[发明专利]一种基于梯度二值化的旋转尺度不变场景匹配方法

说明书

技术领域

本发明涉及场景识别领域，尤其是涉及一种适用于场景匹配的基于梯度二值化旋转尺度不变场景匹配方法。

背景技术

场景匹配常常用于搜索两个场景中相同的内容，在场景识别以及目标识别等领域有着广泛的应用。

图像特征点匹配作为场景匹配的具体实现方法，通过将当前图像与数据库中的历史图像进行特征点匹配，从而实现对当前场景的匹配和识别。因此，图像特征点匹配成为了当前研究的重点。特征点匹配包括特征点检测、特征点描述以及特征点匹配三部分，首先在两幅图像上搜索稳定的特征点，这些特征点在图像发生尺度变换、旋转或者投影变换后依旧能被检测器检测到，因此这些特征点往往在多尺度图像序列中进行搜索；之后，描述器利用特征点周围区域内的图像信息计算特征描述符；分别计算得到两幅图像后的特征向量集合后，匹配器对连个特征向量集合进行匹配生成最优匹配集合。

近年来，针对这一流程有很多优秀的算法被提出，最为经典是Lowe等提出的SIFT[1]特征描述。SIFT算法提出了利用高斯差分图像金字塔(difference-of-Gaussian images pyramid)中的局部极值点作为图像特征点，并在图像周围的4×4单元区域内统计8个方向上的梯度之和，最终产生128维特征向量进行特征点匹配。由于在高斯差分图像金字塔中搜索特征点，因此SIFT其特征点具有良好的尺度不变性，即使图像在尺度以及清晰度发生剧烈变化的情况下，其检测依旧具有很高的稳定性。另外，SIFT算法在生成描述符时，计算了特征点周围区域的梯度主方向，并将特征采样区域旋转到主方向后进行描述符的计算，实现了特征描述符的旋转不变性，在图像发生旋转之后，SIFT依旧能利用梯度主方向实现描述符的方向归一化，从而实现图像特征的匹配。但是，SIFT由于计算复杂度过高，特征点检测以及特征描述符生成时间较为费时，因此不能用于实时系统。为降低计算复杂度，Herbert等提出了SURF[2]算法，该算法利用方框滤波器代替高斯滤波器进行图像模糊处理，并通过改变方框滤波器大小实现不同尺度下的高斯模糊图像，由于此方法可以实现不同尺度下的高斯模糊图像的并行处理，运算速度大大提升，另外，SURF采用Haar小波特征计算得到64维描述符，降低了特征匹配过程的计算复杂度。虽然SURF在SIFT算法的思想上大大提高了运算速度，但是仍然不能满足实时系统的需求。为进一步降低运算法复杂度，Calonder等提出了基于二值描述的BRIEF[3]描述符，该描述符通过在特征点周围采样区域内随机抽取若干(通常为128、256或512)采样点对，使用0或1来表示采样点对两点之间的灰度大小关系，最终形成128、256或512维二值化特征描述子，匹配时采用汉明距离进行计算，计算速度得到巨大提升，满足了实时系统的匹配要求，但是由于缺乏对描述符进行方向归一化，因此BRIEF不具有旋转不变性。

本文发明基于二值化描述算法，提出一种基于梯度的旋转与尺度不变二值化场景匹配方法，在保持二值化描述符高速匹配的优势下提高描述算法对旋转以及尺度变换的鲁棒性，是非常有意义的。

附：参考文献

[1]Lowe,David G."Distinctive image features from scale-invariant keypoints."International journal of computer vision,60.2:91-110,2004.

[2]Bay,Herbert,Tinne Tuytelaars,and Luc Van Gool."Surf:Speeded up robust features."Computer vision–ECCV 2006.Springer Berlin Heidelberg,404-417,2006.

[3]Calonder,Michael,et al."Brief:Binary robust independent elementary features."Computer Vision–ECCV 2010.Springer Berlin Heidelberg,778-792,2010.

发明内容

本发明主要解决的技术问题是场景匹配问题中图像特征描述问题。为解决目前二值化图像特征描述符丢失描述区域纹理信息，本发明提供一种基于梯度的旋转尺度不变二值化特征描述符，通过在多尺度空间对描述区域的梯度采样以记录该区域纹理信息，并在此过程中使用方向归一化，实现在图像大尺度旋转和尺度变换下提高特征点的匹配正确率。