物体识别有很大的局限性，特别是存在遮挡等一些复杂环境场景下，识别正确率会明显降低，并且很难直接运用在物类识别中。因此联合特征点之间空间位置关系的识别方法越来越受到人们的重视。

发明内容

本发明的技术解决问题：为克服现有技术的不足，提出了一种基于SIFT特征树的物体识别方法。该方法可以很好的解决一些复杂环境下，比如遮挡、视角变化、光线变化条件下的目标识别、图像复原、图像拼接问题，而且也为物类识别提供新的思路和方法。

本发明的技术解决方案：本方法主要分为两步。步骤一，从训练集中获取图像的SIFT特征点，建立特征树，并最终生成物体模型。步骤二，用步骤一中的方法同样获得测试集中的SIFT树，并在该树中查找物体模型，如果有匹配，则表示测试图中包含有目标物体，否则认为不包含目标物体。具体方法如下：

一种利用SIFT树进行物体识别的方法，其特征在于，包括如下阶段：阶段一，从训练集中获取图像的SIFT特征点，建立特征树，并最终生成物体模型。阶段二，用阶段一中的方法对测试集中的图片建立SIFT树，并在该树中查找物体模型，如果有匹配，则表示测试图中包含有目标物体，否则认为不包含目标物体。

该方法中，阶段一或二过程中SIFT树的建立过程包括：

首先，需通过根据每一个SIFT特征点的尺度和位置求出它的覆盖域，覆盖域定义为边长为a正方形区域，并且

a=2lgσ2σ11σ12-1σ22=2kσ1lgkk2-1,]]>

其中，σ_i，(i＝1，2)分别DoG(Difference-of-Gaussian)方法的两个高斯滤波器的方差。然后根据覆盖率，进一步定义出特征点之间的父子关系；

其次，以图片本身为根节点，第一层的节点取尺度最大时的特征点，此处可以不考虑同层节点顺序关系。然后下一层对应的是次尺度最大的特征点，建立一棵特征树。每个节点存储了每个特征点的位置、尺度及SIFT描述子信息。