[发明专利]Fast approximated SIFT算法中特征点检测方法及装置

说明书

技术领域

本发明属于图像处理技术邻域，涉及Fast approximated SIFT(Fast approximated Scale Invariant Feature Transform)算法中特征点检测方法及装置。

背景技术

视频图像序列中的运动目标检测是许多视觉系统中一个基础的部分。目标检测主要有两种模式：摄像机静止-目标运动和摄像机运动-目标运动。对于视频监控任务，图像通常是静止的，因此，背景模型已知，目标检测相对容易。背景模型估计和背景差技术在这种情况中得到广泛应用。摄像机运动时，由于摄像机运动产生了背景运动，使得运动目标检测任务变得更有挑战型。静摄像机情况下的目标检测跟踪技术已经比较成熟，动摄像机情况下的目标检测和跟踪还在发展中。基于运动补偿的方法是动摄像机情况下运动目标检测跟踪的一类主要的方法，它最初计算自运动，然后补偿摄像机运动，应用静摄像机中的算法。其中，背景运动估计是整个目标检测系统的重点，背景运动矢量的准确与否，将直接影响到后面的目标定位工作。David Lowe在2004年改进了他1999年提出的SIFT(scale invariant feature transform)算法[1]，使其对尺度、旋转、亮度、仿射、噪音等都具有不变性，适合用于动摄像机引起的运动背景补偿中。

SIFT特征匹配算法分三个阶段来实现：第1阶段是SIFT特征点检测；第2阶段是SIFT特征描述符生成；第3阶段是SIFT特征向量匹配。为了检测到尺度不变的特征点，Lowe采用建立DoG(Difference of Gaussian，即高斯差)尺度空间检测特征点。原始图像和具有可变尺度的高斯差函数做卷积生成DoG尺度空间，并在此尺度空间中进行极值检测得到特征点。这一过程的计算量和复杂度相当客观，对SIFT算法的实时应用带来很大限制。Michael Grabner提出的Fast approximated SIFT算法[2]采用积分图像来辅助建立DoM(Difference of Mean，即均值差)尺度空间，并在此尺度空间中进行极值检测得到特征点。使用积分图像可以快速方便的对图像进行均值滤波。一旦得到了积分图像，无论选取多大的矩形区域，都可以用3次加法求出矩形区域的图像灰度值之和，再用1次惩罚就可以得到矩形区域的均值。不同大小的矩形区域的均值图像代表图像的不同尺度，相邻尺度的均值图像做差即得到DoM尺度空间，经过归一化处理后就可以在DoM尺度空间中检测图像特征点。Fast approximated SIFT算法通过用DoM尺度空间近似DoG尺度空间检测极值点，极大的降低了SIFT算法的计算量，提高了算法的实时性，使其可以应用于实时系统中。

发明内容

本发明实施例提供一种Fast approximated SIFT算法中特征点检测方法及装置，其目的在于：(1)减少片内存储空间的需求；(2)提高特征点检测的效率。本发明实施例提供的Fast approximated SIFT算法中特征点检测方法及装置是整个运动目标检测系统的一部分。

本发明实施例提供的特征点检测方法包括：

计算输入图像的积分图像。其中，所述积分图像是按照从上到下，从左到右的顺序，采用所述输入图像的每行像素到当前像素的所有亮度和计算得到的；

通过所述积分图像辅助建立DoM尺度空间。其中，DoM尺度空间对应的图像金字塔共O组，每组有S层。每组由S+1个不同尺度的矩形区域均值滤波核计算得到不同尺度的尺度图像，并将相邻尺度的尺度图像相减得到S层均值差分尺度图像。与DoG尺度空间建立各组差分尺度图像需要对输入图像进行缩放并保持相应尺度不变不同，DoM尺度空间建立各组差分尺度图像对输入图像保持不变并相应缩放滤波尺度和抽样频率；

在DoM尺度空间上检测空间极值点。为了寻找尺度空间的极值点，每一个采样点要和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；

利用阈值法和Hessian矩阵法筛选特征点。其中，阈值法用于去除低对比度的特征点，Hessian矩阵法用于去除错误检测的特征点(Hessian矩阵是零矩阵意味对应的相邻像素区域包含的像素大部分有相似的亮度值，而特征点不大可能位于这些区域)。

本发明实施例提供的特征点检测装置包括：