[发明专利]一种图像特征提取与匹配方法

权利要求书

1.一种图像特征提取与匹配方法，其特征在于，包括以下步骤：

S1：对特征点进行初步筛选，具体为：

将采集到的彩色图像转换为灰度图像，转换公式如下：

Gray＝(306*R+601*G+1147*B)＞＞10

其中，Gray表示图像的灰度值，R、G、B分别表示红、绿、蓝三个通道的值，通过图像中每个像素点与其邻域中8个其他像素点的相似性来选择候选角点，根据两个像素点的灰度差异确定它们之间的相似度，对于在点(i,j)的像素点P，如果其邻域中8个像素点与该点之间的灰度差的绝对值P小于设置的灰色阈值T₁，则认为该点与点P相似，检测P点与领域中8个像素点的相似性，并记录与P点相似的点的数量，记为N(i,j)；

P属于某个局部区域中的像素点，根据P点的N(i,j)值，判断点P是否为可能的角点，如果P点的N(i,j)在间隔(3,6)之间，点P被视为一个可能的角点，遍历图像中的所有像素点，并选择所有符合条件的像素点作为候选角点；

S2：利用候选角点中X和Y方向的梯度对S1得到的候选角点进行二次筛选；

S3：像素级角点检测，具体为：计算步骤2中得到的每个候选角点的自相关矩阵：计算与每个候选角点相对应的梯度乘积，获得自相关矩阵M₁：

I_x、I_y分别表示候选角点在x与y方向的梯度值，然后使用高斯核函数G(x,y,σ)和M₁进行卷积，得到一个新的自相关矩阵M₂；

计算候选角点的角点响应函数值，并将该值用于确定它是否是正确的角点，角点响应函数值R的计算如下：

Det(M₂)＝λ₁λ₂

Tr(M₂)＝λ₁+λ₂

R＝Det(M₂)-k*Tr²(M₂)

其中λ₁和λ₂是自相关矩阵M₂的特征值，k是常数，如果点的CRF值R大于设置的阈值T₃，则将该点选择为像素级角点；

S4：亚像素级角点检测，通过迭代优化Harris位置获得S3中得到的像素级角点的亚像素级角点坐标；

S5：旋转不变快速变化描述子计算，具体为：

描述子选择的局部区域是一个以特征点为中心，半径为12个像素的圆形区域，所选局部区域被三个圆圈划分为三层，以特征点为中心的半径为4个像素，8个像素和12个像素点，中间的圆是一个子区域，中间层的环被均匀地分成4个子区域，最外层的环被均匀地分成8个子区域，共有13个子区域，在每个子区域中提取8方向梯度向量，最后获得104维特征向量作为描述子；

首先，以特征点为中心，根据特征点的邻域梯度的主方向，将选择区域中的所有像素点沿相同方向旋转，主方向θ(i,j)满足：

其次，计算局部区域中每个像素的梯度方向和大小：根据θ(i,j)计算梯度方向，将0°至360°的范围划分为八个方向，每个方向包含45°，并且确定每个像素属于哪个梯度方向，梯度幅度m(i,j)满足：

m(i,j)＝sqrt[(I(i+1,j)-I(i-1,j))²+(I(i,j+1)-I(i,j-1))²]

每个像素的梯度加权大小由高斯决定，该点的高斯权重w(i,j)满足：

最后，根据每个像素的位置和梯度方向，确定其所贡献的统计块并通过将梯度插值系数乘以梯度幅度得到每个像素点对该统计块的贡献，每个子区域都有8个梯度方向，因此共有104个统计块，通过计算所有像素点对某个统计块的贡献的累加值得到相应的子区域在相应的梯度方向上的梯度分布特征值，共获得104维梯度分布特征向量，差值系数的计算公式如下：

像素对第n个统计块的贡献k(n)是：

k(n)＝c·I(i,j)·w(i,j)·m(i,j)

累加对第n个统计块有贡献的所有像素的贡献值，得到K(n)：

K(n)＝∑k(n)

S6：进行特征提取与特征匹配。