[发明专利]基于SURF算法的特征点检测方法和装置

说明书

公开了一种基于SURF算法的特征点检测方法和装置，其中，方法包括：接收灰度图像中第一方向上预设大小的图像块的灰度值；对图像块的灰度值进行多级流水的并行累加计算，得到该图像块的积分向量；依次基于各图像块的积分向量构建积分图中一个积分图分量点的积分值；响应于积分图中当前一个第一方向上积分图向量的积分值构建完成，采用多个大小不同的滤波器分别对当前一个第一方向上各积分值对应的采样点进行滤波处理，得到各滤波器的三种模板作用于采样点的响应值，并计算各滤波器的Hessian矩阵的行列式的值，对得到的Hessian矩阵的多个行列式的值进行非极大值抑制，得到满足极大值条件的特征点并输出其位置。本公开可以降低数据存储容量的要求，提高特征点的检测速度。

技术领域

本公开涉及图像处理技术，尤其是一种基于SURF算法的特征点检测方法和装置。

背景技术

图像局部特征的提取与描述一直是数字图像处理领域的热点。自上世纪起，各种图像局部特征提取算法相继问世。但在实际工程的应用中，很难有一种算法可以同时满足多项性能指标的要求，往往需要对算法进行优化，通常需要在算法复杂度与性能两者之间折中考虑。

SURF(Speeded Up Robust Feature，加速鲁棒特性)是一种被广泛应用的具有局部尺度不变性的特征提取算法，SURF算法可以用于对象定位和识别、人脸识别、3D重建、对象跟踪和提取兴趣点等，常用来进行物体辨识和图像匹配。SURF算法本身很容易在通用处理器上实现。然而，SURF算法中大容量的数据存储、不规则的数据访问和大量的运算，是提高SURF算法速度的瓶颈，限制了特征点的检测速度，从而导致SURF算法在通用处理器上的实现方案无法满足实际工程中实时处理的需要。

发明内容

本公开实施例所要解决的一个技术问题是：提供一种基于SURF算法的特征点检测方法和装置，以降低数据存储容量的要求，提高特征点的检测速度。

本公开实施例的一个方面，提供一种基于SURF算法的特征点检测方法，包括：

按照由第一方向至第二方向的顺序，以预设大小为单位，通过串行总线PCI-e依次接收灰度图像中第一方向上所述预设大小的图像块的灰度值；其中，所述由第一方向至第二方向的顺序，包括：逐行、逐列的顺序，或者逐列、逐行的顺序；

采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行多级流水的并行累加计算，得到所述预设大小的图像块的积分向量；

按照所述由第一方向至第二方向的顺序，依次基于各图像块的积分向量构建积分图中一个积分图向量的积分值，并将所述积分图向量的积分值存储在寄存器中；其中，所述积分图与所述灰度图像在所述第一方向上的高度相同；

响应于所述积分图中当前一个第一方向上积分图向量的积分值构建完成，采用多个大小不同的滤波器，分别对所述当前一个第一方向上各积分值对应的采样点进行滤波处理，得到所述多个大小不同的滤波器中各滤波器的三种模板作用于所述采样点的响应值，分别根据各滤波器的三种模板作用于所述采样点的响应值和所述三种模板的响应区域的面积，计算各滤波器的黑塞Hessian矩阵的行列式的值，得到Hessian矩阵的多个行列式的值；其中，所述三种模板的响应值包括：沿x方向的Dxx模板的响应值，沿y方向的Dyy模板的响应值和沿xy方向的Dxy模板的响应值；

对所述Hessian矩阵的多个行列式的值进行非极大值抑制，得到满足极大值条件的特征点；

输出所述特征点在所述灰度图像中的位置。

在基于本公开上述方法的另一个实施例中，所述采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行多级流水的并行累加计算，包括：

采用每一级并行计算、多级流水计算的方式，对所述预设大小的图像块的灰度值进行log₂M级流水的并行累加计算；其中，M为所述预设大小的字节数。