[发明专利]一种高鲁棒性的实时特征提取方法及系统

说明书

本发明涉及特征提取技术领域，公开了一种高鲁棒性的实时特征提取方法及系统，该方法，包括以下步骤：S1，特征点检测：利用特征检测方法检测图像中的特征点，然后利用Harris特征点评分方法对检测出的特征点进行二次筛选，得到特征点及其响应值；再通过非极大值抑制方法筛选确定最终特征点；其中，利用特征检测方法检测图像中的特征点时，利用图像特征点数目对特征点检测的阈值进行自适应调整；S2，特征点描述：利用二项式滤波对原始图像进行滤波处理，然后利用经滤波处理后的图像数据及最终特征点生成描述符。本发明解决了现有技术存在的实时性差、鲁棒性低等问题。

技术领域

本发明涉及特征提取技术领域，具体是一种高鲁棒性的实时特征提取方法及系统。

背景技术

特征点提取是目标识别与检测的基础，被广泛应用于目标识别和跟踪的第一步。但由于目标定位、姿态估计等算法应用场景逐步向实时化发展，特征点提取算法的效率提升一直是研究者们关注的热点问题。机器视觉中的目标识别算法面向海量图像数据，要求算法在不损失精度的前提下实现快速计算。

图像特征提取算法是计算机视觉领域中的一个重要研究方向，目的是从图像中提取特征明显的点，并使用一个特定向量来描述该点，广泛应用在物体追踪、图像拼接、三维重建等方面。常见的特征提取算法有以下几类：

1.尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)：SIFT算法是一种基于局部特征的方法，它通过对不同尺度和方向的图像区域进行高斯滤波，计算出每个区域的梯度幅值和方向，然后将这些信息组合成一个局部特征向量。SIFT算法具有尺度不变性、旋转不变性和局部不变性等优点，但是它的计算量比较大，处理速度较慢。

2.加速稳健特征(Speeded Up Robust Features，SURF):SURF算法使用Hessian行列式进行特征提取，并且在描述子生成时使用Haar小波特征。相比于SIFT特征，SURF特征降低了部分计算消耗，但是也仍然需要建立尺度空间，还是有着较高的计算复杂度。

3.方向梯度直方图(Histogram of Oriented Gradients,HOG)：HOG算法是一种基于图像梯度的方法，它将图像分成小的块，计算每个块的梯度幅值和方向，然后将这些信息组成一个梯度直方图。HOG算法具有计算量小、特征维数低等优点，但是它对光照和阴影比较敏感。

4.卷积神经网络(Convolutional Neural Network,CNN)：CNN算法是一种基于深度学习的方法，它通过多层卷积和池化操作来提取图像的特征。CNN算法具有准确率高、处理速度较快等优点，但是它需要大量的训练数据和计算资源。

图像特征提取算法在计算机视觉和图像处理领域中应用广泛，但存在一些技术缺点：

1.对光照、噪声等环境因素敏感：由于图像特征提取算法通常基于局部特征进行处理，因此在存在光照、噪声等环境因素时，可能会导致特征提取不准确。

2.特征提取效果受图像质量影响较大：如果图像质量较差或者像素数量较少，那么特征提取的效果可能会受到很大的影响。

3.计算量大：一些经典的图像特征提取算法，例如SIFT和SURF等算法，在计算量方面较大，需要消耗大量的计算资源和时间。

4.不适用于所有类型的图像：不同的图像类型和任务可能需要不同类型的特征，一些图像特征提取算法可能不适用于所有类型的图像和任务。

综上，现有技术存在以下缺点：现有的图像特征提取算法存在实时性较差、计算量大的问题，不利于一些对于实时性要求较高的场景，例如无人机、自动驾驶和自动追踪等领域。同时，特征提取效果受图像质量影响较大，对光照、噪声等因素较为敏感，鲁棒性较差。

发明内容