CN102663442B

CN102663442B - 基于直线二分法的不规则区域自动匹配方法

Info

Publication number: CN102663442B
Application number: CN201210069697.9A
Authority: CN
Inventors: 刘红敏; 王志衡; 侯占伟; 夏玉玲; 王俊峰
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2012-03-05
Filing date: 2012-03-05
Publication date: 2014-02-26
Anticipated expiration: 2032-03-05
Also published as: CN102663442A

Abstract

本发明涉及一种数字图像中基于位置二分法的不规则区域自动匹配方法，包括：采集图像并输入计算机；利用已有区域检测方法检测区域；计算区域最大对称位置；计算区域内各点的特征向量；利用梯度幅值极值计算区域关键点；计算区域关键点对应的区域描述向量；通过计算各区域描述向量的均值向量与标准差向量获得区域描述子；利用区域描述子进行区域匹配。相对于已有的区域匹配方法，本发明提供的方法既不需要进行固定形状拟合，又不需要进行分块处理，对图像形变具有更好的稳定性。

Description

基于直线二分法的不规则区域自动匹配方法

技术领域

本发明涉及一种计算机视觉中的图像不规则区域特征的自动匹配方法。

背景技术

图像特征匹配技术在图像检索、物体识别、视频跟踪以及增强现实等诸多领域有重要应用。近些年来以尺度不变特征变换(Scale Invariant FeatureTransform，简称SIFT)技术的提出为标志，图像特征匹配领域取得了较大进展，形成了一批成熟的特征匹配算法，如SIFT、GLOH、Shape Context等(具体见文献A performance evaluation of local descriptors.IEEETransactions on Pattern Analysis and Machine Intelligence，2005，27(10)：1615-1630)。

各种已有匹配方法对图像中区域特征进行匹配时采用的基本思路如下：首先将不规则区域拟合为规则区域(如圆、椭圆、正方形)或者直接选取规则区域作为构造描述子的支撑区域；然后在规则区域上进行固定大小的子区域划分(将支撑区域划分为若干个固定大小的子区域)，最后通过计算子区域描述子并进行区域匹配。各种方法的区别主要在于选取支撑区域形状不同、子区域划分不同以及构造区域描述子选取的特征不同。

但是，由于拍摄图像时视角经常发生变化，一组待匹配图像之间经常存在形变，已有方法利用固定形状作为支撑区域将会导致支撑区域包含的图像内容不一致，并且进行固定大小的子区域划分后各子区域包含的内容也不一致，从而降低了匹配结果的准确性，可以说已有各种区域匹配方法对于图像形变比较敏感。

发明内容

本发明针对数字图像中已有区域匹配方法对形变的敏感问题，目的是提供一种对形变具有更好稳定性的自动区域匹配方法。为了实现本目的，本发明基于直线二分法的不规则区域自动匹配方法，包括以下步骤：

步骤S1：采集图像并输入计算机；

步骤S2：利用已有区域检测方法检测区域；

步骤S3：计算区域最大对称位置；

步骤S4：将区域内各点梯度向量与区域均值向量进行运算获得区域内各点的特征向量；

步骤S5：利用梯度幅值极值计算区域关键点；

步骤S6：计算区域关键点对应的区域描述向量；

步骤S7：计算各区域描述向量的均值向量与标准差向量获得区域描述子。

步骤S8：利用区域描述子之间的欧式距离进行区域匹配。

本发明提供的基于直线二分法的不规则区域自动匹配方法，主要利用了图像区域内关键点相对于直线的位置关系在形变时能够保持不变这一性质，首先确定区域的最大对称位置、计算各点的特征向量并确定区域内关键点，然后分别利用各关键点与最大对称位置构成直线将区域划分为两个子区域并计算描述向量，最后通过计算各描述向量的统计量来获得区域描述子并进行匹配。由于点与直线的相对位置关系在图像形变下是保持不变的，因此利用各关键点与最大对称位置确定的直线对区域进行划分与特征描述在形变下具有稳定性。本发明提供的方法在构造区域描述子过程中既不需要进行形状拟合又不需要进行固定大小子区域划分，减少了由于图像形变造成的误差，因此在对图像形变的稳定性方面优于已有方法。

附图说明

图1为本发明基于直线二分法的不规则区域自动匹配方法流程图。

具体实施方式

如图1所示为本发明基于直线二分法的不规则区域自动匹配方法流程图，包括步骤：采集图像并输入计算机；利用已有区域检测方法检测区域；计算区域最大对称位置；计算区域内各点的特征向量；利用梯度幅值极值计算区域关键点；计算区域关键点对应的区域描述向量；通过计算各区域描述向量的均值向量与标准差向量获得区域描述子；利用区域描述子进行区域匹配。各步骤的具体实施细节如下：

步骤S1：从不同角度拍摄同一场景两幅不同图像并输入计算机；

步骤S2：利用已有区域检测技术进行区域检测，如使用MSER技术；

步骤S3：计算每个区域G的最大对称位置P_C，具体方式为，以区域G内的任一位置P为中心，引出18条直线L_i将整个圆周等分为36份；记G内直线L_i两侧的像素数分别为N_L(i)，N_R(i)，定义为P处的不对称性；将区域G内不对称性最小的位置P_C确定为区域G的最大对称位置；

步骤S4：计算区域G内各点的特征向量，具体方式为，利用高斯梯度模板计算区域G内各点的梯度向量，记G内点X(x，y)处的高斯梯度为[d_x，d_y]，G内各点的平均梯度为[V_x，V_y]，计算点X(x，y)处的特征向量s＝[s₁，s₂]，其中s₁＝d_x·V_x+d_y·V_y，s₂＝d_x·V_y-d_y·V_x；

步骤S5：利用梯度幅值极值计算区域关键点，具体方式为，记区域G内任一点X(x，y)处的梯度幅值为E(x，y)，在阈值T约束下，将在3×3邻域内梯度幅值为极大值的点作为区域G内的关键点，即满足如下条件：

E(x，y)＞T，E(x，y)＞E(x+1，y+1)，E(x，y)＞E(x-1，y-1)，

E(x，y)＞E(x-1，y)，E(x，y)＞E(x+1，y)，E(x，y)＞E(x，y-1)，

E(x，y)＞E(x，y+1)，E(x，y)＞E(x-1，y+1)，E(x，y)＞E(x+1，y-1)；所述阈值T的具体确定方法为：T＝Mean(E)+k·Std(E)，Mean(E)与Std(E)分别表示所述区域内各点梯度幅值的均值与标准差，比例系数k的取值范围为2～3；

步骤S6：计算区域G内关键点对应的区域描述向量，具体方式为，记步骤S5获得区域G的关键点分别为P₁，P₂...P_n，关键点P_i与区域G的对称位置P_C确定的直线将区域G分为两个子区域，对两个子区域内各点的梯度幅值求和，记梯度幅值求和较大、较小的子区域分别为G_B、G_S；在两个子区域内区分正负对步骤S4获得的各点特征向量分量进行累加，可获得关键点P_i对应的8维区域描述向量V_i＝[v_i1，v_i2，...，v_i8]，其中

v_{i 1} = \underset{s_{1} (X) > 0 andX &Element; G_{B}}{Σ} s_{1} (X),

v_{i 2} = \underset{s_{1} (X) < 0 andX &Element; G_{B}}{Σ} s_{1} (X),

v_{i 3} = \underset{s_{2} (X) > 0 andX &Element; G_{B}}{Σ} s_{2} (X),

v_{i 4} = \underset{s_{2} (X) < 0 andX &Element; G_{B}}{Σ} s_{2} (X),

v_{i 5} = \underset{s_{1} (X) > 0 andX &Element; G_{S}}{Σ} s_{1} (X),

v_{i 6} = \underset{s_{1} (X) < 0 andX &Element; G_{S}}{Σ} s_{1} (X),

v_{i 7} = \underset{s_{2} (X) > 0 andX &Element; G_{S}}{Σ} s_{2} (X),

v_{i 8} = \underset{s_{2} (X) < 0 andX &Element; G_{S}}{Σ} s_{2} (X);

步骤S7：计算各关键点区域描述向量的均值与标准差获得区域描述子，具体方式为，记G内关键点P₁，P₂...P_n确定的区域描述向量分别为V₁，V₂，...，V_n，将V₁，V₂，...，V_n各分量的均值组成一个向量并进行归一化获得G的8维均值向量V_M＝[v_M1，v_M2，...v_M8]/||v_M1，v_M2，...，v_M8||，其中||·||表示向量取模运算；将V₁，V₂，...，V_n各分量的标准差组成一个向量并进行归一化获得区域G的8维标准差向量V_S＝[v_S1，v_S2，...，v_S8]/||v_S1，v_S2，...，v_S8||，其中将均值向量V_M与标准差向量V_S组成一个向量并进行归一化可获得区域G的16维区域描述子D＝[V_M，V_S]/||[V_M，V_S]||；

步骤S8：利用区域描述子进行区域匹配，具体方式为，记第1幅图像中待匹配区域G₁₁，G₁₂、...，G_1m的区域描述子分别为D₁₁，D₁₂、...，D_1m，第2幅图像中的待匹配区域G₂₁，G₂₂、...，G_2n的描述子分别为D₂₁，D₂₂、...，D_2n，对于D₁₁，D₁₂、...，D_1m中的任一区域描述子D_1i，找到D₁₁，D₂₂、...，D_2n中与D_1i欧氏距离最小的区域描述子D_2j，如果D_1i同时也是D₁₁，D₁₂、...，D_1m中与D_2j欧氏距离最小的区域描述子，则G_1i与D_2j为一对匹配区域。

本发明提供的基于直线二分法的不规则区域自动匹配方法，主要利用了图像区域内关键点相对于直线的位置关系在形变时能够保持不变这一规律，首先确定区域的最大对称位置、计算各点的特征向量并确定区域内关键点，然后依次利用各关键点与最大对称位置构成直线将区域划分为两个子区域并计算描述向量，最后通过计算各描述向量的统计量来获得区域描述子并进行匹配。由于点与直线的相对位置关系在图像形变下是保持不变的，因此利用各关键点与最大对称位置确定的直线对区域进行划分在形变下具有稳定性。本发明提供的方法在构造区域描述子过程中既不需要进行形状拟合又不需要进行固定大小子区域划分，减少了由于图像形变造成的误差，因此在对图像形变的稳定性方面优于已有方法。

Claims

1.一种数字图像中基于直线二分法的不规则区域自动匹配方法，其特征在于，包括步骤：

步骤S2：利用已有区域检测技术进行区域检测；

E(x，y)＞T，E(x，y)＞E(x+1，y+1)，E(x，y)＞E(x-1，y-1)，

E(x，y)＞E(x-1，y)，E(x，y)＞E(x+1，y)，E(x，y)＞E(x，y-1)，

E(x，y)＞E(x，y+1)，E(x，y)＞E(x-1，y+1)，E(x，y)＞E(x+1，y-1)；

所述阈值T的具体确定方法为：T＝Mean(E)+k·Std(E)，Mean(E)与Std(E)分别表示所述区域内各点梯度幅值的均值与标准差，比例系数k的取值范围为2～3；

v_{i 1} = \underset{s_{1} (X) > 0 andX &Element; G_{B}}{Σ} s_{i} (X), v_{i 2} = \underset{s_{1} (X) < 0 andX &Element; G_{B}}{Σ} s_{1} (X),

v_{i 3} = \underset{s_{2} (X) > 0 andX &Element; G_{B}}{Σ} s_{2} (X), v_{i 4} = \underset{s_{2} (X) < 0 andX &Element; G_{B}}{Σ} s_{2} (X), v_{i 5} = \underset{s_{1} (X) > 0 andX &Element; G_{S}}{Σ} s_{1} (X),

v_{i 6} = \underset{s_{1} (X) < 0 andX &Element; G_{S}}{Σ} s_{1} (X), v_{i 7} = \underset{s_{2} (X) > 0 andX &Element; G_{S}}{Σ} s_{2} (X), v_{i 8} = \underset{s_{2} (X) < 0 andX &Element; G_{S}}{Σ} s_{2} (X);

步骤S7：计算各关键点区域描述向量的均值与标准差获得区域描述子，具体方式为，记G内关键点P₁，P₂...P_n确定的区域描述向量分别为V₁，V₂，...，V_n，将V₁，V₂，...，V_n各分量的均值组成一个向量并进行归一化获得G的8维均值向量V_M=[v_M1，v_M2，...，v_M8]/||v_M1，v_M2，...，v_M8||，其中

||·||表示向量取模运算；将V₁，V₂，...，V_n各分量的标准差组成一个向量并进行归一化获得区域G的8维标准差向量V_S＝[v_S1，v_S2，...，v_S8]/||v_S1，v_S2，...，v_S8||，其中

将均值向量V_M与标准差向量V_S组成一个向量并进行归一化可获得区域G的16维区域描述子D=[V_M，V_S]/||[V_M，V_S]||；

步骤S8：利用区域描述子进行区域匹配，具体方式为，记第1幅图像中待匹配区域G₁₁，G₁₂、...，G_1m的区域描述子分别为D₁₁，D₁₂、...，D_1m，第2幅图像中的待匹配区域G₂₁，G₂₂、...，G_2n的描述子分别为D₂₁，D₂₂、...，D_2n，对于D₁₁，D₁₂、...，D_1m中的任一区域描述子D_1i，找到D₂₁，D₂₂、...，D_2n中与D_1i欧氏距离最小的区域描述子D_2j，如果D_1i同时也是D₁₁，D₁₂、...，D_1m中与D_2j欧氏距离最小的区域描述子，则G_1i与G_2j为一对匹配区域。