鬼佬大哥大
  • / 15
  • 下載費用:30 金幣  

一種緊湊的圖像局部特征描述子的構造方法.pdf

摘要
申請專利號:

CN201410151685.X

申請日:

2014.04.15

公開號:

CN103955690A

公開日:

2014.07.30

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06K 9/46申請日:20140415|||公開
IPC分類號: G06K9/46; G06T7/00 主分類號: G06K9/46
申請人: 合肥工業大學
發明人: 檀結慶; 李瑩瑩; 鐘金琴
地址: 230009 安徽省合肥市屯溪路193號
優先權:
專利代理機構: 合肥天明專利事務所 34115 代理人: 張祥騫;奚華保
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410151685.X

授權公告號:

||||||

法律狀態公告日:

2017.03.01|||2014.08.27|||2014.07.30

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明涉及一種緊湊的圖像局部特征描述子的構造方法,與現有技術相比解決了描述能力強的圖像局部描述子的維度較高,導致特征匹配計算代價大,常用的降維方法影響圖像局部特征描述子的區分度和直觀性的缺陷。本發明包括確定特征區域;特征區域的劃分和編號;在特征區域上計算點的主導中心對稱局部二值模式編碼;以劃分子區域為單位,計算每個劃分子區域上的主導中心對稱局部二值模式的特征向量;按照劃分子區域的編號順序,將每個劃分子區域上的主導中心對稱局部二值模式的特征向量排列起來。本發明構造的描述子具有維度低、描述能力和區分度強的特點,對圖像的旋轉變換和光照變換具有較強的魯棒性,計算簡單,匹配速度快。

權利要求書

權利要求書
1.  一種緊湊的圖像局部特征描述子的構造方法,其特征在于,包括以下步驟:
11)確定特征區域,通過特征點檢測來確定特征區域的位置,為特征區域選取合適的尺度和大小;
12)特征區域的劃分和編號,將特征區域劃分成大小相等、灰度單調的K個子區域,其中K>1,按點像素值的大小為第一順序,點行掃描的位置順序為第二順序劃分子區域,按劃分次序給劃分的子區域編號,標識劃分的子區域;
13)在特征區域上計算點的主導中心對稱局部二值模式編碼;
14)以劃分子區域為單位,計算每個劃分子區域上的主導中心對稱局部二值模式的特征向量;
15)按照劃分子區域的編號順序,將每個劃分子區域上的主導中心對稱局部二值模式的特征向量排列起來,生成圖像的局部特征描述子。

2.  根據權利要求1所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,所述的特征區域的劃分和編號包括以下步驟:
21)對于選定的特征區域的點按像素值進行排序;
22)以點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序,將特征區域劃分成點數相等的K個子區域,并按劃分的順序給子區域編號;
23)給出特征區域的劃分和編號模板,模板大小與特征區域相等,模板中點的像素值等于特征區域對應位置點所屬子區間的編號。

3.  根據權利要求1所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,所述的在特征區域上計算點的主導中心對稱局部二值模式編碼包括以下步驟:
31)對特征區域的任意一點Xj,建立該點的協坐標系,P為該特征區域的中心,射線PXi是該點對應的坐標系的極軸,在Xj的半徑為1的八鄰域內,取靠近極軸PXi且遠離P點的點為n1,順時針方向依次在八鄰域取剩下的七個點,分別記為n2、n3、n4、n5、n6、n7、n8。
32)計算該點Xj的主導的中心對稱局部二值模式的編碼,
計算公式如下:
DCSLBP1,8,T(Xj)=Σi=14sign(ni-ni+4)2i-1Dom(CSLBP)1-1Dom(CSLBP)>1]]>
這里

公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的協坐標系下順時針選取,則DCSLBP1,8,T(Xj)計算結果有九個值:0、1、3、7、8、12、14、15、-1,當DCSLBP1,8,T(Xj)≧0,該點的對應的模式是主導中心對稱局部二值模式;如果計算結果DCSLBP1,8,T(Xj)﹤0,該點的對應的模式是非主導中心對稱局部二值模式。

4.  根據權利要求1所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,所述的計算每個劃分子區域上的主導中心對稱局部二值模式的特征向量包括以下步驟:
41)根據劃分的子區域模板信息,在每個子區域上,統計8個主導中心對稱局部二值模式的分布概率,計算出每個子區域的主導中心對稱局部二值模式的分布直方圖,非主導中心對稱局部二值模式的對應的點不參與統計;
42)以主導中心對稱局部二值模式的分布直方圖每一柱的分布概率值作為分量,分布直方圖對應的8個分量按主導中心對稱局部二值模式的編碼大小順序排列,生成劃分子區域上的主導中心對稱局部二值模式的特征向量。

5.  根據權利要求2所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,所述的以點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序,將特征區域劃分成點數相等的K個子區域包括以下步驟:
51)確定子區間的點數N,N=特征區域的總點數/子區域的個數K;
52)定義變量,I1為前一個劃分的子區域的最大像素值,I2為當前劃分子區域的最大像素值,left為像素值等于I1但沒有被劃分的點的集合,countcurrent為準備劃分到當前的子區域點的個數,t表示劃分當前子區域的序號,設置初始值I1=0,I2=1,t=1,left為空集,countcurrent=0;
53)如果t≦K,在區域R中統計像素值大于I1、小于等于I2的點集new,將new集合和left集合的點的個數累加賦值給countcurrent;若countcurrent小于N,則繼續下一步;若countcurrent等于N或者I2>256,則進行第55步處理;若countcurrent大于N,I1=I2,進行第56步處理;若t>K,則進行第57步處理;
54)I2=I2+1,返回53步處理;
55)標識left∪new為第t個子區域Rt,left置為空集,t=t+1,I1=I2,I2=I2+1,返回53步處理;
56)在left∪new集合中,按行掃描的次序取N個點標識為第t個子區域Rt,t=t+1,剩下的點放入left集合返回第53步處理;
57)輸出標識的子區域R1、R2、...RK。

6.  根據權利要求1所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,還包括圖像局部特征描述子在尺度空間的擴展,其包括以下步驟:
61)對檢測到的特征點,選擇多個尺度下的特征區域;
62)對選擇的每個尺度的特征區域,按照第11步、第12步、第13步、第14步和第15步生成該尺度下的特征區域的局部特征描述向量;
63)按照尺度的大小,將對應尺度下的特征區域的局部特征描述向量進行排列,構成多尺度下的特征區域的局部特征描述子。

7.  根據權利要求1所述的一種緊湊的圖像局部特征描述子的構造方法,其特征在于,還包括圖像局部特征描述子在顏色空間的擴展,其包括以下步驟:
71)對檢測到的特征點,選擇特定尺度下的特征區域;
72)選擇彩色圖像的顏色空間,將既定的顏色空間的通道排序,對每一個通道,按照第11步、第12步、第13步、第14步和第15步生成該通道下的特征區域的局部特征向量;
73)按照既定顏色空間的通道的排序,將特征區域內對應通道的局部描述向量排列起來,構成顏色空間上的特征區域的局部特征描述子。

說明書

說明書一種緊湊的圖像局部特征描述子的構造方法
技術領域
本發明涉及視覺處理技術領域,具體來說是一種緊湊的圖像局部特征描述子的構造方法。
背景技術
近年來,圖像的局部特征受到眾多研究人員關注,由于它們對圖像的形變和光線變換的魯棒性和對圖像部分遮擋的健壯性,而被廣泛應用于視覺應用領域,如目標檢索、目標識別,人臉識別,行為分類等。理想的局部特征描述子要求有較好的描述能力和區分度,并且能快速生成、快速匹配。局部描述子的低維特性是保證的其快速匹配的重要因素,但許多有影響力的局部特征描述子維度都較高,對于同一局部特征描述子降低其維度,就可能降低其相應的區分度和描述能力,影響其在視覺應用中匹配的準確性。描述子的維度和其特征描述能力之間的矛盾,一直是具有挑戰性的難題。描述子的維度影響算法的匹配速度,而低維的描述子又因為特征描述能力的不充分,影響特征匹配的準確度。
現有的解決方法多集中在對描述能力強的高維度的局部特征描述子的降維的研究,降維就是應用出于匹配時效的考慮,將原始的特征描述子投影到一個低維特征空間,得到最能反應原有特征本質或進行特征區分的低維特征,例如主成分分析法(PCA)(見非專利文獻1),對應有代表性的降維方法生成的局部描述子為PCA-SIFT。降維方法的局限性在于降維的時間開銷增加了局部特征描述子的生成時間,而且降維后的特征結果不直觀,很難在應用中擴展或和其他特征進行融合。如何構造一種緊湊的、直觀的、低維度的,并具有良好的描述能力和區分度的局部特征描述子已經成為急需解決的技術問題。
發明內容
本發明的目的是為了解決描述能力強的圖像局部描述子的維度較高,導致特征匹配計算代價大,降維方法影響圖像局部特征描述子的區分度和直觀性的缺陷,提供一種緊湊的圖像局部特征描述子的構造方法來解決上述問題。
為了實現上述目的,本發明的技術方案如下:
一種緊湊的圖像局部特征描述子的構造方法,其特征在于,包括以下步驟:
確定特征區域,通過特征點檢測來確定特征區域的位置,為特征區域選取合適的尺度和大小;
特征區域的劃分和編號,將特征區域劃分成大小相等、灰度單調的K個子區域,其中K>1,按點像素值的大小為第一順序,點行掃描的位置順序為第二順序劃分子區域,按劃分次序給劃分的子區域編號,標識劃分的子區域;
在特征區域上計算點的主導中心對稱局部二值模式編碼;
以劃分子區域為單位,計算每個劃分子區域上的主導中心對稱局部二值模式的特征向量;
按照劃分子區域的編號順序,將每個劃分子區域上的主導中心對稱局部二值模式的特征向量排列起來,生成圖像的局部特征描述子。
所述的特征區域的劃分和編號包括以下步驟:
對于選定的的特征區域的點按像素值進行排序;
以點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序,將特征區域劃分成點數相等的K個子區域,并按劃分的順序給子區域編號;
給出特征區域的劃分和編號模板,模板大小與特征區域相等,模板中點的像素值等于特征區域的對應位置點所屬子區間的編號。
所述的在特征區域上計算點的主導中心對稱局部二值模式編碼包括以下步驟:
對特征區域的任意一點Xj,建立該點的協坐標系,P為該特征區域的中心,射線PXi是該點對應的坐標系的極軸,在Xj的半徑為1的八鄰域內,取靠近極軸PXi且遠離P點的點為n1,順時針方向依次在八鄰域取剩下的七個點,分別記為n2、n3、n4、n5、n6、n7、n8。
計算該點Xj的主導的中心對稱局部二值模式的編碼,
計算公式如下:
DCSLBP1,8,T(Xj)=Σi=14sign(ni-ni+4)2i-1Dom(CSLBP)1-1Dom(CSLBP)>1]]>
這里

公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的協坐標系下順時針選取,則DCSLBP1,8,T(Xj)計算結果有九個值:0、1、3、7、8、12、14、15、-1,當DCSLBP1,8,T(Xj)≧0,該點的對應的模式是主導中心對稱局部二值模式;如果計算結果DCSLBP1,8,T(Xj)﹤0,該點的對應的模式是非主導中心對稱局部二值模式。
所述的計算每個劃分子區域上的主導中心對稱局部二值模式的特征向量包括以下步驟:
根據劃分的子區域模板信息,在每個子區域上,統計8個主導中心對稱局部二值模式的分布概率,計算出每個子區域的主導中心對稱局部二值模式的分布直方圖,非主導中心對稱局部二值模式的對應的點不參與統計;
以主導中心對稱局部二值模式的分布直方圖每一柱的分布概率值作為分量,分布直方圖對應的8個分量按主導中心對稱局部二值模式的編碼大小順序排列,生成劃分子區域上的主導中心對稱局部二值模式的特征向量。
所述的以點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序,將特征區域劃分成點數相等的K個子區域包括以下步驟:
步驟一:確定子區間的點數N,N=特征區域的總點數/子區域的個數K;
步驟二:定義變量,I1為前一個劃分的子區域的最大像素值,I2為當前劃分子區域的最大像素值,left為像素值等于I1但沒有被劃分的點的集合,countcurrent為準備劃分到當前的子區域點的個數,t表示當前劃分子區域的序號,設置初始值I1=0,I2=1,t=1,left為空集,countcurrent=0;
步驟三:如果t≦K,在區域R中統計像素值大于I1、小于等于I2的點集new,將 new集合和left集合的點的個數累加賦值給countcurrent;若countcurrent小于N,則繼續下一步;若countcurrent等于N或者I2>256,則進行步驟五處理;若countcurrent大于N,I1=I2,進行步驟六處理;若t>K,則進行步驟七處理;
步驟四:I2=I2+1,返回步驟三處理;
步驟五:標識left∪new為第t個子區域Rt,left置為空集,t=t+1,I1=I2,I2=I2+1,返回步驟三處理;
步驟六:在left∪new集合中,按行掃描的次序取N個點標識為第t個子區域Rt,t=t+1,剩下的點放入left集合返回步驟三處理;
步驟七:輸出標識的子區域R1、R2、...RK。
還包括圖像局部特征描述子在尺度空間的擴展,其包括以下步驟:
對檢測到的特征點,選擇多個尺度下的特征區域;
對選擇的每個尺度的特征區域,按照第11步、第12步、第13步、第14步和第15步生成該尺度下的特征區域的局部特征描述向量;
按照尺度的大小,將對應尺度下的特征區域的局部特征描述向量進行排列,構成多尺度下的特征區域的局部特征描述子。
還包括圖像局部特征描述子在顏色空間的擴展,其包括以下步驟:
對檢測到的特征點,選擇特定尺度下的特征區域;
選擇彩色圖像的顏色空間,將既定的顏色空間的通道排序,對每一個通道,按照第11步、第12步、第13步、第14步和第15步生成該顏色通道下的特征區域的局部特征描述向量;
按照既定顏色空間的通道的排序,將特征區域內對應通道的局部特征向量排列起來,構成顏色空間上的特征區域的局部特征描述子。
有益效果
本發明的一種緊湊的圖像局部特征描述子的構造方法,與現有技術相比構造的描述子具有維度低、特征直觀,區分力和描述力強的特點,對圖像的旋轉變換和光照變換具有較強的魯棒性,計算簡單,匹配速度快。本發明描述子因為其緊湊的格式,很好地平衡了描述子描述能力大小和維度高低的矛盾,既保持了一定的描述能力和區分度,又降低了維度,減少了描述子生成時間和匹配時間;同時由于其特征直觀的優勢,可以在尺度空間和顏色空間擴展,形成更強大的局部特征描述子,并且可以和其他圖像特征進行融合,具有更強的處理能力。構造的局部特征描述子在目標識別和場景識別及圖像檢索等領域應用中,提高了其應用執行的效率和準確度。
附圖說明
圖1為本發明的方法流程圖
圖2為本發明的特征區域的劃分和編號效果圖
圖3為本發明的DCSLBP編碼計算的協坐標系
圖4為Oxford Data數據庫6類特定變化下有代表性的6對圖片對比圖
圖5是對圖4中的6對圖像對的匹配效果用recall/1-precision曲線表示圖
具體實施方式
為使對本發明的結構特征及所達成的功效有更進一步的了解與認識,用以較佳的實施例及附圖配合詳細的說明,說明如下:
如圖1所示,本發明所述的一種緊湊的圖像局部特征描述子的構造方法,包括以下步驟:
第一步,確定特征區域,通過特征點檢測來確定特征區域的位置,為特征區域選取合適的尺度和大小。確定特征區域步驟按現有技術中的方法來做即可,選取合適的尺度和區域大小,比如尺度選為1.6,大小為41X41像素點,確定一個特征區域R,這里根據不同的應用,尺度和特征區域大小都可以改 變。
(1)用仿射不變的特征檢測子Hessian-Affine(見非專利文獻3),檢測出特征點,根據不同的應用選擇合適的尺度,如果圖像的尺度沒有經驗值或估計值,可以選擇多個尺度。
(2)對選定的尺度,以特征點為中心,選定相應尺度的特征不變區域,通過仿射變換歸一化,形成特定大小的特征區域。
第二步,特征區域的劃分和編號,將特征區域劃分成大小相等、灰度單調的K個子區域,其中K>1,按點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序劃分子區域,按劃分次序編號并標識劃分子區域。傳統的特征區域劃分方法是笛卡爾網格方法或極坐標網格方法,本發明的特征區域劃分方法不同于傳統的特征劃分的方法。
將特征區域劃分成K個子區域(10≧K≧2),劃分示例如圖2所示,圖2左圖是原始的特征區域,右面4個圖是劃分的K(K=4)個特征子區域,每個圖的子區域用白色標注。K的取值根據不同的應用需求選取,一般取2-10之間的整數(子區域劃分的個數考慮特征區域的大小和對要構造局部特征描述子的描述能力的要求),每個子區域Rj(j=1…K)的像素點數相等,且子區域的像素點的值是區域單調的,滿足以下約束。
特征區域R的任意兩個子區域,滿足
1)劃分的子區域內的點數相等;
2)編號小的子區域的點的像素值不大于編號大的子區域的點的像素值;
3)如果兩個子區域中有像素值相同的點,對于這些點,編號小的子區域的點的行掃描次序一定小于編號大的子區域的點的行掃描次序。
劃分特征區域子區間的思路為:首先計算要劃分特征子區域的點數N,按特征區域內灰度遞增的方式依次劃分子區間,如果在某個灰度值上相等的點超過N,對該灰度值上的點依次按其行掃描的次序劃分到不同的子區域內,即按特征區域內點的像素值的大小為第一順序,點的行掃描的位置順序為第二順序劃分子區域,劃分后的子區域的點數相等,且子區域間按劃分次序灰度值單調上升。包括以下步驟:
對于選定的的特征區域的點按其像素值進行排序;
以點的像素值的大小為第一順序、點的行掃描的位置順序為第二順序,將特征區域劃分成點數相等的K個子區域,并按劃分的順序給子區域編號;
給出特征區域的劃分和編號模板,模板大小與特征區域相等,模板中點的像素值等于對應特征區域對應位置點所屬子區間的編號。
以上步驟具體的實現包括以下幾步:
1)確定子區間的點數N,N=特征區域的總點數/子區域的個數K;
2)定義變量,I1為前一個劃分的子區域的最大像素值,I2為當前劃分子區域的最大像素值,left為像素值等于I1但沒有被劃分的點的集合,current為準備劃分到當前的子區域點的集合,t表示當前劃分子區域的序號,設置初始值I1=0,I2=1,t=1,left為空集,current為空集;
3)如果t≦K,在區域R中統計像素值大于I1、小于等于I2的點集new,將new集合和left集合的點的個數累加賦值給countcurrent;若countcurrent小于N,則繼續下一步;若countcurrent等于N或者I2>256,則進行第55步處理;若countcurrent大于N,I1=I2,進行第56步處理;若t>K,則進行第57步處理;
4)I2=I2+1,返回第3步處理;
5)標識left∪new為第t個子區域Rt,left置為空集,t=t+1,I1=I2,I2=I2+1,返回第3步處理;
6)在left∪new集合中,按行掃描的次序取N個點標識為第t個子區域Rt,t=t+1,剩下的點放入left集合返回第3步處理;
7)輸出標識的子區域R1、R2、...RK。
本發明提出一種新的適于構造局部特征描述子的紋理特征--主導中心對稱局部二值模式特征向量,并給出主導中心對稱局部二值模式的定義和編碼計算公式。該模式特征不同于已有的LBP(見非專利文獻4),OC-LBP(見非專利 文獻5),CS-LBP(見非專利文獻6)等二值特征描述方式,本發明提出的主導中心對稱局部二值模式包含8個模式,LBP包含256個模式,OC-LBP包含32個模式,CS-LBP包含16個模式。主導中心對稱局部二值模式對應的特征向量為8維,維數低于以上三種模式的特征描述,但其特征向量的描述能力接近CS-LBP,具有維度低和描述能力強的特性,而且在光照變換的魯棒性優于傳統的局部特征描述子中常用的梯度特征。
第三步,在特征區域上計算點的主導中心對稱局部二值模式編碼。其包括以下步驟:
(1)對特征區域的任意一點Xj,建立該點的協坐標系。如圖3所示:P為該特征區域的中心,射線PXi是該點對應的坐標系的極軸。在Xj的半徑為1的八鄰域內,取靠近極軸PXi且遠離P點的點為n1,順時針方向依次在八鄰域取剩下的七個點,分別記為n2、n3、n4、n5、n6、n7、n8。建立協坐標系的目的是保證主導中心對稱局部二值模式的旋轉不變性。
(2)其次計算特征區域內點的主導中心對稱局部二值模式的編碼。對特征區域的任意一點Xj,該點Xj的主導中心對稱局部二值模式的編碼的定義和計算公式如下:
DCSLBP1,8,T(Xj)=Σi=14sign(ni-ni+4)2i-1Dom(CSLBP)1-1Dom(CSLBP)>1]]>
這里

公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的協坐標系下進行第(1)步中的順時針選取。此時DCSLBP1,8,T(Xj)計算結果有九個值:0(0000)、1(0001)、3(0011)、7(0111)、8(1000)、12(1100)、14(1110)、15(1111)、-1,當DCSLBP1,8,T(Xj)≧0,該點對應的模式是主導中心對稱局部二值模式;如果計算結果DCSLBP1,8,T(Xj)﹤0,該點對應的模式是非主導中心對稱局部二值模式。該公式通過對Dom(CSLBP) 的值的約束來定義主導中心對稱局部二值模式,當Dom(CSLBP)≤1,該點對應是主導中心對稱局部二值模式,對應的模式編碼大于零;當Dom(CSLBP)>1,該點對應是非主導中心對稱局部二值模式,對應的模式編碼為-1。非主導中心對稱局部二值模式在特征區域內分布概率很低,在計算特征區域的特征描述時,該模式對應的點被忽略。
每個點按上述公式計算可以得到一個編碼,一個編碼對應一個模式,主導中心對稱局部二值模式的編碼分別是0(0000)、1(0001)、3(0011)、7(0111)、8(1000)、12(1100)、14(1110)、15(1111)都大于零,因此主導中心對稱局部二值模式共有8個不同的模式。
第四步,以劃分子區域為單位,計算每個劃分子區域上的主導中心對稱二值模式的特征向量。計算劃分子區域的主導中心對稱局部二值模式特征向量,方法如下:統計每個子區域的主導中心對稱二值模式的分布直方圖,直方圖的每一柱的分布概率值作為特征向量的分量,分量按直方圖對應的模式編碼大小順序排列,形成了8位的主導中心對稱局部二值模式的特征向量。其具體包括以下步驟:
(1)根據劃分的子區域模板信息,在每個子區域上,統計8個主導中心對稱二值模式的分布概率,得出每個子區域的主導中心對稱二值模式分布直方圖,非主導的中心對稱二值模式的對應的點不參與統計。
(2)每個子區域的主導中心對稱二值模式分布直方圖的每一柱的分布概率值作為分量,8柱直方圖對應的分量按主導中心對稱局部二值模式編碼大小順序排列,生成子區域上的8位的主導中心對稱局部二值模式的特征向量。
第五步,按照劃分子區域的編碼順序,將每個劃分子區域上的主導中心對稱局部二值模式的特征向量排列起來,生成圖像局部特征描述子。
特征區域按第二步進行子區域劃分后,在每一塊子區域上計算主導中心對稱局部二值模式的特征向量,然后將劃分后子區域的主導中心對稱局部二值模式的特征向量按子區域的編號順序排列起來,生成新的特征向量即為該特征區域的局部特征描述子。由于在協坐標下計算的主導中心對稱局部二值模式的分 布概率是基本保持旋轉不變的,特征區域的劃分和編號次序也基本保持旋轉不變,所以生成的特征區域的局部特征描述子也是保持良好的旋轉不變性。
由于本發明的描述子具有緊湊、維度低、計算速度快、特征直觀的優勢,還可以在多尺度空間和顏色空間擴展,生成更強大的描述子。因此還包括本發明在圖像的尺度空間進行擴展。在多尺度空間的擴展的方法:在實施的第一步,進行特征點檢測后,可以取多個尺度,生成不同尺度下的特征區域,在每個特征區域上,按照第一步到第四步的操作,生成每個尺度下的局部特征描述子,然后局部特征描述子按照對應的尺度大小的順序排列,生成多尺度下的局部特征描述子。其具體包括以下步驟:
(1)對檢測到的特征點,選擇多個尺度下的特征區域。
(2)對選擇的每個尺度的特征區域,按照第一步到第五步生成該尺度下的特征區域的局部特征描述向量。
(3)按照尺度的大小,將對應尺度下的特征區域的局部特征描述向量進行排列,構成多尺度下的特征區域的局部特征描述子。
還可以包括本發明在圖像的顏色空間進行擴展,顏色空間的擴展方法:在第二步計算特征區域內點的主導中心對稱局部二值模式編碼時,公式中的ni的像素值可以在不同的顏色空間中取對應的顏色通道值。選擇特定的顏色空間,如RGB空間,HSV空間,在不同通道上計算主導中心對稱局部二值模式編碼及相應的分布直方圖。在每個特征區域上,按照第一步到第四步的操作,先計算某一通道上的局部特征描述子,把不同的通道的局部特征描述子按既定的順序連接起來,就擴展成顏色空間上的局部特征描述子。
其具體包括以下步驟:
(1)對檢測到的特征點,選擇特定尺度下的特征區域。
(2)選擇彩色圖像的顏色空間,對既定的顏色空間的通道排序,對每一個通道,按照第11步、第12步、第13步、第14步和第15步生成該通道下的特征區域的局部特征描述向量。
(3)按照既定顏色空間的顏色通道的排序,將特征區域內對應通道的局部描述向量排列起來,構成顏色空間上的特征區域的特征描述子。
本發明的局部特征描述子因為其緊湊的格式,很好地平衡了局部描述子描述能力大小和維度高低的矛盾,即保持一定的描述能力和區分度,降低了維度,減少了生成時間和匹配時間,和傳統的局部特征描述子相比,在尺度變化不大的多數情況下,可以達到或超過傳統的局部描述子SIFT(見專利文獻1和非專利文獻2),而其維度只有傳統局部特征描述子的1/4。本發明應用于圖像檢索,目標檢測和識別、人臉識別等視覺領域,可以提高其應用執行的效率和準確度。
為了驗證本發明局部特征子的描述能力和區分度,我們在牛津大學的Oxford Data數據庫進行了評估,評估方法采用國際上通用的評估協議recall/1-precision curves(配準率和配全率相關曲線)來測評,評估方法通過不同變換下(比如尺度變換,旋轉、模糊,視角變換下)的圖像對的特征區域匹配來實現,具體就是從一對圖像中提取各自特征區域的局部特征描述子,利用歐式距離來度量圖像對間的局部特征描述子的相似度,當兩個局部特征描述子相似度滿足某個閾值,則認為這兩個對應的特征區域匹配,然后計算在特定閾值下的圖像對的特征區域的配準率和配全率,評測程序和數據庫來自牛津大學網站http://www.featurespace.org/。
如圖4和圖5所示,圖5是對圖4中的6對圖像對的匹配效果用recall/1-precision曲線表示,圖5的縱坐標為recall=配全率=每一對圖片特征區域正確的匹配數/每一對圖片特征區域真實的匹配數,橫坐標為1-precision=1-配準率=每一對圖片錯誤的特征區域的匹配數/每一對圖片匹配過程中特征區域的實際的匹配數,在recall/1-precision curves評估曲線圖中,描述子對應的曲線在上方表示對應的描述子的描述力較強和區分度較好。
實驗結論:在尺度變換不大的情況下,本發明的描述子的描述能力和區分度優于或接近SIFT局部特征描述子。如圖5(ubc,bike,leuven,graf),但我們發明的局部特征描述子的維度只有SIFT的四分之一。圖例中描述子名后的括號里的數字表示該描述子的維數。在尺度變換比較大的情況下,可以通過尺度空間的擴展方法提高本發明描述子的區分度和描述能力,本發明擴展后的描述子和SIFT描述子在同等維度的情況下,在所有的測試圖像對中匹配性能都優于SIFT描述子,說明本發明擴展后的描述子和SIFT描述子同等維度的情 況下,其描述能力和區分度高于SIFT。
再如目標識別應用實驗,本實驗的目的不是驗證目標識別的準確率,而是驗證在特定的識別方法下,應用不同的局部特征描述子的識別效果的不同。數據庫用的Kentucky大學的圖像庫http://vis.uky.edu/~stewe/ukbench/data/。評測方法如下,該圖像庫共有10200張圖片,每4張圖片為一組是同一個目標,每組中的目標從不同視角拍攝(有大的尺度變化),用任意一幅圖片檢索數據庫,返回相似度最高的4張圖片。識別的準確率用返回圖片的正確幅數除以4。任意兩幅圖片I1和I2的相似度的定義如下,分別從I1和I2提取特征區域的局部特征描述子,構成圖像I1的局部特征描述子的集合{f11;f21;...;fm1}和圖像I2的局部特征描述子的集合{f12;f22;...;fn2}。

這里

本發明及本發明的擴展與SIFT描述子在Kentucky目標識別數據庫的識別準確率的比較如表1。

表1
由于本發明的目標識別結果接近SIFT,但由于本發明維數(描述子名后的括號里表示的是該描述子的維數)比SIFT低,本發明的匹配速度是SIFT的兩倍。在相同的維數(或相同的匹配速度)的條件下,本發明的尺度空間擴展描述子的識別準確率優于SIFT描述子。
本專利所涉及的文獻材料目錄如下:
專利文獻1:美國專利第6711293號公報
非專利文獻1:“PCA-SIFT:A more distinctive representation for local image descriptors”, Proceedings of the Conference on Computer Vision and Pattern Recognition(CVPR),(2004)
非專利文獻2:“Distinctive image features from scale-invariant keypoints,”International Journal of Computer Vision,60,2(2004)
非專利文獻3:“Scale&affine invariant interest point detectors”,International journal of computer vision60(1)(2004)
非專利文獻4:“Multi resolution gray-scale and rotation invariant texture classification with local binary patterns”,IEEE Transactions on Pattern Analysis and Machine Intelligence24(7)(2002)
非專利文獻5:“Description of interest regions with local binary patterns”,Pattern recognition42(3)(2009)
非專利文獻6:Image region description using orthogonal combination of local binary patterns enhanced with color information,Pattern Recognition46(7)(2013)
以上顯示和描述了本發明的基本原理、主要特征和本發明的優點。本行業的技術人員應該了解,本發明不受上述實施例的限制,上述實施例和說明書中描述的只是本發明的原理,在不脫離本發明精神和范圍的前提下本發明還會有各種變化和改進,這些變化和改進都落入要求保護的本發明的范圍內。本發明要求的保護范圍由所附的權利要求書及其等同物界定。

關 鍵 詞:
一種 緊湊 圖像 局部 特征 描述 構造 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種緊湊的圖像局部特征描述子的構造方法.pdf
鏈接地址:http://www.wwszu.club/p-6140672.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大