一种面向静态图像对象识别的特征点优选匹配方法组成比例

本发明专利技术公开了一种面向静态图像对象识别的特征点优选匹配方法，由SIFT算法从静态图像中抽取出描述特征点的数据，提出了图像特征点数据逻辑结构、特征点对、匹配质量矩阵、特征点对优选及关键度等概念，设计了一种新的特征匹配方法。本发明专利技术中的特征匹配方法包括：设计特征点数据逻辑结构；构造特征点对；优选特征点对；计算基准图像特征点关键度；匹配目标图像对象。通过本发明专利技术所述的特征匹配方法，能够以较高概率和较低复杂度，正确识别包含指定对象的静态图像，为构建基于静态图像的对象识别系统提供参考实现。

【技术实现步骤摘要】
一种面向静态图像对象识别的特征点优选匹配方法
本专利技术涉及一种面向静态图像对象识别的特征点优选匹配方法，可用于计算机图像中目标对象的查找、识别与匹配，属于计算机图像处理和机器学习领域。
技术介绍
互联网中的信息越来越多地以图像形式存在。通过图像处理与分析技术提取图像中的有用信息成为计算机科学、人工智能领域的研究重点。图像处理与分析技术一般包括图像压缩，增强和复原，匹配、描述和识别。从图像中获取有用的度量、数据或信息称为图像分析，其基本步骤是：(1)把图像分割成互不重叠的子区域。每个子区域是由像素构成的连续集。(2)度量某些子区域的性质和关系，把度量值与分类模型比较，确定其类型。图像匹配、描述和识别是对图像进行比较和配准，通过分治提取图像的区域特征及相互关系，得到图像符号化的描述，再把它同模型比较，确定其分类。图像匹配试图建立两张图片之间的几何对应关系，度量其类似程度。匹配用于图片之间或图片与地图之间的配准，例如检测不同时间所拍图片之间景物的变化，找出运动物体的轨迹。在计算机视觉识别系统中，图像内容通常用图像特征进行描述。事实上，基于计算机视觉的图像识别也可以分为类似文本搜索引擎的三个步骤：提取特征、建索引以及查询。图像识别是人工智能的一个重要领域。人们提出了不同的图像识别模型，如模板匹配模型。模板匹配模型需在已有经验的基础上建立待识别图像的记忆模式，又称模板。待识别图像如果能够与模板相同，则认为待识别图像与模板图像匹配。此外，选取可以反映图像的特点或匹配对象的特征是图像识别的关键。图像匹配中常用的特征有边缘、轮廓、直线、角点等，这些特征能够在一定程度上代表图像的点被称为图像特征点。图像识别的主要目的是识别出图像中所需查找的对象，也可称为图像对象识别。图像对象识别是从大量图像中挑选出包含特定对象的图像。通常，图像对象识别的基础是图像的特征评价。图像特征有多种类型，图像特征通常包含颜色、纹理、形状及空间关系特征，采用颜色直方图、统计法、几何法、模型法、信号处理法等进行图像匹配与识别。图像底层特征提取的方式主要有2种：(1)基于兴趣点检测；(2)采用密集提取的方式。兴趣点检测算法通过某种准则选择具有明确定义的、局部纹理特征比较明显的像素点、边缘、角点、区块等，并且通常能够获得一定的几何不变性，从而可以在较小的开销下得到更有意义的表达。最常用的兴趣点检测算子有Harris角点检测算子、FAST(FeaturesfromAcceleratedSegmentTest)算子、LoG(LaplacianofGaussian)、DoG(DifferenceofGaussian)。密集提取的方式是从图像中按固定步长、尺度提取出大量的局部特征描述，具有更高的冗余度。常用的局部特征包括SIFT(Scale-InvariantFeatureTransform)、HOG(HistogramofOrientedGradient)、LBP(LocalBinaryPattern)等。图像对象识别需评价特征点集合，以辨别图像中包含的对象类别。研究人员用不同的评价方法构造不同的分类模型。对于SIFT特征点的匹配方法主要有Flann匹配方法(Flann提出的一种特征匹配方法)和Lowe匹配方法(Lowe于2004年完善的SIFT算法中的特征匹配方法)。Flann匹配方法中，计算基准图像中每个特征点与目标图像全部特征点的距离，取最小值构建向量d。令向量d中最小值为dmin。遍历向量d，挑选向量d中值小于α×dmin(其中α为一个给定的参数)的元素所对应的特征点对被匹配。如果被匹配特征点个数大于Flann匹配阈值，则判定该目标图像包含待识别对象。Flann匹配方法的缺点是，当dmin非常接近0时，被匹配的特征点偏少，致使部分应识别的图像对象被遗漏。Lowe匹配方法中，任取基准图像一个特征点，计算其与目标图像所有特征点的距离值，选最小距离值d1和次小距离值d2。若d1/d2<ratio(其中ratio为一个给定的参数)，判定d1对应的特征点对被匹配。重复以上过程，直到判定基准图像中的全部特征点是否被匹配。若被匹配特征点个数大于Lowe匹配阈值，则判定该目标图像包含待识别对象。Lowe匹配方法缺点是，当最小距离值d1和次小距离值d2比值接近1且d1较小时，被匹配的特征点可能漏选，致使部分应识别的图像遗漏。本专利技术所述的特征匹配方法是对现有静态图像对象识别中特征匹配阶段的创新，现有静态图像对象识别的一般过程如图1所示。本专利技术的方法能够更准确地识别待识别图像中的特定对象，该方法针对SIFT算法抽取的特征点，提出一种DualMax(双向最佳)规则优选特征点对，并根据样本特征点的分布特性统计其关键度，进而综合评价图像对象的匹配程度，识别图像中的特定对象。与Flann方法、Lowe方法相比，该方法不增加额外计算量，能保证应用场景需要的查全率，并提升图像对象识别的查准率。经验证，本专利技术公布的特征匹配方法能满足指定应用的实际需求，在基于特征的图像识别领域有广泛的参考价值。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种面向静态图像对象识别的特征点优选匹配方法，能够以较高概率和较低复杂度，正确识别包含指定对象的静态图像，为构建面向静态图像的对象识别系统提供参考实现。本专利技术是针对大量高清静态图像，构建一种基于SIFT特征的匹配方法，设计描述SIFT特征点的数据逻辑结构，建立高效的匹配质量矩阵，设计基于基准图像特征点关键度的特征匹配方法，为静态图像中的特定对象识别提供参考实现。本专利技术是根据单张基准图像中的模板对象，对比多张目标图像，判定每张目标图像中是否包含该模板对象的计算方法。针对SIFT算法从静态图像中抽取出的特征点描述数据，提出了图像特征点数据逻辑结构、特征点对、匹配质量矩阵、特征点优选及关键度等概念，设计了一种新的特征匹配方法。本专利技术公布的特征匹配方法具体过程见图2所示，包括如下步骤：设计特征点数据逻辑结构：只保留SIFT算法抽取的特征点信息中的特征点位置和描述子信息；构造特征点对：分别从基准图像和目标图像中各选取单个特征点，构造一个特征点对；优选特征点对：统计确定DualMax阈值，构建匹配质量矩阵，优选特征点对；计算基准图像特征点关键度：根据基准图像中各特征点被样本图像正确匹配的概率，统计各特征点的关键度；匹配目标图像对象：综合评价匹配特征点对的数量和关键度，对比匹配阈值，判定该目标图像是否包含待识别对象。通过本专利技术所述的特征匹配方法，能够以较高概率和较低复杂度，识别包含指定对象的静态图像，为构建基于静态图像的对象识别系统提供参考实现。为了准确说明本专利技术，本文解释如下术语及含义。图像：指各种图形和影像的总称。计算机中以二维数组形式表示图像，其数字单元为像素。本专利技术中图像指在高清摄像头下拍摄的图片。目前常用图像格式有光栅图像格式BMP、GIF、JPEG、PNG等，以及矢量图像格式WMF、SVG等。基准图像：评价是否包含待识别对象的模板图像，在本专利技术中指包含待识别对象的图像。一般地，基准图像为一幅图像。目标图像：可能包含待识别对象的图像。一般地，目标图像为包含多幅图像的集合。SIFT特征：通过SIFT算法提取得到的图像特征，用来检测本文档来自技高网...

【技术保护点】
一种面向静态图像对象识别的特征点优选匹配方法，其特征在于包括如下步骤：(1)设计特征点数据逻辑结构选取尺度不变特征转换(Scale‑Invariant Feature Transform，SIFT)算法特征点中每个特征点的位置参数和该特征点的描述子，设计特征点的数据逻辑结构，为步骤(2)及后续步骤提供图像特征点信息表示方法；(2)构造特征点对取基准图像按照步骤(1)构造的任一特征点与目标图像依据步骤(1)构造的任一特征点，构成单个特征点对，循环单个特征点对构造过程，形成特征点对集合；(3)优选特征点对根据步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H，按行选最小值，构造Hmin向量，对Hmin中的元素从小到大排序，利用基准图像特征点总个数的黄金分割数，得到DualMax(双向最佳)阈值D，按照既定规则将距离矩阵转换为匹配质量矩阵，选择匹配质量矩阵所在行列均为最大值的元素对应的特征点对，即为优选特征点对；(4)计算基准图像特征点关键度将优选特征点对集与Lowe匹配方法生成的特征点对集取交集，获得基准图像各特征点的关键度；(5)匹配目标图像对象综合评价匹配特征点对的数量和关键度，对比匹配阈值，判定该目标图像是否包含待识别对象。...

【技术特征摘要】
1.一种面向静态图像对象识别的特征点优选匹配方法，其特征在于包括如下步骤：(1)设计特征点数据逻辑结构选取尺度不变特征转换(Scale-InvariantFeatureTransform，SIFT)算法特征点中每个特征点的位置参数和该特征点的描述子，设计特征点的数据逻辑结构，为步骤(2)及后续步骤提供图像特征点信息表示方法；(2)构造特征点对取基准图像按照步骤(1)构造的任一特征点与目标图像依据步骤(1)构造的任一特征点，构成单个特征点对，循环单个特征点对构造过程，形成特征点对集合；(3)优选特征点对根据步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H，按行选最小值，构造Hmin向量，对Hmin中的元素从小到大排序，利用基准图像特征点总个数的黄金分割数，得到双向最佳DualMax阈值D，按照既定规则将距离矩阵转换为匹配质量矩阵，选择匹配质量矩阵所在行列均为最大值的元素对应的特征点对，即为优选特征点对；(4)计算基准图像特征点关键度将优选特征点对集与Lowe匹配方法生成的特征点对集取交集，获得基准图像各特征点的关键度；(5)匹配目标图像对象综合评价匹配特征点对的数量和关键度，对比匹配阈值，判定该目标图像是否包含待识别对象；所述步骤(3)中利用基准图像特征点总个数的黄金分割数，得到双向最佳DualMax阈值D具体如下：计算步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H，按行选最小值，构造Hmin向量，将Hmin的元素从小到大排序；对基准图像特征点总个数与黄金分割数1-61.8％乘积取四舍五入得到整数R；对第s个目标图像正样本，取排序序列第R个特征点对的距离值，标记为Ds；取P个目标图像正样本，重复以上过程得到P个Ds值,s＝1,2…,P；取其平均值得到双向最佳DualMax阈值D。2.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述...

【专利技术属性】
技术研发人员：张常有，王晓亚，封筠，王婷，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：北京;11