一種立體圖像特征匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺和圖像處理領(lǐng)域，涉及一種立體圖像特征匹配方法，尤其 涉及一種以SIFT特征為特征對(duì)象、運(yùn)用κ-d樹結(jié)構(gòu)對(duì)立體圖像進(jìn)行特征匹配方法。
【背景技術(shù)】
[0002] 在機(jī)器視覺和圖形圖像處理領(lǐng)域，特征匹配是非常重要的環(huán)節(jié)，特征的選擇及匹 配的效率和精度決定最終處理效果的優(yōu)劣。圖像特征從尺度上分為局部特征和全局特征， 全局特征包括顏色、紋理、形狀等，而局部特征包括點(diǎn)、線、區(qū)域等。由于局部特征點(diǎn)具有很 好穩(wěn)定性，不易受外界干擾，因此得到了研究人員的廣泛關(guān)注，并提出了很多關(guān)于局部特征 描述的方法。方向梯度直方圖（Histogram of Oriented Gradient, H0G)特征描述子[文獻(xiàn) 1]，通過計(jì)算局部區(qū)域的梯度方向并統(tǒng)計(jì)，形成直方圖，用此來表示一個(gè)特征。由于梯度的 性質(zhì)，導(dǎo)致其對(duì)噪聲非常敏感;SIFT特征是David G.Lowe[文獻(xiàn)2]在1999年初次提出，并在 2004年[文獻(xiàn)3]對(duì)此作了更為詳細(xì)的闡述和應(yīng)用的介紹，其全稱為尺度不變特征變換 (Scale Invariant Features Transform)。由于其對(duì)圖像尺度、旋轉(zhuǎn)、一定角度范圍的仿射 和視角等變化具有不變性，同時(shí)對(duì)于一些噪聲和光照變化也有一定的魯棒性，在圖像檢索 [文獻(xiàn)4][文獻(xiàn)5]、物體檢測[文獻(xiàn)6]和識(shí)別[文獻(xiàn)7][文獻(xiàn)8]、場景分類[文獻(xiàn)9][文獻(xiàn)10]等 方面得到了成功的應(yīng)用。
[0003] 由于SIFT在諸多應(yīng)用中的出色表現(xiàn)，研究人員對(duì)此展開了大量的研究，總體可以 分為三類:一是鑒于SIFT的各種功能提出類似(SIFT-like)的特征描述符，如SIFT-Rank[文 獻(xiàn)11]、SURF[文獻(xiàn)12]、BRIEF[文獻(xiàn)13]以及在BRIEF基礎(chǔ)上改進(jìn)的0RB[文獻(xiàn)14]等；二是對(duì) SI FT的優(yōu)化，包括對(duì)度量方法的優(yōu)化，[文獻(xiàn)15 ]采用有別于傳統(tǒng)L2距離的EMD (Ear th Mover ' s Distance)變量（類似的距離還有diffusion distance[文獻(xiàn)16]和EMDmcid[文獻(xiàn) 17]);對(duì)描述符結(jié)構(gòu)的優(yōu)化，主要是優(yōu)化描述符的長度問題（標(biāo)準(zhǔn)的長度是128位），PCA-SIFT[文獻(xiàn)18]是將主成分分析技術(shù)運(yùn)用到描述符維度的優(yōu)化上，在以特征點(diǎn)為中心的41* 41的圖像塊上計(jì)算2*39*39 = 3042維的向量，運(yùn)用PCA技術(shù)達(dá)到降維的目的（如20維）； Alexandra Gilinsky et al.提出了一種壓縮的描述符的表示，SIFTpack，其考慮到兩個(gè)描 述符有可能存在重疊，這樣的話，重疊部分就被重復(fù)存儲(chǔ)了，對(duì)這個(gè)問題的研究不僅可以降 低存儲(chǔ)，同時(shí)還會(huì)帶來匹配性能上的提升[文獻(xiàn)19];三是對(duì)SIFT的擴(kuò)展，如受光流啟發(fā)的 SIFT Flow[文獻(xiàn)20]，在一個(gè)數(shù)據(jù)集中將查詢圖像(query image)對(duì)齊于一個(gè)與之最近的圖 像，可用于運(yùn)動(dòng)預(yù)測；Spatio-temporal SIFT[文獻(xiàn)21]將時(shí)空信息引入到DoG的計(jì)算中，并 將視頻幀集疊加成一個(gè)時(shí)空體[文獻(xiàn)22]，那么極值點(diǎn)的選取就在時(shí)空差分金字塔中的三個(gè) 方向（xy、xt和yt)的切片中進(jìn)行。
[0004] 在特征匹配時(shí)，Brute Force方法是最簡單的方法，優(yōu)點(diǎn)是可以得到準(zhǔn)確的匹配結(jié) 果，但是時(shí)間上花費(fèi)比較多，效率較低。在最新版本0penCV-2.4.11中，SIFT特征匹配采用的 是基于標(biāo)準(zhǔn)的K-d樹(Standard K-d tree，簡稱SKD樹)的算法，獲取目標(biāo)特征點(diǎn)集中最優(yōu)的 2個(gè)特征點(diǎn)，通過計(jì)算距離比值而來決定是否匹配。該方法有較高的計(jì)算效率和精度，但最 近的CasHash[文獻(xiàn)23]方法取得了比SKD樹更好的運(yùn)行效果DCasHash方法是由Jian Cheng 等人提出的基于哈希的方法，稱為級(jí)聯(lián)哈希(Cascade Hashing)，首先運(yùn)用一個(gè)短編碼的哈 希查找來進(jìn)行一遍粗略搜索，為參考圖像I建立一個(gè)查找表，表中有多個(gè)桶(bucket)，那么I 中的查詢特征點(diǎn)P在目標(biāo)圖像J中的匹配點(diǎn)都會(huì)落入同一個(gè)桶中；經(jīng)過粗略的搜索后，在哈 希查找表上通過計(jì)算每個(gè)候選對(duì)象的漢明距離(Hamming Distance)來進(jìn)行精細(xì)搜索;最后 在經(jīng)過漢明距離排序的候選中，選擇前k個(gè)點(diǎn)，再通過歐式距離獲得最近鄰和次近鄰用于距 離比值，獲得匹配點(diǎn)C3通過實(shí)驗(yàn)，CasHash方法優(yōu)于SKD樹方法，且比同類的哈希方法LDAHash [文獻(xiàn)24]有更高的匹配效率。本發(fā)明受SKD樹方法的啟發(fā)，設(shè)計(jì)了效率更高且更精確的層次 結(jié)構(gòu)的Κ-d樹(Hierarchical K_d tree，簡稱HKD樹)用于立體圖像對(duì)的匹配。因此，除了與 SKD樹方法比較外，同時(shí)還與Brute Force方法和最新的CasHash方法進(jìn)行對(duì)比，并通過大量 的實(shí)驗(yàn)驗(yàn)證了本發(fā)明的有效性。
[0005] [文獻(xiàn) 1 ]N. Dalai and B· Triggs，"Histograms of Oriented Gradients for Human Detection^,Proc. IEEE Conf.Computer Vision and Pattern Recognition,2005.
[0006] [文獻(xiàn)2]Lowe，D.G. 1999.0bject recognition from local scale-invariant features. In International Conferenceon Computer Vision，Corfu，Greece，pp.1150- 1157.
[0007] [文南犬3 ]D · Lowe，"Distincti ve Image Features from Scale-Invariant Keypoints，"Int'1 J.Computer Vision,vol.2,ηο.60,ρρ.91-110,2004.
[0008] [文獻(xiàn)4]Philbin，J ·，Chum，0 ·，Isard，Μ·，Sivic，J.，Zisserman，A· : 0b ject retrieval withlarge vocabularies and fast spatial matching.In:CVPR(2007).
[0009] [文南犬5]Snavely，N.，Seitz，S.，Szeliski，R. :Photo tourism: exploring photo collections in3D.ACM Transactions on Graphics(T0G)25(3),835-846(2006).
[0010] [文獻(xiàn) 6 ]Mikolajczyk，K ·，Leibe，B ·，Schiele，B · : Mul tiple object class detection with a generativemodel.In:CVPR(2006).
[0011] [文獻(xiàn)7]Ferrari，V.，Tuytelaars，T.，Van Gool，L. : Simultaneous object recognition andsegmentation by image exploration·In:Pajdla，T·，Matas，J(G·) (eds.)ECCV2004.LNCS,vol.3021,pp.40-54.Springer,Heidelberg(2004).
[0012] [文獻(xiàn)8]Arth，C.，Leistner，C.，Bischof，H. :Robust Local Features and their Application inSelf-Calibration and Object Recognition on Embedded Systems. In: CVPR(2007).
[0013] [文南犬9 ]L · Fei-Fei and P . Perona . A bayesian hierarchical model forlearning natural scene categories. In CVPR,pages 524-531,2005.
[0014] [文獻(xiàn)10 ] S · Lazebnik，C · Schmid，and J · Ponce · Beyond bags of features : Spatial pyramid matching for recognizing naturalscene categories. In CVPR, pages 2169-2178,2006.
[0015] [文獻(xiàn) ll]Toews，Matthew，and William Wells. "SIFT-Rank:0rdinal description for invariant feature correspondence .''Computer Vision and