[发明专利]一种结合LBP特征提取和surf特征提取方法的图像匹配方法

说明书

技术领域

本发明涉及图像特征提取与图像处理技术领域，具体地为一种结合LBP特征提取和surf特征提取的图像匹配方法，涉及通过利用LBP算子的旋转不变性来处理旋转情况下的图像匹配，利用Harr算子来处理模糊，光照情况下的图像匹配。

背景技术

随着科技的发展进步，从各种成像设备，互联网网络或图像数据库中获取大量图像已成为可能，从而人们对图像处理（Feature Extraction and Image Processing）的要求也越来越高，图像处理技术得到了深入，广泛和迅速的发展。在图像处理上，特征提取的好坏是决定处理性能的关键因素，特征提取是指能够有效表示图像属性的特征，然后可以在此基础上可以对图像进行准确高效的分割和分类。鉴于这样的事实，对图像本身进行深入研究，准确高效的提取图像特征已成为客观必然要求。

由于计算机电子技术和计算机技术的发展，数字图像处理进入高速发展时期。因而对图像进行特征提取成为许多科研人员的研究话题。2004年发表在IJCV上的SIFT以及后来为改进SIFT运行速度提出的基于Hessian矩阵和Harr小波的SURF是图像匹配领域中最具代表性的两个方法，SURF提供的匹配方法有效地改进了基于梯度图的SIFT方法下计算速度慢的问题，但在处理角度变化图像的问题上低效，准确率不高，通过引入具有旋转不变性LBP算子可以有效的解决这个问题，并同时能够加强了光照和模糊条件下的鲁棒性，简而言之，结合LBP特征提取和surf特征提取的图像匹配方法具有下列六大优点：1)快速的：在surf图像匹配方法的基础上保留了其快速计算的Hessian矩阵，积分图方法，使我们的方法依然能够快速计算； 2)泛在的: 图像特征提取以及匹配方法因其在图像处理的必要性和实用特征已经在互联网，摄像等涉及图像处理的领域广泛存在，兼具surf，sift优点的图像特征匹配方法也将是泛在的； 3)准确性：结合LBP特征提取和surf特征提取的图像匹配方法可以准确的提取发生旋转，光照，视角变化图像的特征点； 4)大量性:结合LBP特征提取和surf特征提取的图像匹配方法可以产生出大量的特征点，从而方便从中选出合适的特征点进行匹配。

特征提取和匹配一直是图像处理和计算机视觉研究领域中一个值得探讨的问题，在计算机科学，医疗辅助诊断，军事，工业测量等众多领域都广泛采用这一技术，尤其是计算机视觉和模式和模式识别研究中，如何准确定位和提取关键特征往往是其中首先需要解决的问题之一，是提高识别率等问题的重要前奏和关键问题；有着广泛的应用前景和潜在的市场价值。

发明内容

在现有技术中，基于Harr特征描述的SURF因其匹配的快速性和准确性成为特征提取匹配领域中最常用和代表性的方法，但是在应对发生了旋转的图像时，其匹配效果较差，经常出现错误的匹配点，从而导致其性能下降。而更早出现的基于梯度图特征描述的SIFT方法虽然对旋转图像有不错的处理效果，但是其缓慢的运算速度，复杂的计算量，以及在处理光照变化，模糊等图像变化时较差的处理效果的缺陷也是显而易见的，简而言之，目前在图像特征点提取和匹配领域缺少一种能够处理大部分的图像变换，同时又有着较高处理速度的图像匹配方法。

为克服现有技术中的不足，在本发明中利用旋转不变LBP算子结合surf图像匹配方法中的Haar算子，从而使我们提出的方法能够处理大部分的图像变换，同时又有着较高的的处理速度。

由于Surf图像匹配方法提供的特征描述子采用的是Haars特征描述，Harrs特征首先具有很强的光照不变性，模糊不变性，但是Harrs特征在应对旋转变换时因其自身的特性使得描述效果较差，因此本文算法旨在保留Haars特征描述子优点的情况下，采取合理的实现方式，将Haars特征描述子与LBP旋转不变描述子相结合，使得其在应对旋转变化，光照变化，视角变化，模糊变化时也具有良好的匹配效果，同时不影响其运算速度。

为达到本发明的发明目的，现技术的技术方案如下。

一种结合LBP特征提取和surf特征提取方法的图像匹配方法，包括：步骤一：利用Hessian矩阵，高斯金字塔提取特征点，并确定方向；步骤二：构建特征描述子；步骤三：特征点匹配。

其中，步骤一具体为：利用Hessian矩阵，高斯金字塔提取特征点，并确定方向，包括：

1. 构造高斯金字塔尺度空间，为保证图像的尺度不变性，首先对其进行高斯滤波，滤波后对每一个像素点进行Hessian 的计算得到图像的特征点。