[发明专利]一种图像的局部特征描述方法

说明书

技术领域

本发明涉及计算机图像的处理方法，特别是一种具有较强描述性和区分力的图像局部特征描述方法。

背景技术

图像的局部特征描述是计算机视觉与图像处理等领域研究的基本问题和热点问题，一个描述性强、具有较好不变性和区分度的图像局部特征描述方法在图像配准与拼接、目标跟踪、物体识别和图像检索等方面具有应用。

相对于整体特征，局部特征标记出了图像中的重要区域，将图像信息用这些区域来表示，能够在表示图像局部重要信息的同时，节约应用时的计算量。传统的局部特征描述如尺度不变特征SIFT(Scale Invariant Feature Transformation)等，一般采用编码图像局部信息的向量来表征图像局部信息，有着良好的平移不变性、旋转不变性、尺度不变性。

但近年来的研究表明，传统局部特征描述针对图像拍摄视点仿射变换的不变性范围相当有限，这严重限制了局部特征描述符在图像配准和拼接等领域的应用。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种图像的局部特征描述方法。

为了解决上述技术问题，本发明公开了一种图像的局部特征流形表示方法，包括以下步骤：

步骤1，提取特征点周围的局部区域图像：一般情况下，局部区域取为以该特征点为中心，固定宽和高的正方形图像区域。

步骤2，对局部图像进行一系列复合变换，复合变换由三种基础变换依次组合而成，三种基础变换是缩放变换、旋转变换和错切变换，改变各变换的参数，构造一系列变换图像；

步骤3，对每个变换图像的特征点提取尺度不变特征描述；

步骤4，形成特征向量集：将针对每个变换图像的特征点提取的特征描述向量排列在一起，构成特征向量集；

步骤5，采用线性子空间逼近特征向量集：针对该特征向量集，运用主元分析提取特征向量集的特征主元向量；

步骤6，生成特征描述符：将特征主元向量联结在一起，构成特征描述符。

本发明中，所述步骤1以特征点为中心，提取一个高和宽分别为50×50的正方形局部图像区域；可以根据图像的大小以及特征点在图像中的位置，适当调整特征点周围局部图像区域的大小。

本发明中，所述步骤2包括以下步骤：

步骤21，首先对局部图像区域进行缩放变换，得到三张缩放图像，其宽和高分别为原局部图像的1半，1倍和2倍；如果原始局部图像区域分辨率为50×50，则三张缩放图像分别为25×25，50×50和100×100；

步骤22，其次对三张缩放图像分别进行旋转变换，旋转的角度为顺时针30、60、90、120、150、180、210、240、270、300和330度，得到一系列旋转图像；

步骤23，再次对旋转图像分别进行错切变换，错切变换涉及到对图像横和纵坐标的缩放，缩放参数取值范围均是{-1，0，1}，改变横向和纵向缩放的参数共产生9种错切变换。

本发明中，所述步骤3使用SIFT(Scale Invariant Feature Transformation)算法对每张变换图像的中心点提取其一个128维的尺度不变特征描述向量，该向量包括所描述区域的尺度、所描述区域的主梯度方向和描述子矢量。SIFT算法的具体内容可参见维基百科关于尺度不变特征提取的阐述或作者David G.Lowe的原论文。

本发明中，所述步骤4中，每张变换图像的中心点均有一个128维的尺度不变的特征描述向量，将这些特征向量按照行序排列，即构成一个完整的特征向量集合。

本发明中，所述步骤5使用PCA主元分析方法对特征向量集合进行降维，可以人为设定降维的维度，假设降维的维度为N，则提取出N个特征主元向量，一般N的取值为5。主元分析PCA(Principal component analysis)是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化，可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构，关于其算法的具体内容可参见维基百科关于主元分析的阐述。

本发明中，所述步骤6将步骤51提取到的N个特征主元向量作为原始局部特征点的特征流形表示。