本发明专利技术公开一种基于亚像素级特征点检测的图像匹配方法，对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于８个像素，获得并对每个降采样图像进行等比数列方差的高斯滤波，得到连续的递进高斯模糊的图像，方差的最大值为２，建立并获得待检测图像的高斯金字塔，求取ｘ方向的二阶导数Ｉｘｘ、ｙ方向的二阶导数Ｉｙｙ、ｘｙ方向的二阶导数Ｉｘｙ；求取待检测图像的高斯金字塔的海森矩阵、哈瑞斯函数值的所有局部极大值点；对哈瑞斯函数值上的每个局部极大值点和其周围的２６邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有特征点。
【技术实现步骤摘要】
本专利技术属于模式识别领域，涉及图像处理和计算机视觉等技术，特别是涉及特征 检测，物体识别，目标跟踪等。
技术介绍
图像特征检测是计算机视觉中的基本问题，稳定高效的图像特征检测算法为其他 问题的解决提供坚实的底层基础。随着技术的发展以及硬件设备价格的逐渐降低，照相机 和摄像机已经成为人们日常生活中广泛应用的器材之一。人们对场景感知的要求从原来的 二维感知转化为三维感知，即感知真实世界中物体的三维形态和场景的三维姿态。由于真 实世界中物体的变化多样，对实际物体直接进行三维建模或对场景进行空间标定消耗了大 量的人力物力资源。通过图像对三维物体建模或对三维场景进行重建是近年来备受关注的 前沿研究方向之一，它从照相机或摄像机捕捉的图像中检测、识别、跟踪物体和场景并对其 行为三维空间中的姿态进行估计。尽管目前已有的计算机三维重建技术已经被广泛的使 用，但其中几个重要的问题仍然值得探讨。这些问题是准确性，稳定性和高效性。因此，作 为计算机视觉中的底层问题，图像特征点检测在这三个问题上的研究尤为重要。针对这三 个问题，开发出一套准确性高，稳定性好，能够实时进行图像特征检测算法，对实际的应用 做好铺垫。图像中存在具有良好定位能力和区分能力的点。人们可以轻易的从图像中找出具 有代表性的这些点。但是，对计算机来说，图像中特征点的检测是个十分困难的问题。这些困难的问题一般可以归结为以下几个方面光照的变换，视角的表换，摄像机 引起的模糊，物体姿态引起的变化等等。近年来，针对视角变化的方法被人们广发的关注。 图像尺度的变换作为图像基本的变换之一，在计算机视觉中有着极为重要的研究价值。针 对图像的尺度变换所进行的特征检测对这个问题有着极为重要的意义。
技术实现思路
现有的图像尺度不变的特征检测子基于图像的局部高斯模型；对于图像中稳定的 尺度不变的特征点的求取，一般是建立在图像高斯金字塔的二阶差分矩阵上的；但是边缘 等不稳定的图像特征对图像特征点的提取有着较大的负面影响，如何在图像检测中有效的 避免边缘等不稳定的特征点有着极为重要的研究意义；为了解决现有技术的问题，本专利技术 的目的是提供一种基于图像局部高斯模型的尺度不变的亚像素级特征点检测的图像匹配 方法。为了实现上述目的，本专利技术提供一种基于亚像素级图像特征点检测的图像匹配方 法，该方法步骤包括步骤Sl 对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于 8个像素，获得降采样图像，再对每个降采样图像进行等比数列方差的高斯滤波，得到连续 的递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔；步骤S2 对已建立待检测图像的高斯金字塔求取x方向的二阶导数Ixx，求取y方 向的二阶导数Iyy，求取xy方向的二阶导数Ixy ；步骤S3 求取待检测图像的高斯金字塔的海森(Hessian)矩阵即为[Ixx，Ixy ； Ixy，Iyy]，求取哈瑞斯(Harris)函数值为 C = IxxX Iyy-Ixy X Ixy-kX (Ixx+Iyy)2，其中 k 取值范围为W.04-0. 16]；步骤S4 求取待检测图像的高斯金字塔Harris函数值的所有局部极大值点；步骤S5 对待检测图像的高斯金字塔的Harris函数值上的每个局部极大值点和 其周围的26(3X3X3-1)邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点 数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有 特征点。其中，所述获得降采样图像的具体步骤如下步骤S11 对待检测图像进行平滑滤波进行噪声去除，得到去噪的图像；步骤S12 对去噪的图像进行降采样，得到降采样图像；步骤S13 对降采样图像重复步骤S11和步骤S12，直到降采样的图像的最小变长 小于8像素。其中，求取局部极大值点步骤步骤S31 检测待检测图像的高斯金字塔中的每一个点的值是否为其26 = 3X3X3-1邻域中的极大值，若是，此点坐标为一个特征点的初始坐标；步骤S32 将所有待检测的高斯图像金字塔中的特征点存入特征点队列。其中，亚像素级精度定位的具体步骤如下步骤S41 特征点队列中的每一个特征点x和其周围26邻域的点，在三维空间中 拟合一个二次函数为T2Z)(X) = Z) + 1xh47”X;D为一个抽象的三维函数，x为这个三维函数的变量，饭 2 &2其中T为矩阵的转置；步骤S42 求此二次函数的极值点本身的位置夭=-等f，并更新原有特征点x 的坐标，其中义三维函数的极值点。本专利技术的有益效果本专利技术的方法是针对图像尺度的变化能够得到丰富的感兴趣 点，以便在之后的处理中获得大量的图像信息。本专利技术方法在尺度空间中寻找的点具有极 强的稳定性，对噪声，光照等影响具有抗干扰能力。图像特征检测是计算机视觉问题中的底 层问题，一般作为其他方法的底层信息支持，支撑上层算法，为上层算法提供具有区分能力 强，具有丰富语义的特征点。本专利技术的方法是易于实现和应用，主要可以应用于如下几个方(1)基于特征跟踪的监控系统，帮助系统对场景中的目标进行跟踪。获得场景中感 兴趣点的行为语义，从而对场景中的事件进行理解。(2)基于图像特征点匹配的三维物体建模系统，用于对复杂的三维物体进行形态 分析和三维重建，对虚拟现实有重大的作用(3)基于特征跟踪的增强现实系统，用于通过对图像中静态特征点的跟踪获得场 景的三维空间信息，从而通过虚拟的物体增强场景的内容。(4)基于局部特征的物体识别和分类，对全局信息较不稳定的场景进行局部特征 提取，能够有效的应对遮挡，位置变化，尺度变化等问题。附图说明图1示出基于图像金字塔的构建结果；图2示出Harris函数值结果；图3示出26邻域求局部极大值；图4是本专利技术方法的流程图。具体实施例方式下面结合附图详细说明本专利技术技术方法中所涉及的各个细节问题。基于图像局 部高斯模型的特征检测算法提高了图像特征检测的稳定性，特征的丰富性和精确性。利用 哈瑞斯Harris函数对边缘的抑制，本专利技术实现了一个亚像素级图像特征检测和匹配系统， 如图1示出图像金字塔的建立，图2所示图像海森Harris函数值的求得，图3示出26邻域 求局部极大值，本专利技术的方法基于图像，建立图像的尺度金字塔；基于Hessian矩阵，求取 Harris函数值；进行非最大抑制，求取稳定的极值点；进行亚像素级特征点精确定位，如图 4示出本专利技术方法的流程，具体方法如下建立图像的高斯金字塔步骤对待检测图像进行降采样，直到图像的长和宽中较 小的一个小于8个像素，对每个降采样的图像进行等比数列方差的高斯滤波，得到连续的 递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔。求取Hessian矩阵和求Harris函数值金字塔步骤对已建立好的待检测图像的 高斯金字塔求取X方向的二阶导数Ixx，求取y方向的二阶导数Iyy，求取xy方向的二阶导 数Ixy。则求取待检测图像的高斯金字塔的Hessian矩阵为[Ixx，Ixy ;Ixy, Iyy]。求取 Harris 函数值为 C = IxxXIyy-IxyXIxy-kX (Ixx+Iyy)2，其中 k取值范围为.求局部极大值步骤对Harris函数值金字塔求所有的局部极大值点，将局部最大 值点加入特征点本文档来自技高网...
【技术保护点】
一种亚像素级图像特征点检测的图像匹配方法，其特征在于：步骤Ｓ１：对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于８个像素，获得降采样图像，再对每个降采样图像进行等比数列方差的高斯滤波，得到连续的递进高斯模糊的图像，方差的最大值为２，建立并获得待检测图像的高斯金字塔；步骤Ｓ２：对已建立待检测图像的高斯金字塔求取ｘ方向的二阶导数Ｉｘｘ，求取ｙ方向的二阶导数Ｉｙｙ，求取ｘｙ方向的二阶导数Ｉｘｙ；步骤Ｓ３：求取待检测图像的高斯金字塔的海森（Ｈｅｓｓｉａｎ）矩阵即为：［Ｉｘｘ，Ｉｘｙ；Ｉｘｙ，Ｉｙｙ］，求取哈瑞斯（Ｈａｒｒｉｓ）函数值为Ｃ＝Ｉｘｘ×Ｉｙｙ－Ｉｘｙ×Ｉｘｙ－ｋ×（Ｉｘｘ＋Ｉｙｙ）↑［２］，其中ｋ取值范围为［０．０４－０．１６］；步骤Ｓ４：求取待检测图像的高斯金字塔Ｈａｒｒｉｓ函数值的所有局部极大值点；步骤Ｓ５：对待检测图像的高斯金字塔的Ｈａｒｒｉｓ函数值上的每个局部极大值点和其周围的２６（３×３×３－１）邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有特征点。
【技术特征摘要】
一种亚像素级图像特征点检测的图像匹配方法，其特征在于步骤S1对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于8个像素，获得降采样图像，再对每个降采样图像进行等比数列方差的高斯滤波，得到连续的递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔；步骤S2对已建立待检测图像的高斯金字塔求取x方向的二阶导数Ixx，求取y方向的二阶导数Iyy，求取xy方向的二阶导数Ixy；步骤S3求取待检测图像的高斯金字塔的海森(Hessian)矩阵即为[Ixx，Ixy；Ixy，Iyy]，求取哈瑞斯(Harris)函数值为C＝Ixx×Iyy-Ixy×Ixy-k×(Ixx+Iyy)2，其中k取值范围为；步骤S4求取待检测图像的高斯金字塔Harris函数值的所有局部极大值点；步骤S5对待检测图像的高斯金字塔的Harris函数值上的每个局部极大值点和其周围的26(3×3×3-1)邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有特征点。2.按权利要求1所述的图像特征...
【专利技术属性】
技术研发人员：谭铁牛，黄凯奇，余轶南，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。