[发明专利]一种有效的特征点描述I-BRIEF方法

说明书

技术领域

本发明属于计算机视觉领域，特别是涉及特征点的描述方法与图像匹配。

背景技术

I-BRIEF即改进的独立二元鲁棒初级特征，对于鲁棒的局部特征点描述方法的研究仍然是当前计算机视觉研究的热点。那是因为对特征点进行有效描述是当前许多计算机视觉技术如图像检索、三维重建、相机姿态估计等技术的核心，特别当这些技术需要处理大量数据或在计算资源有限的移动设备上运行时，就需要特征点描述符能够进行快速计算和匹配，同时尽量节省存储。在众多的描述方法当中，SIFT和SURF是当前最常用的方法。SIFT描述符通过计算图像梯度直方图获得，而且在实际中被证明是很有效的方法。然而，SIFT方法比较复杂，因此计算相对耗时。SURF与SIFT方法比较相似，但由于采用了积分图像和盒子滤波方法，因此计算速度是SIFT的3到7倍。当然，还有一些其他著名方法。例如Mikolajczyk等人提出的GLOH方法，GLOH与SIFT类似，但采用了不同于SIFT采样方法，在一定程度上比SIFT更鲁棒。Tola等人提出的DAISY方法用高斯滤波的方向导数取代了SIFT中的梯度方向相加的方法，实验证明该方法在不降低区分效果的情况下计算速度比SIFT更加快速。M.Calonder等人提出的Signatures方法计算比SIFT和SURF快很多。它利用经过离线学习产生的Ferns分类器来对新的特征点进行描述，对于每一个新的特征点，他的描述是通过其对Ferns分类器的响应获得的。但是，该方法的一个不足之处在于需要额外的存储来存储Ferns分类器。Mikolajczyk等人的对几种描述符进行了全面的比较，Winder和Brown等人也研究了几种描述方法，并提出了一种优化描述符计算过程中参数的框架。

在计算机视觉领域，关于能够快速计算，快速匹配以及节省存储的特征点描述方法的研究一直吸引着研究者的兴趣。通常加速匹配和降低存储的方法是进行描述符降维，Yan Ke等人提出采用主成分分析(PCA)方法对SIFT进行降维。Hua等人提出用线性判别分析(LDA)来降维。Chandrasekhar等人采用哈夫曼树结构对像SIFT这样基于梯度直方图的方法进行压缩(CHOG)。一种更加有效的降维方法是用哈希函数将如SIFT的描述符降维成比特串。Chuohao等人用随机投影方法对SIFT降维来产生二元比特串。Shakhnarovich在他的论文中采用一种机器学习方法来获得比特串描述符。Strecha等人提出了一种新的简单有效的方法从SIFT计算比特串，首先对齐问题相关的协方差矩阵，然后根据一个合适的代价函数来估算进行二值化的可靠阈值(LDAHash)。前面的方法虽然有效，但这些基于降维的方法在进一步处理前需要先计算完整的描述符。M.Calonder等人提出了一种从以特征点为中心的图像面片直接计算比特串描述符的BRIEF(Binary Robust Independent Elementary Features)方法(ECCV 2010、PAMI 2011)，这避免了之前的先进行描述符计算再降维的问题。

BRIEF描述方法利用二元比特串对特征点进行描述，具有区分能力强，并且描述符计算和匹配快速的特点，相比已有的描述方法如SIFT、SURF等无论在计算速度上还是区分能力上在大多数情况下都有较大的提高。

BRIEF通过对以特征点为中心的图像面片简单的像素灰度值的比较测试所产生的二元比特串来对该特征点进行描述。它所进行的比较测试定义如下所示：

其中p(x)表示像素在位置x＝(u₁，v₁)^T处的像素值，同理p(y)表示在位置y＝(u₂，v₂)^T处的像素值。独立的选取n_d个(x，y)的位置对，组成一个测试位置的集合，然后对每个一比特的测试结果组合成一个比特串f_nd，从而对一个特征点用比特串进行描述。比特串f_nd的定义方法如下：