[发明专利]基于特征匹配的目标实时识别方法

说明书

本发明公开了一种基于特征匹配的目标实时识别算法，涉及计算机视觉领域。本算法的重点在于加强目标识别的可靠性与实时性。具体方法为：首先利用快速自适应鲁棒性尺度不变的特征检测子(fast adaptive robust invariant scalable feature detector,FARISFD)与鲁棒性交叠的标准特征描述子(robust overlapped gauge feature descriptor,ROGFD)来增强方法的鲁棒性与实时性，其次利用基于KD(k‑dimensional)树的BBF(best bin first)算法与双向匹配结合的方法提高搜索效率，再次利用PROSAC(Progressive Sample Consensus)去除错误点完成匹配，最后根据平均匹配率完成目标识别。实验结果表明，FARISFD与ROGFD较传统特征检测子与描述子具有更强的鲁棒性与实时性，基于特征匹配的目标实时识别算法能够实现可靠性较强的目标实时识别。

技术领域

本发明涉及计算机视觉领域，尤其是涉及特征匹配与目标识别领域。

背景技术

近几年，随着计算机视觉的蓬勃发展和相关技术的日臻完善，催生了许多基于计算机视觉技术的相关应用，如图书识别、商标检索、车牌识别以及文字识别等。如何利用实现目标的实时精确识别，已成为计算机视觉领域的热点问题。在计算机视觉中，特征匹配一直是众多学者研究的热点问题，随着研究的深入，已有一些经典特征匹配算法相继提出，从而使得高效的特征匹配算法可以应用到目标的实时精确识别中。

在特征匹配方面，学者做了大量工作：Lowe提出并完善了尺度不变特征匹配算法(scale invariant feature transform,SIFT)。该算法在高斯差分(differenceofGaussians,DoG)空间内进行非极值抑制，然后剔除低对比度的点，并减弱边缘影响，最后利用梯度直方图计算特征方向，生成128维描述向量。该算法具有有照度、JPEG压缩、模糊、视点、尺度与旋转不变性，但算法的鲁棒性与实时性不强。Bay等人提出了快速鲁棒性特征算法(speeded up robust features,SURF)。该算法在尺度空间内使用快速海森矩阵检测得到候选点，然后利用小波扇形环绕法定向，同时利用小波响应生成64维描述向量。虽然该算法的实时性与鲁棒性较SIFT大幅增强，但快速海森矩阵鲁棒性较弱，所以该算法的鲁棒性仍待加强。Leutenegger提出了二进制鲁棒性尺度不变的特征算法(Binary RobustInvariant Scalable Keypoints，BRISK)。该算法在近似尺度空间中利用基于加速段检验的自适应通用角点检测子(Adaptive and Generic corner detection based on theAccelerated Segment Test，AGAST)计算特征分数，同时利用长距离迭代法定向，使运行效率大幅提升，但尺度空间构建没有进行滤波，所以该算法的鲁棒性不强。Alahi等人提出一种快速视网膜特征描述子(Fast Retina Keypoint,FREAK)。该描述子利用扫视匹配搜索，速度完全满足实时需求，但各方面鲁棒性还是较弱。Pablo等人提出一种风式特征算法(KAZE)。该算法采用任意步长来构造稳定的非线性尺度空间，采用海森矩阵检测特征点，同时考虑了区域交叠带，使其对于各种变换比SURF、BRISK等更加稳健，但非线性尺度空间运算复杂，运行效率大幅下降。Pablo等人对KAZE进行了改良，提出一种快速风式特征算法(Accelerated-KAZE)。该算法利用快速显示扩散方程(Fast Explicit Diffusion,FED)，动态改善了非线性尺度空间的构建，使得检测的运行效率与鲁棒性大幅增强，同时提出一种改进的局部差异二进制描述符(Modified-Local Difference Binary,M-LDB)，使得描述子的速度大大提高，但描述子的鲁棒性弱于KAZE描述子。

发明内容

本发明旨在进一步加强目标识别的可靠性与实时性，提出了基于特征匹配的目标实时识别方法，使得可靠性较强的目标实时识别成为可能。