特征点提取与匹配（精选五篇）
特征点提取与匹配 篇1
目前图像的多尺度特征点提取及匹配主要是通过计算机软件编程来实现,存在提取特征有限、算法复杂度高、处理速度慢等问题。对于实际应用中高分辨率图片的处理,CPU已经无法满足实时性的要求,目前主流趋势是利用CPU-GPU协同加速来完成[5,6]。相对于GPU而言,FPGA可脱离计算机独立运行,更适用于运动设备如移动机器人对图片的实时化处理。为了充分提取图像特征,提高特征提取和匹配的速度,本文基于FPGA(Field Programmable Gate Array)来实现图像多尺度特征点提取及匹配。采用多尺度Harris角点提取局部区域内图像亮度在多个方向发生变化的点;采用图像斑点提取与周围区域有着灰度变化的区域中心,并改进了SIFT特征描绘子的生成算法,使其具有可区分性并更利于FPGA的实现。不同尺度的特征点选择不同邻域的图像像素值进行描述,充分利用多尺度特征点的尺度信息,完成多尺度特征点的匹配。
1 系统结构
基于FPGA的图像多尺度特征点提取与匹配的整体系统框图如图1所示。首先FPGA对存储在SDRAM中的两幅图像进行图像多尺度表示,然后并行地对图像进行多尺度Harris角点提取和图像斑点提取,将提取到的两种特征点坐标合并作为多尺度特征点,并存储两类特征点数据。图像多尺度特征点匹配时,根据两幅图像的多尺度特征点坐标,通过SDRAM控制器分别从SDRAM中读出两幅图像多尺度特征点坐标邻域图像的灰度值,生成基于梯度的16维特征描绘子并存储在RAM中,最后对两幅图像特征点的特征描绘子进行相似度统计计算,使多尺度特征点之间具有区分性,完成多尺度特征点的匹配。
2 图像多尺度特征点提取的FPGA实现
本文采用多尺度Harris角点提取图像中物体边界的特征点,提出了利用二维高斯函数的拉普拉斯算子可以检测二维图像斑点信号。这两类特征点抗噪声能力较强,比较稳定,且其所在的区域含具有丰富的可利用信息。由于两种方法提取的特征点种类不一样,因此特征点坐标基本不重合。将两种方法结合,不仅增加了多尺度特征点的数量,更能充分提取图像的特征。针对FPGA的并行性结构特点,对多尺度Harris角点检测算法[7,8]、斑点提取算法进行改进,使得更利于FPGA的实现。
2.1 多尺度Harris角点提取
Harris角点提取具有算法计算简单、检测效果好的特点,多尺度Harris角点提取算子将图像高斯尺度空间理论引入到Harris角点提取,使角点具有尺度不变性[3]。Harris角点提取主要包含高斯尺度空间的构建、位置及尺度空间响应值计算、多尺度Harris角点搜索3个主要步骤。
将二维高斯函数G(x,y,σ)与图像函数I(x,y)进行卷积,得到高斯尺度图像
多尺度Harris角点二阶矩表示为
式中:σD=0.7σI;Lx(x,y,σD)和Ly(x,y,σD)分别表示标准差为σD的高斯尺度图像在x,y方向上的微分图像。
位置空间响应值表示为
尺度空间响应值表示为
其中,det表示矩阵的行列式;trace表示矩阵的迹;α是取值于0.04~0.06的参数;Lxx(x,y,σI)和Lyy(x,y,σI)表示图像尺度为σI的尺度空间图像的二阶微分。
若局部特征点的位置空间响应值、尺度空间响应值均大于阈值,并且尺度空间响应值大于相邻两层对应点的尺度空间响应值,那么该点即为检测到的Harris多尺度角点。
由于高斯尺度图像涉及到微分运算,因此采用差分替代微分,利用像素点与差分模板的卷积来实现微分运算,不仅减少了微分运算的计算量,而且卷积更易于FPGA实现。
在程序设计中,选用不同权值的高斯模板来替代高斯函数。标准差σ越大,对应的高斯模板也会越大,但大窗口高斯模板不利于FPGA实时性处理。对于响应值的计算,引入改进的Harris角点响应函数,得到改进的位置空间响应为
改进后的多尺度Harris角点提取的FPGA实现结构如图2所示,考虑到角点坐标精度和FPGA实现延时情况,前3个尺度图像由原始图像直接与高斯模板卷积得到,后3个尺度图像由前一尺度图像与高斯模板卷积得到。将尺度图像与微分模板相卷积得到微分图像,并计算出尺度空间和位置空间的响应值。最后响应值经FIFO(First Input First Output)缓存对齐并同步输出,同时在尺度空间和位置空间上进行极值点搜索,最终得到图像的多尺度Harris角点。
2.2 图像斑点提取
图像斑点是指与周围像素值有着明显区别的区域域中心点,与角点相比,斑点是一个小的区域,因此斑点具有更好的稳定性和抗噪声能力,是一种重要、稳定的特征点。
基于一维高斯函数的二阶导数可以检测一维斑点信号的方法,本文提出采用二维高斯函数的拉普拉斯Lo G(Laplace of Guassian)算子来检测二维图像斑点信号[9]。
二维高斯函数的拉普拉斯算子为
图3a为半径为R=20的黑色斑点图像;经过归一化处理后的二维高斯拉普拉斯变换为σ2Δ2G[9],如图3b所示;图像斑点与归一化二维高斯拉普拉斯的卷积如图3c所示,这里取σ=20最为合适。
当高斯函数标准差σ和图像斑点半径R满足σ=R时,黑色斑点边缘产生过零点的位置不会发生变化,并会在斑点中心位置产生一个极大值;同理,当出现白色斑点时,拉普拉斯斑点响应就会出现一个极小值;因此可以通过搜索极大值或者极小值的坐标来确定斑点中心的位置,从而实现二维图像斑点的检测。
由于拉普拉斯算子需要对高斯函数进行二阶求导运算,计算量大、过程复杂,因此对拉普拉斯算子进行改进,以提高FPGA实现的运行速度。
二维高斯函数对标准差σ求导可得
对比式(6)、(7),可得到
而,结合式(8),可以得到
因此,位置空间响应值可以表示为
由于极大值、极小值的位置均是图像斑点的中心位置,因此可以将式(10)作进一步改进,改进后的斑点响应函数如下
经不同标准差的高斯卷积生成的7个尺度的高斯函数图像,通过FIFO缓存对齐。将相邻两层高斯尺度图像作差替代拉普拉斯响应值的计算,得到6个尺度差值送至极值点搜索模块并搜索极值点,最后确定图像的斑点坐标。
极值点搜索模块的FPGA结构如图4所示,相邻3层尺度为σi-1,σi,σi+1的斑点响应值并行、同步输入到3×3邻域图像生成模块,每层输出9个邻域图像数据。对于σi尺度邻域内的极大值,要保证该点的响应值大于同层领域8个响应值且大于σi-1,σi+1尺度邻域的极大值。在判断σi-1,σi,σi+1尺度邻域内最大值的时候,只需要将前一个时钟的最大值与当前时钟的I13,I23,I33值进行比较,这样可以减少比较次数。
3 多尺度特征点匹配及其FPGA实现
图像的多尺度特征点匹配利用特征描绘子来描述两个特征点不同邻域内的图像特征,生成相同维数的特征描绘子矢量,通过计算这两个特征描绘矢量的相似度来完成多尺度特征点对的匹配。虽然采用SIFT特征描绘子能取得很好的效果,但描绘复杂、矢量维数高,难以在FPGA上实现。本文对SIFT特征描绘子的生成方式进行改进,基于SIFT特征描绘子在角点及图像斑点附近必存在边缘、梯度变化明显的特点,统计特征点邻域内的梯度直方图来生成16维特征描绘子;同时还对特征点邻域的选择进行改进,不仅降低了描绘子矢量的维数,也更易于FPGA的实现。
由于在半径为3σi邻域范围内集中了大部分高斯函数值,因此以特征点为圆心,3σi为半径的图像邻域对特征点提取影响大,设计时选取半径为6σi范围内的像素值进行梯度幅值和幅角计算。将0°到360°幅角均分成16项,分别累加每一项的梯度幅值作为特征描绘子的坐标,生成16维特征描绘子。由于改进后的半径6σi小于SIFT的半径12σi,特征维数16远小于SIFT的128维,在FPGA上实现起来更简单、速度更快。
在梯度计算时,设特征点所在尺度的高斯平滑图像为Lx,y,Lx,y上每个点的梯度幅值和幅角计算公式如下
两幅图像的多尺度特征点Pi、Qi的16维特征描绘子分别记为Pi=(ait)、Qi=(bit),其中1≤t≤16,为整数。SSD算法以对应元素差值的平方和来计算相似度,算法表达式如下
由于梯度计算涉及除法、均方根、反三角函数的运算,用FPGA实现会耗费较多资源,而且反三角函数不能直接用FPGA实现。本文采用CORDIC(Coordinate Rotation Digital Computer)算法[10],该算法主要是对简单运算进行迭代实现,包括移位与加法运算,非常适合运用FPGA来实现。同时为了保证运算效率,设计了CLA(Carry Look Ahead Adder)加法器,即超前进位加法器,这样就避免了加法运算时等待低位进位消耗的时间。
FPGA实现多尺度Harris角点和斑点匹配时,分别计算两幅图像的多尺度特征点坐标的梯度,并生成特征描绘子矢量,然后对两幅图像的特征描绘子相似度进行计算,从而完成多尺度特征点对的匹配。
4 实验验证
FPGA芯片采用Altera公司的EP3C120F484C7,系统时钟为25 MHz,对花盆、吊兰、玩具3组图像进行测试,均为8位灰度图,分辨率为600×450和450×400,从6个尺度对3组图像进行多尺度特征点提取,分别显示在图5a,5b,5c中。
上述3组图像的Harris角点和斑点数如表1所示。
6个尺度进行多尺度Harris角点和图像斑点提取时,尺度不同导致特征点的坐标也不同,因此特征点的数量明显大于单一特征点的数量,特征提取效果好;由于特征点种类不一样,两种方法提取的特征点坐标重合数量极少(吊兰图片重合1个坐标)。将两种方法结合,比单一的多尺度Harris角点和图像斑点检测的特征点数量提高了近1倍左右,更能反映出图像的特征。
对花盆、吊兰、玩具3组图像进行组内匹配,从匹配效果来看,第1组花盆图片123/112个多尺度特征点匹配到71对,匹效果图如图6a所示;第2组吊兰图片492/497个多尺度特征点匹配到192对,如图6b所示;第3组玩具图片312/306个多尺度特征点匹配到115对,如图6c所示。
通过对上述3组图片机型多尺度特征点提取及匹配进行测试,均取得了良好的匹配效果,验证了本设计方法可行,基于FPGA的算法改进合理。
多尺度特征点在匹配时,速度主要与图像的多尺度特征点数量有关。3组图像分别使用FPGA、CPU和GPU实现SIFT算法进行对比测试,采用的FPGA芯片与上相同,CPU采用Intel i5-2430,RAM为4 Gbyte,GPU为NVIDIA Ge Force GT540M。三者耗时与匹配情况如表2所示。
根据表3可知,虽然改进SIFT的匹配点对数与标准SIFT算法相比略有减少,但是16维特征算子算法复杂度比128维SIFT特征算子算法复杂度大大减小。3组图片特征点匹配的CPU实现耗时约为FPGA的32~46倍,GPU实现耗时约为FPGA的2~3倍。
5 结论
本文根据FPGA的特点,结合Harris角点和斑点两种多尺度特征点,对多尺度特征提取与匹配算法进行改进,不仅降低了算法复杂度,而且充分利用了FPGA的并行性,基于FPGA的多尺度特征点匹配速度远远大于CPU实现的速度,优于GPU实现的速度,适用于实时性要求高的场合,且取得较好的匹配效果。
摘要：对于图像的多尺度特征点提取及匹配存在提取特征有限、算法复杂度高、处理速度慢的问题,提出了一种利用多尺度Harris角点方法提取图像中物体边界特征点,采用二维高斯拉普拉斯算子检测图像斑点信号,并基于SIFT特征描绘子计算特征描绘子相似度来完成匹配的方法。该方法充分利用FPGA的并行性特点,通过降低多尺度Harris角点检测、斑点提取和SIFT特征描绘子生成算法的复杂度,在FPGA中实现了图像多尺度特征点的快速提取及匹配。通过对多组图片进行对比测试验证,该方法相对于软件实现方法具有处理速度快,而图像主要特征点不丢失的特点。
关键词：FPGA,多尺度,Harris角点,梯度,SIFT
参考文献
[1]余先川,吕中华,胡丹.遥感图像配准技术综述[J].光学精密工程,2013,21(11):2960-2972.
[2]戴涛,朱长仁,胡树平.图像匹配技术综述[J].数字技术与应用,2012(3):174-175.
[3]高晶,吴育峰,吴昆,等.基于角点检测的图像匹配算法[J].仪器仪表学报,2013,34(8):1717-1725.
[4]LOWE D G.Distinctive image features from scale-invariant keypoints[J].International journal of computer version,2004,60(2):91-110.
[5]何婷婷,苪建武,温腊.CPU-GPU协同计算加速ASIFT算法[J].计算机科学,2014,41(5):14-18.
[6]杨天天,鲁云萍,张为华.一种基于GPGPU的SIFT加速算法[J].计算机技术与应用,2015,41(1):149-152.
[7]王渝,王刚.基于FPGA的改进Harris角点检测方法[J].通信技术,2010,43(4):188-160.
[8]肖得胜,刘桂华.多尺度Harris焦点检测的FPGA实现[J].通信技术,2012,45(11):85-86.
[9]王永明,王贵锦.图像局部不变特征与描述[M].北京:国防工业出版社,2010:129-166.
特征点提取与匹配 篇2
特征点提取技术一直是摄影测量和计算机视觉的研究热点.从兴趣算子的角度研究了几种主流特征点提取算法,通过大量的实验,从速度、精度、适应性方面,定量地比较和分析了各算法性能、优缺点和适应环境,针对特征点分布欠均匀的`问题,提出改进措施,并取得了较理想的结果.
作 者：张春美 龚志辉 黄艳 ZHANG Chun-mei GONG Zhi-hui HUANG Yan 作者单位：张春美,ZHANG Chun-mei(信息工程大学,测绘学院,河南,郑州,450052;73603部队,江苏,南京,210049)
龚志辉,黄艳,GONG Zhi-hui,HUANG Yan(信息工程大学,测绘学院,河南,郑州,450052)
刊 名：测绘科学技术学报 PKU英文刊名：JOURNAL OF GEOMATICS SCIENCE AND TECHNOLOGY 年，卷(期)： 25(3) 分类号：P231 关键词：特征点提取 性能评估 重复率 局部熵
特征点提取与匹配 篇3
定位是移动机器人最基本的功能之一,最早的定位研究成果主要是通过机器人的内部传感器,如码表、惯性仪等设施实现定位,但由于打滑、地面崎岖不平等原因造成的误差累积常常会导致定位结果不精确,不宜长时间单独导航。如果通过GPS定位或者利用我国的北斗导航系统定位,在有遮挡区域等信号不好的地方定位系统将失效,因此,人们开始逐渐采用外部传感器来辅助定位,比如红外和视觉传感器[1,2]。
视觉传感器因其丰富的环境信息如视觉、纹理、形状等备受关注,而且由计算机视觉理论可知,通过视觉系统便可准确识别出目标并判断出自身位姿。目前许多现存的方法中,大多采用人工设置路标,然后在机器人移动过程中对事先设定的人工路标进行匹配实现定位。但是随着研究工作的不断进展,人们逐渐将移动机器人的应用场景从室内转到了室外,此时许多特定情况下,人工设置路标是不现实的,所以自然路标就成为在户外条件下的首选方法。所谓自然特征就是指环境中已有的、非人工设置的、能够用以标识不同环境场景的特征对象。相对于室内大多结构化的环境,室外复杂的非结构化环境对移动机器人的定位和导航带来了相当大的挑战,同时,相对于室内,室外不断变化的光照条件和气候环境也是研究中的一大挑战。
基于视觉的自然路标需要提取其不变点,之后利用特征点匹配的方法判断和识别路标,从而实现移动机器人的定位。与GPS定位方法不同,基于特征的定位方法首先将原始的采样数据转换为相应的局部特征,在只需少量存储空间的情况下保存丰富而精确的环境信息。这类方法通常具有较好的鲁棒性,能满足相对复杂的应用,但在道路两旁有植被分布时,大多数特征点都集中于道路两旁的树木,而且提取的特征较为相似,这对后期的特征匹配和机器人定位带来了较大的影响。因此,如何剔除植被对自然路标提取的影响,将特征点尽可能均匀地分布到场景的建筑物中去,成为自然路标提取中的一大难题[3]。
目前已有的局部特征匹配算法主要有Harris,SIFT,SURF,ORB等[4,5],SIFT(Scale - invariant Feature Trans-form)算法由David Lowe在1999年提出,2004年完善总结。因其具有良好的尺度旋转不变性而受到广泛关注,但由于其运算速度较慢,影响了其在实时应用中的应用。Herbert Bay针对SIFT算法提出了改进的SURF算法[6,7],在速度上提升了一个量级,但是在一些实时应用中此速度依旧不够。直到2011年Willowgarage提出了ORB算法[8,9],可以满足大多数实时性应用。但是,ORB算法提取的特征点,在户外应用中,特征点分布都不够均匀,故本文采用基于曲率的算法来实现较均匀的特征点提取[10]。
1 基于曲率的特征点抽取
基于曲率的特征点抽取方法计算简单,提取出来的特征点具有旋转不变性,对噪声和亮度变化也都具有良好的鲁棒性,且特征点分布均匀,更重要的是可以提取定量的特征点。该方法主要通过灰度变化来判断是否是角点,当图像中某一点沿任意方向的微小偏移都会产生灰度的大量变化,则该点被认为是角点。设Ix为水平方向灰度的变化,Iy为竖直方向的灰度变化,那么角点就是Ix,Iy变化都很大的点,而边缘则是Ix,Iy中只有一个变化较大的点。设w(x,y) 是以 (x,y) 为中心的一个滑块 ,当其在任 意方向滑 动 [u,v] 时 ,产生灰度 变化E(u,v) 的计算方法如下:
而后根据泰勒级数计算出一阶到n阶的偏导数,最终可以得到一个矩阵公式:
再根据矩阵的特征值 λ1,λ2判断是否为角点,但实际操作中一般计算出角点响应值如下:
式中:k为系数值,一般取0.04~0.06,通过R来判断是否为角点,R若为对应的邻域的极大值就是角点所在位置。
邻域设置为3 × 3和8 × 8时基于曲率的特征点提取的效果图,如图1所示。
原本的基于曲率的特征点提取算法,判断一个点是否为特征点的依据是判断计算出的R是否在邻域内最大,若最大则为特征点。而这里因为一个点的不确定性主要取决于较小的那个特征值,若采用行列式的特征值来判断是否为特征点的话,只需较小的一个特征值数值大于预先设置的阈值,则该点便可以被认为是一个强角点[11],即此时:
若R大于预先给定阈值即为强角点,由于该算法对发现特征值的要求较低,可以抽取到一些不是特别明显的特征点,若实际应用中需要特征点均匀分布时,适当提高该算法的运算邻域,即可获得相对其他算法而言分布更加均匀的角点分布图,效果如图2所示。
图2(a)和图2(b)分别为极大值抑制区域为3 × 3和8 × 8的情况,可以发现当极大值抑制区扩大为8 × 8时,特征分布已相当均匀。
2 具有旋转不变性的二进制特征描述
二进制字符串描述符,相对其他算法减少了描述符的维度,从而减少了描述和匹配的时间。该算法首先对图像进行高斯滤波以降低噪声的影响,后在图像中选择一个局部 块p,大小为S × S像素 ,定义一个 τ 测试如下:
式中:u,v是形如 (x,y) 的二维坐标对;p(u),p(v) 是所在点的亮度。
由若干个 τ 测试的结果组成字符串:
式中 :n可以取128,256,512等 ,这里取512,其需要512 8 = 64B的存储空间。如何有效地选取特征点对接下来的运用影响很大,经实验证明,采用服从1 /25S2的高
斯分布,特征向量具有较好的分辨率,同时采用Ham-ming距离代替传统的欧式距离判断是否匹配,匹配时只需按位进行异或操作,大大缩短了特征匹配的时间。
BRIEF运算简单且所占内存较小,比较适用于一些实时应用,但该算法同样也存在一些缺点:易受噪声影响,未考虑特征方向,不具备旋转不变性,不具备尺度不变性。
为了让该算法具有旋转不变性以减少移动机器人在抖动过程中画面旋转对匹配结果造成的影响,通过质心算法计算出各关键点的方向,如下式所示:
得到特征点的方向为:
式中:(x,y) 为检测到兴趣点的坐标,之后将获得的 θ 以2π 30的尺标将其量化。在位置 (xi,yi) 上对任意n个二进制特征集,定义一个2 × n的矩阵:
用之前得到的 θ 校正S得到Sθ= SRθ,其中:
根据得到的方向再提取描述子g(p,θ)= f (p)|(xiyi)∈Sθ就具有旋转不变性了。
3 实验和结论
本实验在Win7系统下,利用vs2010和opencv2.4.10实现了基于曲率算法的特征抽取与二进制特征描述方法。实验硬件为AMD四核的A6-3420M APU 1.5 GHz,内存4 GB,显卡HD 7470M 1G。由于实现移动机器人定位所需的特征点对不多,故本文所有算法对每一幅图像检测到的特征点数设置上限为200,所使用图片采用录制视频中相近帧截屏获得,各算法实验效果如图3所示,实验数据见表1。
从实验结果来看,SIFT和SURF所获得的特征点分布比较均匀,但是在速度上和其他算法相比,慢了很多,不适用于实时性应用,速度最快的快速角点检测算法检测出的特征点分布较为集中,无法减少树木等对特征匹配的影响。
特征点提取与匹配 篇4
1 人脸识别技术概述
人脸识别技术最早出现在1965年, 但这一技术的基本理论早在18世纪中叶便已提出, 而对于人脸识别技术的定义, 笔者结合相关资料将其称为“利用计算机来分析人脸面部图像, 提取人脸有效特征, 用来辨识身份的一门自动处理技术”。在人脸识别技术的具体应用中, 人脸检测、特征提取和分类识别是这一技术形式应用的主要三个步骤。其中人脸检测这一步骤主要目的在于判断输入的人脸图像或者视频图像中是否有人脸存在, 并对人脸的位置、器官大小等信息进行检测。基于启发式的检测算法、基于肤色区域分割的检测算法以及基于统计模板的检测算法都属于人脸检测的典型算法形式。而特征提取这一步骤主要目的是为了从检测到的人脸面部图像中提取可区分不同个体差异的鉴别性特征, 这一特征决定着人脸识别能否顺利实现, 这一步骤决定着人脸识别技术的性能与精度。分类识别这一步骤, 需要结合上两步骤得到的数据, 并选择合适的分类器进行具体的人脸身份鉴别, 这一过程的精度受上一步人脸特征提取的影响较大, 其中最近距离分类器、基于贝叶斯的分类器都是较为常见的分类识别方法。总的来说, 只有三步骤的紧密结合才能够较好完成人脸识别, 而如果能够在不同步骤中采用多种算法结合的形式, 会使人脸识别的效果和识别率得到提升。值得注意的是, 人脸识别技术还具备面部特征描述方法与特征提取基本方法两种的具体识别技术, 这些技术的应用能够较好保证人脸识别技术的应用质量与效率[1]。
2 图像匹配技术概述
在具体的人脸识别技术中, 图像匹配技术的应用较为普遍, 其本身属于模式识别、人工智能、计算机视觉领域中的一个基本且重要的技术, 并具备快速匹配且匹配精度高以及鲁棒性较好的特点, 这使得图像匹配技术具有较为广阔的发展前景。在人脸识别技术中, 图像的光学特性、几何特性、空间位置特性都会对图像产生较大影响, 这时图像匹配技术的应用就能够通过对图像内在属性的查找, 保证人脸识别技术的识别精度与识别效率。在图像匹配方法中, 基于灰度的匹配算法、基于特征点的匹配算法、基于局部投影熵的图像快速匹配算法都是较为常见的图像匹配方法, 这些方法在人脸识别技术中都能够得到较好的应用[2]。
3 基于改进全变分模型的人脸识别方法研究
在人脸识别技术中, 光照变化一直是影响人脸识别技术的识别精度与效率的重要问题之一, 为了能够最大程度上降低光照变化对人脸识别技术带来的影响, 本文提出了一种基于改进全变分模型的人脸识别方法, 并结合实验对这一方法进行了验证, 由此得出了这一方法具有有效性的答案。
3.1 人脸识别中光照问题分析
为了对这一基于改进全变分模型的人脸识别方法进行较好的研究, 首先需要对人脸识别技术中的光照问题进行详尽分析。我国当下的人脸识别技术在安全监控系统、嫌疑人图像的自动识别、门禁安保系统等方面都有着较为广泛的应用, 但是, 应用过程中发现了一些图片与视频中光照条件往往较为复杂且不理想的问题, 这就使得人脸识别技术受到光照因素的影响, 这一影响主要与目标所处的侧光、高光、偏光、过亮、过暗及阴影等光照环境有着较为密切的关系, 而要想提高人脸识别技术的人脸识别率, 如何解决光照问题, 已成为人脸识别技术面临的挑战难度较高的问题之一。在我国当下人脸识别技术的光照问题处理中, 基于图像处理技术、基于成像模型以及基于子空间三类方法的应用较为常见, 比率图法、商图像法以及球谐函数法是这三类技术方法的主要表现, 但是, 这几种方法存在计算量大、数据收集困难以及计算时间长等问题, 这使得其并不能较好满足人脸识别技术的需求。在本文所进行的研究中, 以全基于变分模型的人脸识别方法为基础, 以此进一步减少因光照造成的图像边缘“光晕”与模糊现象, 这样就能够在全变分模型技术的基础上, 进一步提高这一人脸识别技术的人脸识别率[3]。
3.2 反射系数模型和方法研究
3.3 基于全变分模型的光照估计算法
本文研究的基础是全变分模型, 这是一种很经典的图像恢复方法, 这一特点使得其在人脸识别技术的应用中能够通过对图片的处理较好降低光照因素带来的影响, 其本身具备模型简单、参数设置少等优点, 而其具备的能很好地保持该图像的细节特征和细节信息的特点, 使得这一技术形式与人脸识别技术能够实现较好的配合, 这也是本研究以其为基础的原因所在[5]。
3.4 基于改进全变分模型的人脸识别方法
3.4.1 基于多分辨率的全变分模型
根据上文中的相关论述, 可以通过改进全变分模型对图像进行光照估算, 以此最大程度降低光照因素对人脸识别技术带来的影响, 而为了对全变分模型技术进行较好的改进, 本文选择了采用多分辨率的思想从粗糙图像到精细的逐步迭代估算出光照成分的方式。在这种基于多分辨率的全变分模型改进中, 依据的是一种“图像金字塔思想”, 这一思想指的是建立一个分辨率呈接地分布或者逐渐变化的图像集合, 金字塔的每一层代表相同的图像, 但是每一层图像的分辨率不同。由于采用图像金字塔思想, 加快了多分辨率框架的迭代计算的求解速度, 这对于降低光照因素对人脸识别技术带来的影响有着很大的促进作用[6]。
3.4.2 基于分块PCA的局部特征提取方法
在基于改进全变分模型的人脸识别方法中, 还需要对以往人脸识别技术的局部特征提取方法进行改进, 这一改进采用的是分块PCA的理论。在提取人脸特征的过程中, 人脸特征输入给分类器需要通过全变分模型得到反射系数, 以此完成具体的人脸特征提取, 但由于人脸包含着各个组成部件的局部细节特征、纹理结构以及全局的整体特征等多方面的特征, 这就使得全变分模型所提取的人脸总体特征并不能较好满足人脸识别技术的需要, 所以, 需要采用分块PCA提取面部的局部特征, 这样就可以保证人脸局部特征鉴别特性的有效性, 这对于光照条件下图像变化的鲁棒性有着较为优秀的应用效果, 而分块PCA能够实现使用奇异值分解人脸图像, 也使得这一技术的使用价值得到进一步提升[7]。
在基于分块PCA的局部特征提取方法中, 会采用最近邻法分类器对最优的子空间特征表示原图像进行分类, 以此保证每个图像都对应一个特征向量矩阵, 并通过具体的均值矩阵求出测试样本归属的类别, 这样就可以较好地通过基于改进全变分模型的人脸识别方法降低光照因素对人脸识别技术带来的影响。
3.5 实验结果与分析
为了验证这种基于改进全变分模型的人脸识别方法解决光照问题的有效性, 本实验采用了Yale人脸库和CMU_PIE人脸数据库的人脸信息, 并选择了两个数据库中各15个人、13种姿态与43种光照条件下的不同照片, 而在利用这一基于改进全变分模型的人脸识别方法进行人脸识别时, 发现相较于全变分模型, 这一方法极大提升了人脸的识别效率与精度, 从而证明本研究的可行性与正确性。
4 结语
在我国科学技术快速发展的今天, 人脸识别技术的发展也会不断加快, 希望本文所提出的基于改进全变分模型的人脸识别方法能够为我国人脸识别技术的发展带来一定帮助。
参考文献
[1]李敏跃, 李威龙.人脸识别系统的研究与实现——图像获取、定位、特征提取和特征识别[J].广西工学院学报, 2005 (S3) :97-100.
[2]唐守军, 李鹏程.人脸识别中图像特征提取与匹配技术研究[J].计算机光盘软件与应用, 2014 (14) :133.
[3]朱兴统, 习洋洋.基于C++和Open CV的人脸识别系统的设计与实现[J].自动化与仪器仪表, 2014 (8) :127-128.
[4]陈献忠, 苏庆刚, 王耀明.应用于人脸识别的结合SVD变换的图像类特征提取算法[J].计算机应用与软件, 2010 (9) :231-233.
[5]伍世虔, 韦礼珍, 方志军.红外人脸识别技术[J].中国图象图形学报, 2008 (12) :2260-2269.
[6]王跃明, 潘纲, 吴朝晖.三维人脸识别研究综述[J].计算机辅助设计与图形学学报, 2008 (7) :819-829.
图像匹配中特征提取算法研究 篇5
图像匹配是图像处理的一项关键技术, 可广泛用于目标识别与跟踪、立体视觉、变化检测、测绘等领域。目前已经有很多学者对基于边缘的图像匹配方法进行了研究, 取得了较好的结果。基于点特征匹配目前研究较少, 是一个图像匹配的研究方向。无论以边缘进行匹配, 还是以点特征进行匹配, 其中关键的技术之一是特征提取。
角点特征是图像的重要特征, 由于角点对应与图像中信息含量高的位置, 相对于原图像而言, 使用角点进行匹配计算能够大大减少计算量, 因此它能够在图像匹配中有良好的应用价值。在实现摄影测量自动化和遥感影像匹配中, 提取角点特征也具有重要意义[1]。
1 图像点特征提取及其算法
点特征主要是明显点, 如角点, 原点等。角点特征是影像的重要特征, 在各种影像特征中角点具有旋转不变性和不随光照条件变化而变化的优点。由于角点能够在减少参与计算的数据量, 同时又不损失影像的重要灰度信息, 而且在影像匹配中, 利用角点特征匹配可以大大提高匹配速度, 所以角点特征的提取尤为重要。现在已经提出一系列算法各异, 且有不同特点的兴趣算子, 比较著名得有Moravec算子, Forstner算子, Harris算子, MIC算子以及SUSAN算子等。基于C#, 在.net环境下实现了前三种算法, 并对算法的性能进行了分析, 并以一幅常用的实验影像来提取角点[2]。
2 角点提取结果分析
2.1 开发语言及环境
C#是一种最新的、面向对象的编程语言。ASP.NET是一个统一的Web开发平台, 已编译的、基于.NET的环境, 可以用任何与.NET兼容的语言 (包括Visual Basic、.NET、C#和JScript.NET.) 创作应用程序。
2.2 Moravec算子实验及结果分析
本文试验分成两部分, 第一部分是对无噪声图像设定不同参数, 查看提取结果;第二部分是对图像加上噪声, 进一步对算法的性能进行比较分析。
Moravec算子有三个不同的参数影响着特征提取的效果, 通过改变三个参数设置来比较结果。笔者通过比较方差阈值、比较方差窗口、比较候选点窗口对结果的影响三个实验, 得出如下结论:
在其他参数不变的情况下, 改变方差阈值, 从3000增加到10000, 可以减少误差, 没有提取出不必要的角点, 但是由于阈值过大, 也丢失了一些角点, 所以要适当地减小阈值。通过实验, 将最佳阈值设定在5000~8000之间;方差窗口影响提取的角点的宽度, 当窗口较大的时候提取的角点比较宽, 线条比较粗, 而实际中角点是比较细小的, 所以要选择比较小的窗口, 3×3窗口比较合适;候选点窗口的大小对角点的提取影响很小。
对以上的结果进行分析可以得知, 当方差窗口较小 (选取3×3) , 阈值在一个合适的范围时 (选取5000) , 提取的角点特征比较明显, 效果较好。
2.3 噪声图像处理结果分析
为了检验Moravec算法的去噪能力, 对原始图像加入少量噪声, 通过参数设置发现, 方差阈值需设置的较大, 祛噪能力就会越强, 因为噪声点像素值较大, 所以必须将阈值设置的比较大, 才能过滤掉噪声, 进而提取角点特征;当方差窗口较小时, 去噪能力较强。当窗口较小时, 就可以把噪声剔除出去;候选点窗口的大小对提取结果的影响很小, 两幅图的效果很接近;在去除噪声影响时, 方差窗口的大小和方差阈值的大小的作用较大, 并且需要设置较大的方差和较小的方差窗口才能取得较好的效果, 而候选点窗口的大小影响则较小。
2.4 实验结果分析
在用Morava算子进行角点特征提取时, 要获得比较好的实验效果, 需要将方差窗口设置的较小, 方差阈值设置较大 (在此取4000为最佳) , 相比较而言候选窗口则作用较小。
3 特征提取的发展方向
图像特征提取是图像识别的关键步骤, 图像特征提取的效果如何直接决定着图像识别的效果, 如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。当前的研究主要有几个方向[3]: (1) 颜色或灰度的统计特征提取; (2) 纹理、边缘特征提取; (3) 图像代数特征提取; (4) 图像变换系数特征提取。
4 结论
图像特征提取是图像识别的关键步骤, 特征提取的效果直接决定着图像识别的效果。如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。从图像的变换系数中提取图像特征是近年来发展起来的新的图像特征提取方法, 无论从理论还是实际应用的角度, 还有许多问题有待研究将变换系数方法和代数方法相结合来提取图像特征更值得深入研究。
摘要：图像匹配是图像处理技术领域中最重要的环节之一, 基于特征的匹配方法涉及特征的选定和提取, 以及相似性准则的确定及实现。图像特征主要分为点特征, 线特征以及面特征。本文以角点为点特征作为研究重点, 对当前一些主要的角点特征提取算子, 包括Morava算子, Forstner算子, Harris算子, MIC算子, SUSAN算子和SIFT算子进行研究。本文主要介绍了实现Moravec算子的编程思想及实现流程。
关键词：图像匹配,特征分类,提取算子
参考文献
[1]张剑清, 潘励, 王树根等.摄影测量学[M].第1版.武汉:武汉大学出版社, 2006:83-90.
[2]翟俊海, 赵文秀.图像特征提取研究[J].河北大学学报 (自然科学版) , 2009, 29 (1) :106-110.