[发明专利]基于改进SURF特征的视觉词袋模型构建方法

权利要求书

1.基于改进SURF特征的视觉词袋模型构建方法，其特征在于：该方法具体的实现步骤如下，

Step1：对图像库中所有图像，提取改进SURF特征：

Step1.1：对图像I，计算积分图像I_Σ；

Step1.2：使用添加了渐变信息的盒子滤波模板对积分图像I_Σ进行盒子滤波计算，构建尺度空间；

Step1.3：在尺度空间中，在每个3×3×3的局部区域里，使用非最大值抑制检测极值点，并记下极值点的位置作为特征点；

Step1.4：以特征点为圆心，以10S为半径作圆形邻域，S为样本所处空间的尺度值；在邻域内以尺寸为4S的Haar小波模板对图像进行处理，计算邻域内所有特征点在x，y方向的Haar小波响应，并赋给每个向量不同的高斯权重，越靠近圆心，贡献值越大，特征点赋值权重越大；

Step1.5：以一个圆心角为的扇形旋转遍历整个圆形邻域，共有8个窗口；每一次滑动到图3中的窗口内时，计算该窗口内Haar小波响应值的和；设d_x，d_y分别代表水平和垂直方向的Haar小波响应，m_ω为方向矢量，θ_ω为方向矢量的角度，则：

V_i＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|),i＝1,2,...,8

Step1.6：比较8个窗口的m_ω值，对8个m_ω按从大到小的顺序排序，以最大的m_ω的方向为特征点的主方向；

Step1.7：按照m_ω值由大到小的顺序，将对应的8个V_i按顺序排列，得到8×4＝32维改进SURF特征描述子；

Step2：对所有提取出的改进SURF特征，用k-means算法聚类成为k个视觉单词，表示为K＝(k₁,k₂,k₃,...,k_k)；其中聚类中心k的选择应依据不同图像库的特点而确定，k越大词袋模型对图像的代表能力越强，但同时k越大计算时间越长；

Step3：将图像库中每一幅图像，按照每个视觉单词出现的频率表示为k维向量，在图像P中，视觉单词k₁出现1次，k₂出现2次，k_k-1出现k-1次，k_k出现k次，则将图像P表示为向量P＝(1,2,...,k-1,k)；每幅图像用词袋模型表示成的向量都不同，越相似的图像之间，向量距离肯定越小，依照这样的方式实现图像分类和图像检索。