[发明专利]一种基于梯度二值化的旋转尺度不变场景匹配方法

摘要

一种基于梯度的旋转尺度不变二值化场景匹配方法，涉及场景识别领域。本发明在经典二值描述BRIEF算法单纯比较灰度强度的基础上，提出加入水平与垂直梯度值比较，保存采样区域的纹理信息，从而降低匹配错误率。另外，建立图像尺度金字塔，在不同尺度内进行图像特征点检测和特征描述，在描述符计算过程中加入重心矢量方向，使得该二值化描述符具有方向与尺度不变性。实验表明，本文提出的基于二值化的旋转不变梯度采样描述符具有较高的鲁棒性，在场景图像发生较大旋转以及尺度变换的情况下，平均比BRIEF算法匹配正确率高73.06％。

主权项

一种基于梯度二值化的旋转尺度不变图像匹配方法，包括特征点检测、特征点描述、特征点匹配三个步骤；假设数据库中存在的某场景图像为图像A，待匹配图像为图像B，图像A的尺寸为SizeA，图像B的尺寸为SizeB，图像金字塔尺度因子为σ，Oct为金字塔层数，KpA为图像A中特征点集合，每个特征点对应生成描述符组成的集合为DptA，KpB为图像B中的特征点集合，对应生成描述符组成的集合为DptB，M为两幅图像之间特征点匹配的匹配集合，Mgood为两幅图像之间的最优匹配对集合，其特征在于，包含如下步骤：A.特征点检测：建立多尺度图像金字塔，分别在每一层进行FAST特征点检测；B.特征点方向计算：采用重心向量方向作为特征点方向，重心向量由采样区域中心指向采样区域重心；重心位置计算采用如下公式：其中，Gx与Gy分别代表重心位置的水平坐标与垂直坐标，I(x，y)表示位于(x，y)坐标位置像素的灰度值，x和y为位于(x，y)位置像素的横坐标与纵坐标；C.特征点描述：旋转采样区域，将采样区域划分为n×n个单元，利用如下公式分别计算单元内部平均灰度、水平梯度以及垂直梯度：其中Fintesity为单元区域平均灰度，FGradientX为单元区域水平梯度，FGradientY为单元区域垂直梯度，P代表某个划分单元，Scell为单个单元区域P所包含的像素个数，k为指定区域内的像素，Pright、Pleft、Pdown以及Pup分别为P区域内右半部分、左半部分、下半部分和上半部分，Intensity(k)为像素灰度值；计算出所有子单元这三个分量后，使用二值化公式，依次比较n×n个单元之间三个分量关系，并生成二值描述符；D.特征点匹配。