本發(fā)明涉及數(shù)字圖像處理
技術(shù)領(lǐng)域：
，尤其涉及一種快速穩(wěn)健的圖像匹配技術(shù)方案。
背景技術(shù)：
：圖像匹配在圖像拼接、圖像檢索、場(chǎng)景識(shí)別等應(yīng)用領(lǐng)域有著舉足輕重的作用，是圖像處理和計(jì)算機(jī)視覺(jué)的基礎(chǔ)。隨著科技發(fā)展，目前大約有40％的機(jī)器視覺(jué)應(yīng)用采用了圖像匹配技術(shù)，所涉及的應(yīng)用領(lǐng)域有工業(yè)、農(nóng)業(yè)、軍事、醫(yī)療等方面。在視頻監(jiān)控系統(tǒng)中，其基礎(chǔ)部分就是利用圖像匹配技術(shù)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、跟蹤、目標(biāo)分類和識(shí)別，這是保證整個(gè)系統(tǒng)實(shí)現(xiàn)其功能的關(guān)鍵。具體而言，圖像匹配是通過(guò)查找兩幅或多幅圖像中的相似特性，根據(jù)相似條件運(yùn)用匹配準(zhǔn)則進(jìn)行最佳搜索。圖像匹配是一個(gè)相對(duì)耗時(shí)的過(guò)程，其主要由特征提取、特征匹配兩個(gè)部分組成。其中經(jīng)典的提取算法有CSS算法、CPDA算法、Harris算法、SUSAN算法、FAST算法、SIFT算法等，另外還存在許多基于上述算法的改進(jìn)算法。特征匹配包括特征描述子的建立和特征配對(duì)。描述子以特征點(diǎn)為中心，用局部信息來(lái)描述特征點(diǎn)。局部描述子的核心是描述子對(duì)光照、尺度、幾何變換等具有不變特性，對(duì)于圖像遮擋和重疊，以及圖像噪聲等情況具有良好的魯棒性，同時(shí)具備較好的可區(qū)分性。目前的局部特征描述子主要分為兩類：一是基于統(tǒng)計(jì)直方圖的描述子，一是基于比較的描述子。具有影響力的基于統(tǒng)計(jì)直方圖的描述子是SIFT描述子，另外基于SIFT的變種的GLOH描述子、HOG描述子和OMH描述子等，為了提高速度，提出了PCA-SIFT描述子和SURF描述子?；诮y(tǒng)計(jì)直方圖的描述子的判別性高，并且直觀易懂，但是計(jì)算復(fù)雜度較高。基于比較的描述子主要有最近提出的二值描述子BRIEF，以及在此基礎(chǔ)上優(yōu)化的LBP描述子、ORB描述子和FREAK描述子等，這類描述子一般都是為了提高計(jì)算速度而設(shè)計(jì)的，但同時(shí)也降低了判別性能，尤其是對(duì)于區(qū)分性比較低的低質(zhì)量圖像，描述子的好壞決定了匹配的精度和效率。另外，初步匹配后匹配精度往往不高，存在著錯(cuò)誤匹配，需要剔除錯(cuò)誤匹配點(diǎn)對(duì)。目前剔除錯(cuò)誤配對(duì)的方法主要有RANSAC方法和最陡下降法，RANSAC方法在提純配對(duì)點(diǎn)的過(guò)程中進(jìn)行了大量迭代，計(jì)算量大。最陡下降法也需不斷迭代來(lái)精確仿射變換系數(shù)，當(dāng)圖像中的匹配點(diǎn)對(duì)和錯(cuò)誤匹配點(diǎn)對(duì)比較多時(shí)，這兩種剔除錯(cuò)誤匹配點(diǎn)對(duì)的算法則耗時(shí)較多。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述存在的技術(shù)問(wèn)題，本發(fā)明的目的是提供一種用于光照不均模糊的低質(zhì)量圖像的匹配技術(shù)方案，以高精度且實(shí)時(shí)性地對(duì)低質(zhì)量圖像進(jìn)行有效的圖像匹配。本發(fā)明的技術(shù)方案提供一種基于特征狀態(tài)與全局一致性的快速圖像匹配方法，包括以下步驟：步驟1，檢測(cè)角點(diǎn)作為待匹配的特征點(diǎn)，使用狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)；步驟2，以特征點(diǎn)為中心，計(jì)算描述子的主方向；步驟3，將步驟2所得的主方向旋轉(zhuǎn)和坐標(biāo)軸x對(duì)齊，對(duì)特征點(diǎn)的特征鄰域進(jìn)行描述，將二值紋理特性和統(tǒng)計(jì)特性結(jié)合，構(gòu)建將旋轉(zhuǎn)不變二值紋理化和方向梯度直方圖相結(jié)合的特征描述子，記為RBT-OGMH特征描述子；步驟4，根據(jù)RBT-OGMH特征描述子進(jìn)行匹配，包括針對(duì)于兩類不同的描述子，采用不同的相似性度量；步驟5，根據(jù)步驟4的匹配結(jié)果，利用空間域一致特征，基于誤差波動(dòng)幅度最小聚類，快速確定變換矩陣，剔除錯(cuò)誤匹配點(diǎn)對(duì)，獲得最終的正確匹配點(diǎn)對(duì)。而且，步驟1的實(shí)現(xiàn)方式為，利用角點(diǎn)檢測(cè)算法提取圖像的特征點(diǎn)后，根據(jù)預(yù)定義的狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)；所述狀態(tài)模板包含均勻分布在一個(gè)圓環(huán)上的4個(gè)像素，將模板中心覆蓋在特征點(diǎn)上，基于模板以圖像中每個(gè)像素點(diǎn)為待檢測(cè)點(diǎn)分別進(jìn)行以下局部運(yùn)算，設(shè)特征點(diǎn)為X，狀態(tài)模板所覆蓋的四個(gè)像素點(diǎn)P、P'、Q和Q'與特征點(diǎn)X相比的明暗狀態(tài)SX→P、SX→P'、SX→Q和SX→Q'，根據(jù)以下特征點(diǎn)域狀態(tài)判別函數(shù)判斷待檢測(cè)點(diǎn)X在鄰域內(nèi)位于亮區(qū)域或者暗區(qū)域，SX＝∑(SX→P+SX→P'+SX→Q+SX→Q')其中，狀態(tài)比較函數(shù)為SX→B=-1f(X)-f(B)<-Th0|f(X)-f(B)|≤Th1f(X)-f(B)>Th,]]>B＝P、P'、Q或Q'，f(X)為點(diǎn)X的灰度值，f(P)為點(diǎn)B的灰度值，Th為兩點(diǎn)間狀態(tài)差異度閾值，當(dāng)SX為正數(shù)時(shí)，特征點(diǎn)X在鄰域內(nèi)位于亮區(qū)域，當(dāng)SX為負(fù)數(shù)時(shí)，特征點(diǎn)X在鄰域內(nèi)位于暗區(qū)域。而且，步驟2的實(shí)現(xiàn)方式為，以特征點(diǎn)X為原點(diǎn)，x方向和y方向的一階偏導(dǎo)fx和fy作為坐標(biāo)軸，將特征點(diǎn)X的鄰域內(nèi)像素點(diǎn)映射到梯度空間，計(jì)算特征點(diǎn)的特征鄰域的梯度方向，以梯度變化最大的方向作為描述子的主方向。而且，步驟3的實(shí)現(xiàn)方式為，設(shè)特征點(diǎn)的特征鄰域由直徑R個(gè)像素的圓構(gòu)成，以特征點(diǎn)X為中心劃分半徑分別為R/3、和R的三個(gè)同心圓環(huán)，并被分為9個(gè)等面積的小塊，分別計(jì)算各塊內(nèi)像素點(diǎn)的梯度方向和幅值，將梯度方向取值范圍[0,2π]劃分為8等份，歸一化的梯度幅值范圍為[0,1]，進(jìn)行2等分，分別統(tǒng)計(jì)落到每個(gè)直方圖上的點(diǎn)的梯度幅度的高斯加權(quán)，9個(gè)鄰域塊從內(nèi)鄰域向外鄰域，共形成144維統(tǒng)計(jì)描述子；以特征點(diǎn)X為中心，半徑為r、r/2和r/4確立3個(gè)同心圓，將半徑為r和r/2兩圓圍成的圓環(huán)等分為16等分塊，計(jì)算局部紋理特征，形成49維局部紋理描述子；融合49維二值紋理描述子和144維統(tǒng)計(jì)特征描述子，形成193維的RBT-OGMH特征描述子。而且，步驟4的實(shí)現(xiàn)方式為，根據(jù)特征點(diǎn)的特征鄰域狀態(tài)，將基準(zhǔn)圖像I和模板圖像M中的特征點(diǎn)分別進(jìn)行分類，在同類內(nèi)進(jìn)行比較匹配；采用相似性度量，計(jì)算待匹配點(diǎn)對(duì)間的相似性度量距離，若度量距離滿足條件，則比較點(diǎn)對(duì)為候選匹配點(diǎn)對(duì)；步驟5的實(shí)現(xiàn)方式為，設(shè)基準(zhǔn)圖像I中的特征點(diǎn)對(duì)應(yīng)的模板圖像M中匹配點(diǎn)滿足的仿射變換映射，將n對(duì)匹配點(diǎn)代入仿射變換矩陣，利用最小二乘解求得仿射變換系數(shù)矩陣β，輪流移出1對(duì)并分別計(jì)算匹配誤差對(duì)n-1個(gè)按照誤差波動(dòng)大小從小到大進(jìn)行排序，取前m個(gè)對(duì)應(yīng)的匹配點(diǎn)對(duì)，重新計(jì)算仿射變換系數(shù)β，對(duì)剩下的n-m個(gè)點(diǎn)對(duì)帶入代入仿射變換矩陣計(jì)算匹配誤差err，如果|err|＞t則將相應(yīng)匹配點(diǎn)對(duì)剔除，重復(fù)以上過(guò)程直到誤差|err|≤t為止；閾值t代表經(jīng)過(guò)仿射變換后，兩幅圖像匹配點(diǎn)間容忍的最大距離差異。本發(fā)明還相應(yīng)提供一種基于特征狀態(tài)與全局一致性的快速圖像匹配系統(tǒng)，包括以下模塊：第一模塊，用于檢測(cè)角點(diǎn)作為待匹配的特征點(diǎn)，使用狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)；第二模塊，用于以特征點(diǎn)為中心，計(jì)算描述子的主方向；第三模塊，用于將第二模塊所得的主方向旋轉(zhuǎn)和坐標(biāo)軸x對(duì)齊，對(duì)特征點(diǎn)的特征鄰域進(jìn)行描述，將二值紋理特性和統(tǒng)計(jì)特性結(jié)合，構(gòu)建將旋轉(zhuǎn)不變二值紋理化和方向梯度直方圖相結(jié)合的特征描述子，記為RBT-OGMH特征描述子；第四模塊，用于根據(jù)RBT-OGMH特征描述子進(jìn)行匹配，包括針對(duì)于兩類不同的描述子，采用不同的相似性度量；第五模塊，用于根據(jù)第四模塊的匹配結(jié)果，利用空間域一致特征，基于誤差波動(dòng)幅度最小聚類，快速確定變換矩陣，剔除錯(cuò)誤匹配點(diǎn)對(duì)，獲得最終的正確匹配點(diǎn)對(duì)。而且，第一模塊的實(shí)現(xiàn)方式為，利用角點(diǎn)檢測(cè)算法提取圖像的特征點(diǎn)后，根據(jù)預(yù)定義的狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)；所述狀態(tài)模板包含均勻分布在一個(gè)圓環(huán)上的4個(gè)像素，將模板中心覆蓋在特征點(diǎn)上，基于模板以圖像中每個(gè)像素點(diǎn)為待檢測(cè)點(diǎn)分別進(jìn)行以下局部運(yùn)算，設(shè)特征點(diǎn)為X，狀態(tài)模板所覆蓋的四個(gè)像素點(diǎn)P、P'、Q和Q'與特征點(diǎn)X相比的明暗狀態(tài)SX→P、SX→P'、SX→Q和SX→Q'，根據(jù)以下特征點(diǎn)域狀態(tài)判別函數(shù)判斷待檢測(cè)點(diǎn)X在鄰域內(nèi)位于亮區(qū)域或者暗區(qū)域，SX＝∑(SX→P+SX→P'+SX→Q+SX→Q')其中，狀態(tài)比較函數(shù)為SX→B=-1f(X)-f(B)<-Th0|f(X)-f(B)|≤Th1f(X)-f(B)>Th,]]>B＝P、P'、Q或Q'，f(X)為點(diǎn)X的灰度值，f(P)為點(diǎn)B的灰度值，Th為兩點(diǎn)間狀態(tài)差異度閾值，當(dāng)SX為正數(shù)時(shí)，特征點(diǎn)X在鄰域內(nèi)位于亮區(qū)域，當(dāng)SX為負(fù)數(shù)時(shí)，特征點(diǎn)X在鄰域內(nèi)位于暗區(qū)域。而且，第二模塊的實(shí)現(xiàn)方式為，以特征點(diǎn)X為原點(diǎn)，x方向和y方向的一階偏導(dǎo)fx和fy作為坐標(biāo)軸，將特征點(diǎn)X的鄰域內(nèi)像素點(diǎn)映射到梯度空間，計(jì)算特征點(diǎn)的特征鄰域的梯度方向，以梯度變化最大的方向作為描述子的主方向。而且，第三模塊的實(shí)現(xiàn)方式為，設(shè)特征點(diǎn)的特征鄰域由直徑R個(gè)像素的圓構(gòu)成，以特征點(diǎn)X為中心劃分半徑分別為R/3、和R的三個(gè)同心圓環(huán)，并被分為9個(gè)等面積的小塊，分別計(jì)算各塊內(nèi)像素點(diǎn)的梯度方向和幅值，將梯度方向取值范圍[0,2π]劃分為8等份，歸一化的梯度幅值范圍為[0,1]，進(jìn)行2等分，分別統(tǒng)計(jì)落到每個(gè)直方圖上的點(diǎn)的梯度幅度的高斯加權(quán)，9個(gè)鄰域塊從內(nèi)鄰域向外鄰域，共形成144維統(tǒng)計(jì)描述子；以特征點(diǎn)X為中心，半徑為r、r/2和r/4確立3個(gè)同心圓，將半徑為r和r/2兩圓圍成的圓環(huán)等分為16等分塊，計(jì)算局部紋理特征，形成49維局部紋理描述子；融合49維二值紋理描述子和144維統(tǒng)計(jì)特征描述子，形成193維的RBT-OGMH特征描述子。而且，第四模塊的實(shí)現(xiàn)方式為，根據(jù)特征點(diǎn)的特征鄰域狀態(tài)，將基準(zhǔn)圖像I和模板圖像M中的特征點(diǎn)分別進(jìn)行分類，在同類內(nèi)進(jìn)行比較匹配；采用相似性度量，計(jì)算待匹配點(diǎn)對(duì)間的相似性度量距離，若度量距離滿足條件，則比較點(diǎn)對(duì)為候選匹配點(diǎn)對(duì)；第五模塊的實(shí)現(xiàn)方式為，設(shè)基準(zhǔn)圖像I中的特征點(diǎn)對(duì)應(yīng)的模板圖像M中匹配點(diǎn)滿足的仿射變換映射，將n對(duì)匹配點(diǎn)代入仿射變換矩陣，利用最小二乘解求得仿射變換系數(shù)矩陣β，輪流移出1對(duì)并分別計(jì)算匹配誤差對(duì)n-1個(gè)按照誤差波動(dòng)大小從小到大進(jìn)行排序，取前m個(gè)對(duì)應(yīng)的匹配點(diǎn)對(duì)，重新計(jì)算仿射變換系數(shù)β，對(duì)剩下的n-m個(gè)點(diǎn)對(duì)帶入代入仿射變換矩陣計(jì)算匹配誤差err，如果|err|＞t則將相應(yīng)匹配點(diǎn)對(duì)剔除，重復(fù)以上過(guò)程直到誤差|err|≤t為止；閾值t代表經(jīng)過(guò)仿射變換后，兩幅圖像匹配點(diǎn)間容忍的最大距離差異。本發(fā)明具有以下優(yōu)點(diǎn)和積極效果：(1)本發(fā)明計(jì)算獲得的特征描述子主方向具有惟一性，可滿足圖像的旋轉(zhuǎn)、平移以及仿射變換等的不變特性，并且運(yùn)算復(fù)雜度低；(2)本發(fā)明針對(duì)低質(zhì)量的圖像，構(gòu)建了RBT-OGMH特征描述子，將二值紋理特性與統(tǒng)計(jì)特性融合，提高描述子的區(qū)分度；(3)本發(fā)明對(duì)根據(jù)特征點(diǎn)的狀態(tài)特性將特征點(diǎn)分類，在類內(nèi)由粗到細(xì)進(jìn)行匹配，針對(duì)于兩類不同的描述子，并采用不同的相似性度量，有效提高算法的匹配效率和匹配精度；(4)本發(fā)明通過(guò)誤差波動(dòng)幅度排序，快速確定仿射變換矩陣，有效剔除錯(cuò)誤匹配點(diǎn)對(duì)，提高了算法的執(zhí)行效率。附圖說(shuō)明圖1為本發(fā)明實(shí)施例的狀態(tài)模板示意圖。圖2為本發(fā)明實(shí)施例的統(tǒng)計(jì)描述子鄰域劃分示意圖。圖3為本發(fā)明實(shí)施例的RBT子塊劃分示意圖。具體實(shí)施方式以下結(jié)合附圖和實(shí)施例詳細(xì)說(shuō)明本發(fā)明技術(shù)方案。本發(fā)明技術(shù)方案可采用計(jì)算機(jī)軟件技術(shù)實(shí)現(xiàn)自動(dòng)運(yùn)行流程，實(shí)施例所提供用于快速的低質(zhì)量圖像匹配的流程依次包括以下步驟：步驟1，檢測(cè)角點(diǎn)作為待匹配的特征點(diǎn)，使用狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)。實(shí)施例利用現(xiàn)有的角點(diǎn)檢測(cè)算法提取圖像的特征點(diǎn)后，根據(jù)預(yù)定義的狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)。優(yōu)選地，采用harris角點(diǎn)檢測(cè)算法。所述狀態(tài)模板包含均勻分布在一個(gè)圓環(huán)上的4個(gè)像素，優(yōu)選地，圓環(huán)直徑為7個(gè)像素，采用上下左右的4個(gè)像素。將模板中心覆蓋在特征點(diǎn)上，基于模板以圖像中每個(gè)特征點(diǎn)為待檢測(cè)點(diǎn)分別進(jìn)行以下局部運(yùn)算：如附圖1所示，狀態(tài)模板覆蓋的像素點(diǎn)P、P'、Q和Q'與特征點(diǎn)X比較，存在亮，暗和相似三種狀態(tài)，X點(diǎn)和B點(diǎn)的狀態(tài)比較定義如下：SX→B=-1f(X)-f(B)<-Th0|f(X)-f(B)|≤Th1f(X)-f(B)>Th---(1)]]>其中，B＝P、P'、Q或Q'，f(X)為點(diǎn)X的灰度值，f(P)為點(diǎn)B的灰度值，Th為兩點(diǎn)間狀態(tài)差異度閾值，SX→B的值為-1時(shí)表示X點(diǎn)的灰度值比B點(diǎn)暗，值為0代表X點(diǎn)和B點(diǎn)的灰度值相似，值為1時(shí)表示X比B亮。在此基礎(chǔ)上定義特征點(diǎn)X的狀態(tài)判別函數(shù)如下：SX＝∑(SX→P+SX→P'+SX→Q+SX→Q')(2)式中，根據(jù)角點(diǎn)特征點(diǎn)特性，SX的取值可為正數(shù)或負(fù)數(shù)，不可能取值為0。特征點(diǎn)的特征鄰域狀態(tài)只有亮或暗兩種狀態(tài)，當(dāng)SX為正數(shù)時(shí)，判定特征點(diǎn)的特征鄰域狀態(tài)為亮區(qū)域，當(dāng)SX為負(fù)數(shù)時(shí)，判定特征點(diǎn)的特征鄰域狀態(tài)為暗區(qū)域。步驟2，以特征點(diǎn)為中心，計(jì)算描述子的主方向。本發(fā)明以特征點(diǎn)X為原點(diǎn)，x方向和y方向的一階偏導(dǎo)fx和fy作為坐標(biāo)軸，將特征點(diǎn)X的鄰域內(nèi)像素點(diǎn)映射到梯度空間，計(jì)算特征點(diǎn)的特征鄰域的梯度方向，以梯度變化最大的方向作為描述子的主方向。實(shí)施例中，以特征點(diǎn)X為原點(diǎn)，x方向和y方向的一階偏導(dǎo)fx和fy作為坐標(biāo)軸，設(shè)特征點(diǎn)的特征鄰域內(nèi)某一像素點(diǎn)(xi,yi)映射到梯度空間的坐標(biāo)為設(shè)主方向經(jīng)過(guò)原點(diǎn)，和坐標(biāo)軸fx的夾角為θ，則點(diǎn)到主方向的距離di為：di=|fxisinθ-fyicosθ|---(3)]]>為了突出特征點(diǎn)的特征鄰域內(nèi)每個(gè)像素點(diǎn)對(duì)描述子的貢獻(xiàn)，加上高斯權(quán)重系數(shù)wi，離特征點(diǎn)距離越近的像素點(diǎn)權(quán)重系數(shù)越大，高斯權(quán)重系數(shù)為：wi=12πσ2exp(-(xi-x)2+(yi-y)22σ2)---(4)]]>其中高斯尺度σ建議取值為特征點(diǎn)的特征鄰域直徑R的四分之一，即：σ＝R/4，具體實(shí)施時(shí)本領(lǐng)域技術(shù)人員可自行預(yù)設(shè)特征鄰域直徑R的取值，實(shí)施例中直徑R采用的優(yōu)選取值為31個(gè)像素。進(jìn)一步方便計(jì)算，用替代di，特征點(diǎn)的特征鄰域空間中的像素點(diǎn)到主方向的加權(quán)均值為：L‾=Σiwidi2=Σiwi|fxi·sinθ-fyi·cosθ|2=Σiwi((fxi)2·sin2θ+(fyi)2·cos2θ-fxi·fyi·sinθ·cosθ)---(5)]]>令變量則直線的加權(quán)均值轉(zhuǎn)化為：L‾=A·sin2θ+B·cos2θ-2C·sinθ·cosθ---(6)]]>鄰域內(nèi)像素點(diǎn)到主方向應(yīng)具有最大的加權(quán)均值，因此計(jì)算加權(quán)均值對(duì)夾角θ的偏導(dǎo)數(shù)∂L‾/∂θ=2A·sinθ·cosθ-2B·sinθ·cosθ+2C·(sin2θ-cos2θ)---(7)]]>根據(jù)拉格朗日極值定理，令則可以得到主方向的夾角θ值為：tan2θ=2CA-Bθ=12arctan2CA-B---(8)]]>此時(shí)難以判定θ為主方向和坐標(biāo)軸fx的夾角為正向夾角還是負(fù)向夾角，因此需要加上一個(gè)修正值，根據(jù)特征點(diǎn)的特征鄰域狀態(tài)SX，SX取值可為正數(shù)或負(fù)數(shù)兩種情況，當(dāng)SX為正數(shù)時(shí)特征點(diǎn)的特征鄰域?yàn)榱羺^(qū)域，SX為負(fù)數(shù)時(shí)特征點(diǎn)的特征鄰域?yàn)榘祬^(qū)域。因此修正值為：s=1SX>00SX<0θ^=s×π---(9)]]>修正后的主方向和坐標(biāo)軸fx的正向夾角為：θ=12arctan2CA-B+θ^---(10)]]>步驟3，將步驟2所得的主方向旋轉(zhuǎn)和坐標(biāo)軸x對(duì)齊，對(duì)特征點(diǎn)的特征鄰域進(jìn)行描述，將二值紋理特性和統(tǒng)計(jì)特性結(jié)合，構(gòu)建一種將旋轉(zhuǎn)不變二值紋理化和方向梯度直方圖(RBT-OGMH，RotationBinaryTextureandOrientationandGradientMagnitudeHistogram)相結(jié)合的特征描述子。步驟3的實(shí)現(xiàn)方式為，設(shè)特征點(diǎn)的特征鄰域由直徑R個(gè)像素的圓構(gòu)成，在特征鄰域內(nèi)，以特征點(diǎn)X為中心劃分為半徑分別為R/3、和R的三個(gè)同心圓環(huán)，并被分為9個(gè)等面積的小塊，如圖2中G00，G11，G12，G13，G14，G21，G22，G23，G24，分別計(jì)算各塊內(nèi)像素點(diǎn)的梯度方向和幅值，將梯度方向取值范圍[0,2π]劃分為8等份，歸一化的梯度幅值范圍為[0,1]，將其進(jìn)行2等分，分別統(tǒng)計(jì)累計(jì)落到每個(gè)直方圖上的點(diǎn)的梯度幅度的高斯加權(quán)，9個(gè)鄰域塊從內(nèi)鄰域向外鄰域，共形成144維統(tǒng)計(jì)描述子。在特征鄰域內(nèi)，以點(diǎn)X為中心，半徑為r、r/2和r/4(r可取R,R/2,R/3)確立3個(gè)同心圓，將半徑為r和r/2兩圓圍成的圓環(huán)等分為16等分塊，計(jì)算局部紋理特征，形成49維局部紋理描述子。融合49維二值紋理描述子和144維統(tǒng)計(jì)特征描述子，形成了193維的RBT-OGMH描述子。如附圖2所示，計(jì)算G00，G11，…，G24各塊內(nèi)像素點(diǎn)的梯度方向和幅值，對(duì)梯度幅值進(jìn)行歸一化操作消除光照和尺度的影響：梯度圖像M(i,j)和梯度方向θ(i,j)為：M(i,j)=(fx(i,j))2+(fy(i,j))2---(11)]]>θ(i,j)=arctan(fy(i,j)fx(i,j))---(12)]]>M′(i,j)=M(i,j)max(M)---(13)]]>其中，fx(i,j)和fy(i,j)分別是像素點(diǎn)(i,j)在x方向和y方向的梯度值，max(M)取值為梯度圖像所有點(diǎn)中梯度幅值最大的點(diǎn)的梯度幅值，M'(i,j)為歸一化后的梯度圖像。以特征點(diǎn)的主方向?yàn)闃O坐標(biāo)的極軸，實(shí)驗(yàn)中將梯度方向取值范圍[0,2π]劃分為8等份，歸一化的梯度幅值范圍為[0,1]，將其進(jìn)行2等分，每個(gè)小塊的方向梯度幅度直方圖是一個(gè)8×2的二維直方圖，分別統(tǒng)計(jì)累計(jì)落到每個(gè)直方圖上的點(diǎn)的梯度幅度的高斯加權(quán)。9個(gè)鄰域塊從內(nèi)鄰域向外鄰域，共形成144維描述子H，這樣可以把特征點(diǎn)的特征鄰域內(nèi)的變化更加清晰的表現(xiàn)出來(lái)。如附圖3所示，以特征點(diǎn)X為中心，半徑為r、r/2和r/4(r可取R,R/2,R/3，實(shí)施例的取值為R/2)確立3個(gè)同心圓，將半徑為r和r/2兩圓圍成的圓環(huán)等分為p1，p2,…,p16共16等分塊，如圖3中黑色陰影部分所示。分別計(jì)算16個(gè)子塊和半徑為r/4的中心圓平均灰度值，比較16個(gè)子塊的平均灰度值和中心圓平均灰度值的大小，如果子塊的平均灰度值大于中心圓區(qū)域p的平均灰度值，則置為0，否則置為1，完成對(duì)16個(gè)子塊的二值化操作。RBT特征定義為：其中，和代表子塊pk和中心圓區(qū)域p的灰度均值，τ'(pk,p)為子塊pk和中心圓區(qū)域p的均值比較，當(dāng)時(shí)，τ'(pk,p)取值為1，反之為0。將圖像坐標(biāo)軸沿主方向旋轉(zhuǎn)，在附圖2所示的三個(gè)同心圓周(半徑分別為R/3、和R)上，分別以與主方向的交匯處為起點(diǎn)，沿順時(shí)針?lè)较蚓鶆虿蓸?6個(gè)像素點(diǎn)，加上特征點(diǎn)，共有49個(gè)像素點(diǎn)構(gòu)成了待描述區(qū)域。分別以待描述區(qū)域中的49個(gè)點(diǎn)為圓心，采用如圖3的方式利用式(14)計(jì)算每個(gè)像素點(diǎn)Xi的RBT特征，記為RBTi(i＝1,2,…,49)，根據(jù)像素點(diǎn)距離特征點(diǎn)的距離對(duì)不同的BRT特征賦予不同的權(quán)重，權(quán)重利用公式4計(jì)算獲得，得到的RBT特征向量記為：T＝[w1×RBT1,w2×RBT2,…,w49×RBT49](15)歸一化后消除了光照、尺度等影響，形成了49維的二維紋理描述子T。融合49維二值紋理描述子和144維統(tǒng)計(jì)特征描述子，形成了193維的RBT-OGMH描述子D＝[T1×49H1×144]。步驟4，根據(jù)RBT-OGMH特征描述子進(jìn)行由粗到細(xì)的匹配，針對(duì)于兩類不同的描述子，采用不同的相似性度量。步驟4的實(shí)現(xiàn)方式為，根據(jù)特征點(diǎn)的特征鄰域狀態(tài)將基準(zhǔn)圖像I和模板圖像M中的特征點(diǎn)分別進(jìn)行分類，在同類內(nèi)進(jìn)行比較匹配然后綜合。采用相似性度量，計(jì)算待匹配點(diǎn)對(duì)間的相似性度量距離，如果相似性度量距離d小于給定閾值th，即d＜th，則比較點(diǎn)對(duì)為候選匹配點(diǎn)對(duì)，具體實(shí)施時(shí)th一般取值為經(jīng)驗(yàn)閾值。實(shí)施例中，設(shè)定基準(zhǔn)圖像I與模板圖像M包含的特征點(diǎn)分別為{x1,x2,…,xNu}和{y1,y2,…,yMu}，根據(jù)特征點(diǎn)的特征鄰域狀態(tài)將圖像I和圖像M中的特征點(diǎn)分為兩大類：亮特征點(diǎn)類B{…,xp,…,yq,…}和暗特征點(diǎn)類D{…,xu,…yv,…}，其中p,u,q,v表示在特征點(diǎn)集合中的下標(biāo)順序示意。以下的匹配過(guò)程都是在類內(nèi)進(jìn)行匹配。針對(duì)于兩類不同的描述子，采用不同的相似性度量。對(duì)于49維的二值RBT紋理描述子，采用χ2統(tǒng)計(jì)量作為待匹配點(diǎn)對(duì)間的相似性度量距離：dT=χ2=12Σi=149(Tu,i-Tv,i)2Tu,i+Tv,i---(16)]]>其中，Tu,i和Tv,i分別為兩幅待匹配圖像中的第u個(gè)點(diǎn)和第v個(gè)點(diǎn)的第i維二值紋理特征向量。針對(duì)于144維的OMGH描述子，采用歐式距離作為待匹配點(diǎn)對(duì)間的相似性度量距離：dH=d(Hi,Hj)=Σk=1144(Hik-Hjk)2---(17)]]>其中Hik和Hjk分別代表第i個(gè)和第j個(gè)OMGH特征向量的第k維向量。綜合后距離d＝λdH+(1-λ)dT，其中λ為權(quán)重系數(shù)。進(jìn)一步地，在進(jìn)行特征點(diǎn)配對(duì)時(shí)，實(shí)施例采用的是由Lowe提出的最近鄰與次近鄰距離比率法，基準(zhǔn)圖像I的點(diǎn)P在模板圖像M中的最近鄰點(diǎn)和次近鄰點(diǎn)分別為P1、P2，距離分別是d1和d2，如果d1/d2＜Th1，則點(diǎn)P和圖像M中的最近鄰點(diǎn)P1為初始配對(duì)點(diǎn)，其中Th1為比例閾值，具體實(shí)施時(shí)本領(lǐng)域技術(shù)人員可自行根據(jù)經(jīng)驗(yàn)預(yù)設(shè)相應(yīng)閾值。步驟5，根據(jù)步驟4的匹配結(jié)果，利用空間域一致特征，基于誤差波動(dòng)幅度最小聚類，快速確定變換矩陣，剔除錯(cuò)誤匹配點(diǎn)對(duì)，獲得最終的正確匹配點(diǎn)對(duì)。步驟5的實(shí)現(xiàn)方式為，設(shè)經(jīng)過(guò)步驟4初步匹配后，存在n個(gè)特征匹配點(diǎn)對(duì)，將n個(gè)匹配點(diǎn)對(duì)代入仿射變換矩陣，利用最小二乘解求得仿射變換系數(shù)矩陣β，輪流從匹配點(diǎn)對(duì)集合中移出，分別計(jì)算匹配誤差對(duì)n-1個(gè)按照誤差波動(dòng)幅度Er的大小從小到大進(jìn)行排序，取前m個(gè)Er對(duì)應(yīng)的匹配點(diǎn)對(duì)，重新計(jì)算仿射變換系數(shù)β，對(duì)剩下的n-m個(gè)點(diǎn)對(duì)依次帶入代入仿射變換矩陣計(jì)算匹配誤差err，如果|err|＞th2，則將相應(yīng)匹配點(diǎn)對(duì)從匹配點(diǎn)對(duì)集合中剔除，重復(fù)以上過(guò)程直到誤差|err|≤th2為止。實(shí)施例中，假設(shè)基準(zhǔn)圖像I和模板圖像M是在同一個(gè)場(chǎng)景下獲得，它們之間應(yīng)滿足一定的仿射變換關(guān)系。設(shè)基準(zhǔn)圖像I中的特征點(diǎn)坐標(biāo)為對(duì)應(yīng)的匹配點(diǎn)在模板圖像M中的坐標(biāo)為它們之間滿足的仿射變換的映射：xMiyMi=α1α2txα3α4tyxIiyIi1---(18)]]>可以實(shí)現(xiàn)尺度、平移、翻轉(zhuǎn)、錯(cuò)切、旋轉(zhuǎn)等仿射變換，在上述公式中，α1，α2，α3，α4為仿射變換系數(shù)，tx和ty為x軸和y軸的坐標(biāo)平移量，假設(shè)把n對(duì)匹配點(diǎn)對(duì)帶入公式18，可轉(zhuǎn)化為如下形式：............xIiyIi001000xIiyIi01............α1α2α3α4txty=......xMiyMi......---(19)]]>對(duì)應(yīng)的線性方程如下：Anβ＝bn(20)在n對(duì)匹配點(diǎn)對(duì)中，基準(zhǔn)圖像I中的n個(gè)配對(duì)的特征點(diǎn)坐標(biāo)帶入公式20中構(gòu)成矩陣An，模板圖像M中的n個(gè)配對(duì)點(diǎn)坐標(biāo)帶入公式20中構(gòu)成矩陣bn，其中An為2n×6階矩陣，b為2n×1階矩陣，由n對(duì)匹配點(diǎn)對(duì)，利用最小二乘解求得估計(jì)的仿射變換系數(shù)矩陣βn*=((An)TAn)-1(An)Tbn---(21)]]>對(duì)于完全精確的匹配，應(yīng)有但是由于大量錯(cuò)誤匹配點(diǎn)對(duì)的存在，導(dǎo)致了當(dāng)匹配精度越高時(shí)，和bn的值則越接近。定義和bn的誤差errn為：errn=(Anβn*-bn)T(Anβn*-bn)n2---(22)]]>依次將n對(duì)匹配點(diǎn)對(duì)中的一對(duì)暫時(shí)拿開(kāi)，將其余n-1對(duì)匹配點(diǎn)對(duì)帶入公式20中，線性方程為An-1β＝bn-1，求得新的變換系數(shù)為：βn-1*=((An-1)TAn-1)-1(An-1)Tbn-1---(23)]]>計(jì)算獲得n個(gè)誤差誤差波動(dòng)幅度為：Er={(|errn-err1n-1|,1),...,(|errn-errin-1|,i)...,(|errn-errnn-1|,n)}]]>執(zhí)行以下步驟：(1)在n對(duì)匹配點(diǎn)對(duì)中，按照從小到大的順序?qū)r中的各元素進(jìn)行排序，由于至少需要3個(gè)點(diǎn)對(duì)才能保證β*的存在，當(dāng)n＞＝6時(shí)取Er中前位對(duì)應(yīng)的匹配點(diǎn)對(duì)，當(dāng)n＜6時(shí)，取Er中前m＝n位對(duì)應(yīng)的匹配點(diǎn)對(duì)。然后當(dāng)m≥3時(shí)代入公式22中，計(jì)算誤差E，如果E＞th2，使得重新計(jì)算誤差E，直到E≤th2，并且m≥3。記錄當(dāng)前前m位對(duì)應(yīng)的匹配點(diǎn)對(duì)和仿射變換系數(shù)β，進(jìn)入(2)，如果m小于3或不滿足E≤th2則結(jié)束，表明無(wú)正確匹配點(diǎn)對(duì)。(2)將剩余的n-m個(gè)匹配點(diǎn)對(duì)依次帶入公式21和公式22中，重新計(jì)算β和err，如果err≤th2，則該點(diǎn)對(duì)作為正確的匹配點(diǎn)對(duì)被保留，否則將作為錯(cuò)誤匹配點(diǎn)對(duì)被剔除。每次計(jì)算過(guò)程判別下列條件師傅滿足：err＞th2orm＜3(24)如果上述(24)中任意一個(gè)條件不滿足，則算法結(jié)束。閾值th2代表經(jīng)過(guò)仿射變換后，兩幅圖像匹配點(diǎn)間容忍的最大距離差異，取值可以根據(jù)應(yīng)用本身確定，實(shí)驗(yàn)中th2取值為5。根據(jù)以上流程，本發(fā)明主要針對(duì)低質(zhì)量的圖像，快速有效的計(jì)算描述子主方向，使得其具有惟一性，可滿足圖像的旋轉(zhuǎn)、平移以及仿射變換等的不變特性，并且具有較低的運(yùn)算復(fù)雜度；構(gòu)建了RBT-OGMH特征描述子，將二值紋理特性與統(tǒng)計(jì)特性融合，提高描述子的區(qū)分度；根據(jù)特征點(diǎn)的狀態(tài)特性將特征點(diǎn)分類，在類內(nèi)由粗到細(xì)進(jìn)行匹配，有效提高算法的匹配效率，通過(guò)誤差波動(dòng)幅度最小聚類算法，快速確定仿射變換矩陣，剔除錯(cuò)誤匹配點(diǎn)對(duì)。實(shí)驗(yàn)結(jié)果驗(yàn)證，該方法具有旋轉(zhuǎn)不變性和一定的尺度不變性，能有效解決圖像模糊、光照變化、低對(duì)比度和圖像變形問(wèn)題，相比于SIFT算法和ORB算法，本算法具有更快的匹配速度和精度?？梢?jiàn)，通過(guò)本技術(shù)方案，可以對(duì)低質(zhì)量的圖像進(jìn)行快速有效的圖像匹配，在保證實(shí)時(shí)性的前提下，相比于現(xiàn)有的圖像匹配方法，本發(fā)明具有更快的匹配效率和更高的匹配精度。具體實(shí)施時(shí)，本發(fā)明所提供方法可基于軟件技術(shù)實(shí)現(xiàn)自動(dòng)運(yùn)行流程，也可采用模塊化方式實(shí)現(xiàn)相應(yīng)系統(tǒng)。本發(fā)明實(shí)施例還相應(yīng)提供一種基于特征狀態(tài)與全局一致性的快速圖像匹配系統(tǒng)，包括以下模塊：第一模塊，用于檢測(cè)角點(diǎn)作為待匹配的特征點(diǎn)，使用狀態(tài)模板識(shí)別特征點(diǎn)的特征鄰域狀態(tài)；第二模塊，用于以特征點(diǎn)為中心，計(jì)算描述子的主方向；第三模塊，用于將第二模塊所得的主方向旋轉(zhuǎn)和坐標(biāo)軸x對(duì)齊，對(duì)特征點(diǎn)的特征鄰域進(jìn)行描述，將二值紋理特性和統(tǒng)計(jì)特性結(jié)合，構(gòu)建將旋轉(zhuǎn)不變二值紋理化和方向梯度直方圖相結(jié)合的特征描述子，記為RBT-OGMH特征描述子；第四模塊，用于根據(jù)RBT-OGMH特征描述子進(jìn)行匹配，包括針對(duì)于兩類不同的描述子，采用不同的相似性度量；第五模塊，用于根據(jù)第四模塊的匹配結(jié)果，利用空間域一致特征，基于誤差波動(dòng)幅度最小聚類，快速確定變換矩陣，剔除錯(cuò)誤匹配點(diǎn)對(duì)，獲得最終的正確匹配點(diǎn)對(duì)。各模塊具體實(shí)現(xiàn)可參見(jiàn)相應(yīng)步驟，本發(fā)明不予贅述。本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。當(dāng)前第1頁(yè)1 2 3