CN106651878B - 一种用于从局部不变特征点中提取直线的方法 - Google Patents
一种用于从局部不变特征点中提取直线的方法 Download PDFInfo
- Publication number
- CN106651878B CN106651878B CN201611193698.9A CN201611193698A CN106651878B CN 106651878 B CN106651878 B CN 106651878B CN 201611193698 A CN201611193698 A CN 201611193698A CN 106651878 B CN106651878 B CN 106651878B
- Authority
- CN
- China
- Prior art keywords
- local
- rectangle
- feature point
- invariant feature
- pane location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于从局部不变特征点中提取直线的方法。包括如下步骤:步骤1,利用局部不变特征点提取算法提取输入图像的局部不变特征点;步骤2,循环选取特征点对,计算其欧氏距离;步骤3,构造矩形;步骤4,估计局部特征点密度;步骤5,对矩形进行k等分,得到k个等面积的方格单元,计算每个方格单元至少包含一个局部特征点的概率:步骤6,统计包含局部特征点的方格单元的数量C;步骤7,计算k个方格单元中至少有C个方格单元包含特征点的概率;步骤8,计算虚警数,输出结果。能够准确的局部不变特征点集中的直线,可以应用于包含直线边缘的目标提取。
Description
技术领域
本发明涉及一种数字图像处理领域,具体说是一种用于从局部不变特征点中提取直线的方法。
背景技术
局部不变特征点是指对图像的各种变化,例如几何、光照、模糊、视点等变化保持不变的局部特征点,局部不变特征点通常存在着一个局部支撑区域,它与图像分割不同,可以是图像的任何子集,其边界不一定要对应图像属性(如颜色和材质)的变化,而且多个不变特征区域间可能有交叉。局部不变特征点的检测具有重要的意义,不仅可以提高处理速度,同时还是一种新的图像表述方法,使得图像不进行分割就可以描述物体或局部。利用提取的局部不变特征点难以直接用于目标的识别,需要通过将其组成一定的曲线或区域才能作为目标的主要特征,经过多年的发展,出现了一系列在局部不变特征点基础进一步提取形状的方法,但就己发表的成果来看,这些方法还存在以下问题:
(1)有效的局部特征点容易受周围异常点的干扰,导致提取的特征对目标识别的作用大大降低;
(2)提取的结果与目标实际的形状存在较大的误差。
发明内容
本发明提供了一种用于从局部不变特征点中提取直线的方法,通过对局部不变特征点进行密度估计,运用方格单元分割的方法,能够有效地去除干扰特征点的影响,方法简单易行,输出结果可靠。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:利用局部不变特征点提取算法提取输入图像的局部不变特征点,结果记为I 0,局部不变特征点的数量记为M;
步骤2:从I 0中循环选取两点P i 和P j ,i∈[1, M],j∈(i, M],计算P i 和P j 之间的欧氏距离D ij ,当D ij 小于阈值T D 时,更新P i 和P j 并继续步骤2,当D ij 大于等于阈值T D 时,进入步骤3;
步骤3:以D ij 为长边,W 0为短边构造包含P i 和P j 的矩形R 0;
步骤4:为了估计局部特征点密度ρ,以D ij 为长边,W 1为短边在矩形R 0的两侧分别构造矩形R 1和R 2,且矩形R 1和R 2的长边分别与矩形R 0的长边重合;
步骤5:统计矩形R 0、R 1和R 2中的特征点数,分别记为M 0、M 1和M 2,并对矩形R 0周围的特征点数N L 用以下公式进行估计:
(1)
式(1),max为求最大值函数;
步骤6:用以下公式计算局部特征点密度ρ:
(2)
式(2),S R1和S R2分别为矩形R 1和R 2的面积;
步骤7:对矩形R 0进行k等分,得到k个等面积的方格单元,记为r t ,t∈[1, k],利用以下公式计算每个方格单元r t 至少包含一个局部特征点的概率:
(3)
式(3),S r 和S R0分别为方格单元r t 和矩形R 0的面积;
步骤8:统计包含局部特征点的方格单元的数量C;
步骤9:用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P 0:
(4)
步骤10:用以下公式计算虚警数N FA :
(5)
步骤11:将虚警数N FA 小于阈值δ的矩形R 0包含的局部特征点判定为构成直线的特征点,更新P i 和P j 并继续步骤2,直到遍历所有局部特征点。
所述的步骤1中的局部不变特征点提取算法包括SIFT算法、SURF算法、Harris算法和SUSAN算法等。
所述的步骤2中的循环选取方法指的是由i∈[1, M]和j∈(i, M]构成内外双重循环,遍历所有局部不变特征点,共有M (M-1)/2组局部不变特征点对。
本发明的有益效果是:能够准确的局部不变特征点集中的直线,可以应用于包含直线边缘的目标提取。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入待处理图像I 0。
在步骤102,对步骤101的待处理图像I 0利用SURF局部不变特征点提取算法提取局部不变特征点,结果记为I 0,并将局部不变特征点的数量记为M。
在步骤103,判断收否遍历所有特征点对,如果是,则算法流程结束,进入步骤116,否则进入步骤104。
在步骤104,从M (M-1)/2组局部不变特征点对中选取两点P i 和P j ,i∈[1, M],j∈(i, M]。
在步骤105,计算步骤104中的P i 和P j 之间的欧氏距离D ij 。
在步骤106,判断步骤105中P i 和P j 之间的欧氏距离D ij 是否大于阈值T D 时,如果是,则进入步骤107,否则进入步骤103,为了排除短直线的干扰,将阈值T D 设置为10个像素。
在步骤107,以D ij 为长边,W 0为短边构造包含P i 和P j 的矩形R 0,以D ij 为长边,W 1为短边在矩形R 0的两侧分别构造矩形R 1和R 2,且矩形R 1和R 2的长边分别与矩形R 0的长边重合,为了使提取的直线与物体的实际边界保持一致,将W 0将设置为;为了对矩形R 0周围的特征点数做出更为准确的估计,将W 1设置为。
在步骤108,统计矩形R 0、R 1和R 2中的特征点数,分别记为M 0、M 1和M 2,并对矩形R 0周围的特征点数N L 用以下公式进行估计:
(6)
式(6),max为求最大值函数。
在步骤109,用以下公式计算局部特征点密度ρ:
(7)
式(7),S R1和S R2分别为矩形R 1和R 2的面积。
在步骤110,对矩形R 0进行k等分,得到k个等面积的方格单元,记为r t ,t∈[1, k],利用以下公式计算每个方格单元r t 至少包含一个局部特征点的概率:
(8)
式(8),S r 和S R0分别为方格单元r t 和矩形R 0的面积。
在步骤111,统计包含局部特征点的方格单元的数量C。
在步骤112,用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P 0:
(9)
在步骤113,用以下公式计算虚警数N FA :
(10)
在步骤114,判断虚警数N FA 是否小于阈值δ,如果是,则进入步骤115,否则进入步骤103。为了保证提取结果的准确性,将阈值δ设置为2。
在步骤115,输出局部不变特征点中直线。
在步骤116,算法结束。
Claims (3)
1.一种用于从局部不变特征点中提取直线的方法,其特征在于包括以下步骤:
步骤1:利用局部不变特征点提取算法提取输入图像的局部不变特征点,结果记为I0,局部不变特征点的数量记为M;
步骤2:从I0中循环选取两点Pi和Pj,i∈[1,M],j∈(i,M],计算Pi和Pj之间的欧氏距离Dij,当Dij小于阈值TD时,更新Pi和Pj并继续步骤2,当Dij大于等于阈值TD时,进入步骤3;
步骤3:以Dij为长边,W0为短边构造包含Pi和Pj的矩形R0;
步骤4:为了估计局部特征点密度ρ,以Dij为长边,W1为短边在矩形R0的两侧分别构造矩形R1和R2,且矩形R1和R2的长边分别与矩形R0的长边重合;
步骤5:统计矩形R0、R1和R2中的特征点数,分别记为M0、M1和M2,并对矩形R0周围的特征点数NL用以下公式进行估计:
NL=2max(M1,M2)+M0 (1)
式(1),max为求最大值函数;
步骤6:用以下公式计算局部特征点密度ρ:
式(2),和分别为矩形R1和R2的面积;
步骤7:对矩形R0进行k等分,得到k个等面积的方格单元,记为rt,t∈[1,k],利用以下公式计算每个方格单元rt至少包含一个局部特征点的概率:
式(3),Sr和分别为方格单元rt和矩形R0的面积;
步骤8:统计包含局部特征点的方格单元的数量C;
步骤9:用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P0:
步骤10:用以下公式计算虚警数NFA:
步骤11:将虚警数NFA小于阈值δ的矩形R0包含的局部特征点判定为构成直线的特征点,更新Pi和Pj并继续步骤2,直到遍历所有局部特征点。
2.根据权利要求1所述的一种用于从局部不变特征点中提取直线的方法,其特征在于步骤1中的局部不变特征点提取算法包括SIFT算法、SURF算法、Harris算法和SUSAN算法。
3.根据权利要求1所述的一种用于从局部不变特征点中提取直线的方法,其特征在于步骤2中的循环选取方法指的是由i∈[1,M]和j∈(i,M]构成内外双重循环,遍历所有局部不变特征点,共有M(M-1)/2组局部不变特征点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611193698.9A CN106651878B (zh) | 2016-12-21 | 2016-12-21 | 一种用于从局部不变特征点中提取直线的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611193698.9A CN106651878B (zh) | 2016-12-21 | 2016-12-21 | 一种用于从局部不变特征点中提取直线的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651878A CN106651878A (zh) | 2017-05-10 |
CN106651878B true CN106651878B (zh) | 2019-06-11 |
Family
ID=58835248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611193698.9A Expired - Fee Related CN106651878B (zh) | 2016-12-21 | 2016-12-21 | 一种用于从局部不变特征点中提取直线的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651878B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
JP5500404B1 (ja) * | 2013-05-28 | 2014-05-21 | 株式会社コンセプト | 画像処理装置及びそのプログラム |
CN103839085A (zh) * | 2014-03-14 | 2014-06-04 | 中国科学院自动化研究所 | 一种列车车厢异常人群密度的检测方法 |
CN104778443A (zh) * | 2015-03-06 | 2015-07-15 | 哈尔滨理工大学 | 基于实时局部特征描述的自然路标识别 |
CN104864851A (zh) * | 2015-06-01 | 2015-08-26 | 中国科学院光电技术研究所 | 一种基于矩形周长和面积加权约束的单目视觉位姿测量方法 |
CN104914422A (zh) * | 2015-06-25 | 2015-09-16 | 中国船舶重工集团公司第七二四研究所 | 一种自适应tbd雷达微弱目标检测方法 |
-
2016
- 2016-12-21 CN CN201611193698.9A patent/CN106651878B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034104A (zh) * | 2010-12-10 | 2011-04-27 | 中国人民解放军国防科学技术大学 | 三维点云中基于随机采样一致性的特征线检测方法 |
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
JP5500404B1 (ja) * | 2013-05-28 | 2014-05-21 | 株式会社コンセプト | 画像処理装置及びそのプログラム |
CN103839085A (zh) * | 2014-03-14 | 2014-06-04 | 中国科学院自动化研究所 | 一种列车车厢异常人群密度的检测方法 |
CN104778443A (zh) * | 2015-03-06 | 2015-07-15 | 哈尔滨理工大学 | 基于实时局部特征描述的自然路标识别 |
CN104864851A (zh) * | 2015-06-01 | 2015-08-26 | 中国科学院光电技术研究所 | 一种基于矩形周长和面积加权约束的单目视觉位姿测量方法 |
CN104914422A (zh) * | 2015-06-25 | 2015-09-16 | 中国船舶重工集团公司第七二四研究所 | 一种自适应tbd雷达微弱目标检测方法 |
Non-Patent Citations (3)
Title |
---|
"Image registration based on Genetic Algorithm and weighted feature correspondences";Zhi Yuan等;《2009 IEEE 13th International Symposium on Consumer Electronics》;20090528;第42-46页 |
"利用局部仿射不变及核线约束的近景影像直线特征匹配";梁艳等;《武汉大学学报 信息科学版》;20140228;第39卷(第2期);第229-233页 |
"结合LTS和Hough变换的直线检测算法";朱院娟等;《计算机工程》;20120731;第38卷(第14期);第206-210页 |
Also Published As
Publication number | Publication date |
---|---|
CN106651878A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及*** | |
CN109344702B (zh) | 基于深度图像和彩色图像的行人检测方法及装置 | |
CN105279506B (zh) | 满文单词中轴线的定位方法 | |
US20150356372A1 (en) | Character recognition method | |
CN104182750A (zh) | 一种在自然场景图像中基于极值连通域的中文检测方法 | |
Zhang et al. | A morphological building detection framework for high-resolution optical imagery over urban areas | |
CN104647893B (zh) | 一种基于十字线的印刷套印误差检测方法 | |
CN105404885B (zh) | 一种二维字符图形验证码复杂背景噪音干扰去除方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及*** | |
CN108154151A (zh) | 一种快速多方向文本行检测方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN105303566B (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
CN106683062A (zh) | 一种静止摄像机下的基于ViBe的运动目标检测方法 | |
CN109961065A (zh) | 一种海面舰船目标检测方法 | |
CN106651878B (zh) | 一种用于从局部不变特征点中提取直线的方法 | |
Jin et al. | Integrating structural symmetry and local homoplasy information in intuitionistic fuzzy clustering for infrared pedestrian segmentation | |
CN106643725B (zh) | 一种基于地面砖轮廓线的机器人定位导航方法 | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
Sharma et al. | A new method for character segmentation from multi-oriented video words | |
JP2017211976A (ja) | 画像処理装置及び画像処理プログラム | |
CN108648229B (zh) | 基于Kinect相机的人体背部特征点提取方法 | |
Liu et al. | Depth-aware layered edge for object proposal | |
CN106340038B (zh) | 一种基于单目图像中物体的深度次序推理方法 | |
CN105069773B (zh) | 基于掩膜与canny相结合的自适应边缘检测计算方法 | |
Zhang et al. | [Retracted] Posture Recognition and Behavior Tracking in Swimming Motion Images under Computer Machine Vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190611 Termination date: 20211221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |