[发明专利]基于改进SURF特征的视觉词袋模型构建方法

摘要

基于改进SURF特征的视觉词袋模型构建方法，使用添加渐变信息的盒子滤波模板代替高斯滤波，该模板与高斯二阶微分模板更加接近；在SURF特征表达时，减少了时间上的开销，并在保证旋转不变性的同时将SURF描述子降为32维；构建词袋时，使用上述改进SURF算法提取图像库中所有改进SURF特征，采用k‑means聚类方法将所有SURF特征聚类成为视觉单词，这样每幅图像表示为各个视觉单词出现频率的高维向量。本方法包含了图像更丰富的渐变信息，并且省略了一次Haar小波计算步骤；与直接使用SURF特征相比，可以很好地解决不同图像提取出的特征数量不统一的问题，并且词袋模型能将多幅图像用一定量的视觉单词表示，节约空间，处理方便，可扩展性强。

主权项

1.基于改进SURF特征的视觉词袋模型构建方法，其特征在于：该方法具体的实现步骤如下，Step1：对图像库中所有图像，提取改进SURF特征：Step1.1：对图像I，计算积分图像IΣ；Step1.2：使用添加了渐变信息的盒子滤波模板对积分图像IΣ进行盒子滤波计算，构建尺度空间；Step1.3：在尺度空间中，在每个3×3×3的局部区域里，使用非最大值抑制检测极值点，并记下极值点的位置作为特征点；Step1.4：以特征点为圆心，以10S为半径作圆形邻域，S为样本所处空间的尺度值；在邻域内以尺寸为4S的Haar小波模板对图像进行处理，计算邻域内所有特征点在x，y方向的Haar小波响应，并赋给每个向量不同的高斯权重，越靠近圆心，贡献值越大，特征点赋值权重越大；Step1.5：以一个圆心角为的扇形旋转遍历整个圆形邻域，共有8个窗口；每一次滑动到图3中的窗口内时，计算该窗口内Haar小波响应值的和；设d_x，d_y分别代表水平和垂直方向的Haar小波响应，m_ω为方向矢量，θ_ω为方向矢量的角度，则：Vi＝(∑dx,∑dy,∑|dx|,∑|dy|),i＝1,2,...,8Step1.6：比较8个窗口的mω值，对8个mω按从大到小的顺序排序，以最大的mω的方向为特征点的主方向；Step1.7：按照mω值由大到小的顺序，将对应的8个Vi按顺序排列，得到8×4＝32维改进SURF特征描述子；Step2：对所有提取出的改进SURF特征，用k‑means算法聚类成为k个视觉单词，表示为K＝(k1,k2,k3,...,kk)；其中聚类中心k的选择应依据不同图像库的特点而确定，k越大词袋模型对图像的代表能力越强，但同时k越大计算时间越长；Step3：将图像库中每一幅图像，按照每个视觉单词出现的频率表示为k维向量，在图像P中，视觉单词k1出现1次，k2出现2次，kk‑1出现k‑1次，kk出现k次，则将图像P表示为向量P＝(1,2,...,k‑1,k)；每幅图像用词袋模型表示成的向量都不同，越相似的图像之间，向量距离肯定越小，依照这样的方式实现图像分类和图像检索。