[发明专利]基于双方向图的快速局部不变特征描述子的构造方法

说明书

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种图像处理描述子的构造方法。

背景技术

随着智能化时代的发展，基于机器视觉的自动识别技术得到了广泛的应用和关注。然而计算机远不及人脑的高度智能化，让计算机从大量视觉信息中提取出有用信息并准确识别目标便成了一个值得研究的课题，而各种局部不变性特征提取算法则提供了解决这一难题的有效手段。因此，局部不变特征在许多方面得到了应用，包括目标识别、3D重建、场景分类和全景拼接等。通常对局部不变特征的研究主要包括三个方面，分别是特征检测、特征描述以及特征匹配。

在特征检测方面目前已有多种检测算子，例如Harris检测算子和Hessian检测算子分别基于Harris矩阵和Hessian矩阵检测角点，在此基础上应用Lindeberg提出的自动尺度选择理论，可以得到带有仿射不变性的Harris-Affine检测子和Hessian-Affine检测子。Timor Kadir和Michael Brady于2001年提出了Kadir-Brady显著性检测子，并以此来提取图像的显著性特征。在Kadir-Brady显著性检测子的基础上，通过后续不断的研究获得了具有仿射不变性和鲁棒性的两个改进版本。FAST(Features from the Accelerated Segment Test)检测子则是通过比较邻域信息来找到兴趣点，而Matas在文献中则提出了一种检测区域的方法，称为最大稳定极值区域(MSERs)，该方法是通过检测图像中灰度最稳定的局部区域来获得具有仿射不变性的局部特征。

在特征描述方面，特征描述子是一种图像局部结构特征的定量化数据描述，一个理想的特征描述子应该具备高的鲁棒性、可区分性和速度，这里的速度包括描述子构建速度和匹配速度。因此设计一个描述子的核心在于构造一个在鲁棒性、可区分性和速度方面都有优异表现的局部不变特征描述子。

获得特征的描述子后则需要适当的特征匹配来完成物体识别。一般是先求取两个描述子之间的距离(如欧氏距离)，然后用最短距离或最短/次短距离比来计算相应的匹配分数，最后将匹配分数与预设的阈值相比来决定识别结果。

局部不变特征描述子中影响最广的是SIFT描述子。SIFT描述子是在确定的主方向上进行梯度直方图的统计，因而具有良好的稳定性和准确性，，尤其是在一些具有尺度变换、旋转变换、视角变换和仿射变换的场合，SIFT描述子的准确性要远优于当时的其他描述子。但是，由于其主方向的选取比较费时，易受到统计误差的影响，且梯度向量的计算过程比较繁杂，因此SIFT描述子在实际应用中受到一定影响。但由于SIFT描述子应对一般图像变换的能力比较全面，许多研究人员都愿意在SIFT的基础上进行各种优化和改进。比如PCA-SIFT描述子是将主成分分析法跟SIFT描述子进行了综合，大大降低了SIFT的维数，也提高了描述子的准确率；GLOH描述子则是用极坐标表示代替栅格来进行梯度方向直方图的统计，实验证明这种表示方法能有效提高描述子的鲁棒性；SURF描述子引入了哈尔小波变换，在保证SIFT的部分优势的基础上实现降维并且极大提高了速度；DAISY描述子则是利用了梯度方向和像素位置这两个因素，在仿射变化和光强线性变换时具有良好的效果，但是由于其复杂的计算，DAISY描述子在速度方面则表现一般。

由于SIFT描述子是通过寻找主方向的方法实现旋转不变性，而这种方法容易受到统计误差的影响，并非真正意义上的旋转不变，因此SIFT描述子的稳定性容易受到影响。SIFT的其他衍生的描述子沿用了SIFT描述子的主方向寻找方法，因此也存在这种缺陷。

此外还有另外两个比较新的描述子，MROGH和RATMIC。MROGH描述子在计算采样点的梯度时运用了实现旋转不变性的方法，使得描述过程中不需要特意计算特征区域的主方向，这样描述子在多种情况下能更加稳定；同时MROGH描述子增加了描述子的可区分性和对非线性光照变化的适应能力。但是MROGH描述子引入了多支持区域的方法来提高整体的可区分能力，MROGH描述子的整体耗时增加了几倍，所以速度方面的表现难以令人满意。