技術領域：
本發(fā)明涉及圖像處理領域，尤其涉及一種圖像特征樣本數(shù)據(jù)庫及其建立方法。
背景技術：
：移動增強現(xiàn)實，即基于移動終端的增強現(xiàn)實，是增強現(xiàn)實技術與移動計算相結合而產生的研究方向，是近年來人機交互領域備受關注的熱點之一。移動增強現(xiàn)實具有傳統(tǒng)增強現(xiàn)實的本質，即在真實環(huán)境呈現(xiàn)的場景中，借助與計算機圖形技術和可視化技術，將虛擬信息實時“無縫”與之融合，利用虛擬信息對真實場景進行補充、增強；同時與移動終端平臺的結合，可以最大限度的發(fā)揮增強現(xiàn)實技術“可移動性”的特點，給予用戶完全區(qū)別于傳統(tǒng)計算機平臺的全新的感知體驗和交互模式。在移動增強現(xiàn)實技術中，圖像配準是一個技術難點，現(xiàn)有的圖像配準技術多數(shù)是基于普通計算機設計的，若將此類圖像配準技術直接移植到移動智能終端(如智能手機和平板電腦等)這一類受限系統(tǒng)上，由于移動智能終端與普通計算機的系統(tǒng)架構及性能差異，這樣的算法移植不能滿足系統(tǒng)運行的實時性及準確性要求。例如：在“DanielWagner,GerhardReitmayr,AlessandroMulloni,etal.PoseTrackingfromNaturalFeaturesonMobilePhones[C]//7thIEEE/ACMInternationalSymposiumonMixedandAugmentedReality,pp.125-134,2008”中提到的圖像配準技術，屬于利用一種改進的SIFT算法來實現(xiàn)圖像配準，其具體包括如下步驟：步驟A：使用FAST算法對圖像進行角點檢測，提取圖像特征點，其中FAST是指由EdwardRosten和TomDrummond提出的一種角點檢測算法(若點P領域內的16個點中，有連續(xù)12個點的灰度與點P的灰度只差大于閾值t，則判斷點P為角點)。步驟B：用SIFT(Scale-invariantfeaturetransform，尺度不變特征轉換)算法形成對特征點的特征描述，具體為：首先確定特征點的主方向以保證特征點的方向不變性，計算出特征點鄰域內所有點的梯度方向及梯度量化值，如圖1(a)。這些梯度值構成了一個方向直方圖，如圖1(b)所示。式1-1是鄰域點L(x，y)的梯度量化值計算公式，式1-2是領域點L(x，y)的梯度方向計算公式。根據(jù)這兩個公式計算出來的值被以方向O為索引，放置在一個36維度的直方圖中，其中每個bin表示10度的方向。而直方圖中的峰值即是特征點的主方向。m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2---(1-1)]]>θ(x,y)=arctan(L(x,y+1)-L(x,y-1)L(x+1,y)-L(x-1,y))---(1-2)]]>然后以特征點為中心，建立3X3的子區(qū)域，每個區(qū)域為5X5的像素點陣，每個子區(qū)域由4個方向的梯度值來描述，每個像素點對于該子區(qū)域的梯度值的權值由該像素點到子區(qū)域中心的距離決定，距離越遠，權值越小。因此對每個子區(qū)域建立了一個4維向量的描述，9個子區(qū)域則共同形成特征點的36維向量描述，如圖2；或建立4X4個子區(qū)域，每個子區(qū)域由8個方向的梯度值來描述則一個特征點由128維的向量描述(如圖3)。步驟C：構造溢出樹(SpillForest)進行特征匹配；構造的溢出樹SpillForest每顆Spill樹根結點包含50～80個葉子結點，特征點的向量在每顆樹中進行搜索和匹配，每棵樹都能找到一個匹配度最高的葉子結點，比較特征點向量與葉子結點的平方差總和，判斷最小值為匹配成功。步驟D：壞點排除；SIFT特征雖然是一個非常強大的描述，但它仍然產生壞點，在做姿態(tài)估計之前必須排除掉壞點。排除壞掉首選根據(jù)特征點的主方向，排除掉梯度方向與主方向相差較大的特征點；然后對剩下的特征點進行幾何測試。對所有特征點進行匹配度排序，從匹配度最高的兩個特征點開始，兩個特征點確定一條直線，若大多數(shù)剩下的特征點在直線的同一邊則判斷這兩個特征點為好點，否則至少其中一個為壞點，進行大約30次測試，排除掉所有壞點；最后使用單應性矩陣排除掉剩下的壞點。步驟E：進行姿態(tài)估計。上述圖像配準技術，具有如下缺點：1)、由于采用FAST算法提取圖像特征點，使SIFT原本的尺度和方向信息丟失，因此需要實時的對輸入圖像的特征點在不同尺度下進行描述，會占用數(shù)倍的內存空間。2)、構造SpillForest會占用大量內存，如圖4，顯示了一個典型的數(shù)據(jù)集構造不同規(guī)模的SpillForest占用內存的情況。3)、主方向計算雖然是特征點具有了方向不變性，但增加了一定的運行時間；4)、SIFT算法中每個特征點用128維或36維的特征向量進行描述，信息冗余度高，算法空間復雜度高；5)、排除壞點顯著增加運行時間。上述現(xiàn)有圖像配準技術在普通計算機上可能能達到較好配準效果，但是智能手機等移動終端本身在計算性能、內存空間等方面受到的諸多限制，該配準技術在移動終端上不再適用。主要表現(xiàn)為計算復雜，會造成系統(tǒng)響應時間急劇增加；數(shù)據(jù)量龐大，會使內存占用率高。因此單純的算法移植不能在移動終端上實現(xiàn)圖像的精確、實時的配準。技術實現(xiàn)要素：本發(fā)明的目的是提供一種圖像配準方法、裝置及使用該圖像配準方法及裝置的增強現(xiàn)實系統(tǒng)，及一種包括所述增強現(xiàn)實系統(tǒng)的移動終端，解決現(xiàn)有圖像配準技術不適用于移動終端上實現(xiàn)圖像的精準、實時匹配問題，提供了一種占用內存小，執(zhí)行效率高的圖像配準方法及裝置。為了實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種圖像特征樣本數(shù)據(jù)庫建立方法，包括：對樣本圖片進行特征點檢測及提取；分別對樣本圖片提取出的各特征點鄰域內的像素點進行稀疏采樣，得到N*N像素陣，其中N為大于等于2小于等于64的整數(shù)；將每個特征點的N*N像素陣提取灰度值，得到N*N的灰度矩陣；將每個特征點的灰度矩陣進行K種不同階數(shù)的灰度量化，且每種階數(shù)的灰度量化矩陣用1個N2維向量進行描述，其中K為大于等于4且小于等于10的整數(shù)；將從白色到黑色的整個灰度區(qū)間均分為K個子區(qū)間，根據(jù)特征點的N*N像素陣中的各像素點在各種階數(shù)的灰度量化值是否落入各灰度子區(qū)間，分別用N2*K矩陣描述樣本圖片的各特征點，得到樣本圖片各特征點的二進制描述矩陣；將樣本圖片各特征點的二進制描述矩陣存入數(shù)據(jù)庫中，形成特征樣本數(shù)據(jù)庫。優(yōu)選的，所述樣本圖片各特征點的二進制描述矩陣，具體為：其中，每一行Di,0Di,1…Di,k-1對應一個像素點i是否落在各個灰度子區(qū)間，且Di,j=0,Bj<Gi,j<Bj+11,Gi,j≤Bj∪Gi,j≥Bj+1]]>其中，Gi,j表示樣本圖像的稀疏采樣像素陣中像素點i在第j種階數(shù)下的灰度值，Bj表示灰度子區(qū)間j的最小灰度值。優(yōu)選的，所述方法還包括：對特征樣本數(shù)據(jù)庫中的每個特征點建立特征索引，并對特征樣本數(shù)據(jù)庫中的所有特征點建立索引樹，每個特征索引對應一個特征索引值。優(yōu)選的，對特征樣本數(shù)據(jù)庫的每個特征點建立特征索引，包括：從特征點的稀疏采樣模型中隨機選取包含特征點自身的5～21個像素點作為索引點；若索引點的灰度值大于稀疏采樣模型中所有像素點的灰度平均值，則記該索引點的值為1，否則記為0；將5～21個索引點序列量化為5～21位二進制數(shù)的特征索引值。優(yōu)選的，所述索引樹為B+樹結構或B+樹的變形結構。優(yōu)選的，所述對輸入圖像進行特征點檢測及提取步驟中，若檢測出的特征點大于M個，則隨機選取M個特征點進行提取，其中，M為大于等于100且小于等于700的整數(shù)；若檢測出的特征點小于M個，則提取出已檢測到的特征點，并對所述輸入圖像建立尺度因子為2至6的圖像金字塔，且對圖像金字塔的下一層進行特征點提取，直到提取的特征點到達M個。相應的，本發(fā)明還提出一種圖像特征樣本數(shù)據(jù)庫，該圖像特征樣本數(shù)據(jù)庫采用上述的方法建立而成。與現(xiàn)有技術相比，本發(fā)明具有如下有益效果：1)本發(fā)明通過稀疏采樣模型對特征點進行矩陣描述，得到特征點的二進制描述矩陣，這樣的稀疏采樣模型和二進制的特征描述方法，顯著降低了特征描述的信息冗余度，使得特征描述占用的內存空間大幅度下降；2)本發(fā)明根據(jù)二進制特征描述這一特點，在采用本發(fā)明圖像特征樣本數(shù)據(jù)庫進行特征匹配時，可采用執(zhí)行效率更高的邏輯與運算，可有效減少特征匹配的運算時間；3)采用特征索引構造B+樹解決了構造溢出樹型數(shù)據(jù)結構大量占用內存空間的問題。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖：圖1為現(xiàn)有技術中對特征點的主方向選擇示意圖及對應的方向直方圖；圖2為現(xiàn)有技術中特征點描述模型示意圖；圖3為現(xiàn)有技術中特征點的梯度方向描述示意圖；圖4為典型的數(shù)據(jù)集構造不同規(guī)模的SpillForest占用內存的情況示意圖；圖5為本發(fā)明實施例中圖像配準方法流程示意圖一；圖6為本發(fā)明實施例中特征樣本數(shù)據(jù)庫的建立過程流程示意圖；圖7為本發(fā)明實施例中一種特征點稀疏采樣陣列示意圖；圖8為本發(fā)明實施例中對特征點建立索引的稀疏采樣陣列示意圖；圖9為本發(fā)明實施例中B+索引樹存儲結構示意圖；圖10為本發(fā)明實施例圖像配準裝置的結構示意圖一；圖11為本發(fā)明實施例圖像配準裝置的結構示意圖二；圖12為本發(fā)明實施例增強現(xiàn)實系統(tǒng)的一種結構示意圖；圖13為本發(fā)明實施例增強現(xiàn)實系統(tǒng)工作流程示意圖。具體實施方式下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。由于普通計算機與移動智能終端的系統(tǒng)架構及性能差異，將適用于普通計算機的圖像配準算法簡單移植到移動智能終端上，不能滿足系統(tǒng)運行的實時性及準確性要求。本發(fā)明主要針對基于移動智能終端的增強現(xiàn)實技術在自然特征匹配這一過程中在系統(tǒng)實時性上的不足進行改進，在移動智能終端(如智能手機和平板電腦等)這一類受限系統(tǒng)上，實現(xiàn)對自然特征的快速而準確的檢測與描述。參見圖5，為本發(fā)明實施例中圖像配準方法流程示意圖一，該實施例中的圖像配準方法，包括如下步驟：S101：對輸入圖像進行特征點檢測及提取；其中，特征點的檢測可以通過FAST角點檢測算法進行，當然也可以通過其他任意算法進行檢測，另外本步驟中輸入圖像優(yōu)選為灰度圖像，若輸入圖像為非灰度圖像，應首先將其轉換為灰度圖像后再進行特征點的檢測和提取。S102：將提取出的各特征點分別根據(jù)稀疏采樣模型進行矩陣描述,得到輸入圖像各特征點的二進制描述矩陣，所述稀疏采樣模型為N*N的像素陣，其中N為大于等于2且小于等于64的整數(shù)，需要說明的是，N的取值范圍為5～9時效果較佳(參見圖7，為N＝8時的特征點稀疏采樣像素陣)。S103：將輸入圖像各特征點的二進制描述矩陣，與特征樣本數(shù)據(jù)庫中各特征點的二進制描述矩陣進行匹配計算，得到圖像配準結果。所述特征樣本數(shù)據(jù)庫是在進行圖像配準之前就建立好的，即在步驟S101之前，還包括建立特征樣本數(shù)據(jù)庫，特征樣本數(shù)據(jù)庫的具體建立方法在后文會進詳細描述。本實施例中的圖像配準方法適用于各種需要進行圖像配準的應用，尤其適用于適用于移動終端上進行圖像配準。上面概括性的介紹了本發(fā)明實施例中圖像配準方法的實現(xiàn)流程，下面將結合具體例子對各個步驟進行詳細描述。首先介紹如何建立特征樣本數(shù)據(jù)庫：基于視覺的跟蹤配準需要建立數(shù)據(jù)量龐大的特征樣本數(shù)據(jù)庫，包含每個可跟蹤目標的多視角的樣本圖片的自然特征。該特征樣本庫數(shù)據(jù)庫建立所需的樣本圖片，可以通過對實際目標的多角度拍攝，或者由參考圖像的不同的尺度、旋轉的仿射變換得到。由于對實際目標進行多角度拍攝，工作比較繁瑣，且不易涵蓋所有的視角，因此優(yōu)選采用對參考圖像進行仿射變化的到目標的樣本集。此外，在樣本圖片中加入隨機的噪點和畸變，能夠讓訓練出來的特征具有更好的魯棒性。對一個目標建立特征樣本數(shù)據(jù)庫，需要包括該目標各個視角(目標的一個視角對應對參考圖像的一次仿射變換)上的特征樣本，但目標的仿射變換范圍大，作為一個整體進行特征匹配時，時間復雜度高，因此可以將整個視角變化范圍分為若干個子集，每個子集包含小范圍的視角變化，并以樹型結構存儲。特征檢測分別對每個仿射變換子集進行角點檢測，每個角點在參考圖像中的位置可由仿射變換的逆變換得到。相應的，特征樣本庫也根據(jù)不同的視角分為若干子集，且相對獨立。子集中的所有圖像共同構建特征子集，當前檢測的圖像發(fā)現(xiàn)新的特征點，則加入到特征子集中，否則對子集中的下一幅圖像進行特征檢測。當子集中所有圖像檢測結束，則從中選擇重復率最高(重復率越高意味該特征點越穩(wěn)定)的n個特征點作為該視角子集的特征集。在實際構建特征樣本時，考慮到智能手機內存受限的情況，對參考圖像構建四個方向的特征子集，然后進行仿射變換生成特征子集中的所有圖像，這樣既能保持對仿射有較好的魯棒性，又能將特征樣本控制在一個適用于智能手機的數(shù)量級。參見圖6，為本發(fā)明實施例中特征樣本數(shù)據(jù)庫的建立過程流程示意圖，包括如下步驟：步驟S201：對樣本圖片進行特征點檢測及提取，此步驟中提取的樣本特征點即為前述的對樣本圖片子集中所有圖像檢測結束后，從中選擇出的重復率最高的若干個特征點。步驟S202：將提取出的各特征點分別根據(jù)稀疏采樣模型進行矩陣描述，得到樣本圖片各特征點的二進制描述矩陣，所述稀疏采樣模型為N*N的像素陣(N與前述步驟S102中的N在同一實施方式中總為相同取值，樣本圖片特征點的二進制矩陣描述方式與輸入圖像二進制矩陣描述方式相同,但賦值恰好相反)。具體的，步驟S202中對樣本圖片各特征點進行二進制矩陣描述進一步包括如下步驟：A1：分別對從樣本圖片提取出的各特征點鄰域內的像素點進行稀疏采樣，得到N*N像素陣G，當N＝8時的特征點稀疏采樣8*8像素陣G可如圖7形式(中間那個菱形小黑點表示特征點)。A2：將每個特征點的N*N像素陣提取灰度值，得到N*N的灰度矩陣；A3：將各特征點的灰度矩陣進行K種不同階數(shù)的灰度量化，且每種階數(shù)的灰度量化矩陣用1個N2維向量進行描述，其中K為大于等于4且小于等于10的整數(shù)，優(yōu)選K取5或6。A4：將從白色到黑色的整個灰度區(qū)間均分為K個子區(qū)間，根據(jù)特征點的N*N像素陣中的各像素點在各種階數(shù)的灰度量化值是否落入各灰度子區(qū)間，分別用N2*K矩陣描述樣本圖片的各特征點，得到樣本圖片各特征點的二進制描述矩陣D。所述樣本圖片各特征點的二進制描述矩陣D，可具體為如下矩陣形式：其中，每一行Di,0Di,1…Di,k-1對應一個像素點i是否落在各個灰度子區(qū)間，且Di,j=0,Bj<Gi,j<Bj+11,Gi,j≤Bj∪Gi,j≥Bj+1]]>其中，Gi,j表示樣本圖像的稀疏采樣像素陣中像素點i在第j種階數(shù)下的灰度值，Bj表示灰度子區(qū)間j的最小灰度值。采用這樣的描述，每個像素點需要k位，則N*N的像素陣的描述占用k*N2/8字節(jié)的空間，再加上特征點在參考圖像中的位置占4個字節(jié)的存儲空間，則每個特征點的特征描述占用k*N2/8+4字節(jié)的存儲空間。步驟S203：將樣本圖片各特征點的二進制描述矩陣存入特征樣本數(shù)據(jù)庫。下面介紹步驟S102中如何對輸入圖像各特征點進行二進制矩陣描述：輸入圖像特征點的二進制矩陣描述方式與樣本圖片二進制矩陣描述方式相同(賦值相反)，包括如下步驟：B1：分別對輸入圖像提取出的各特征點鄰域內的像素點進行稀疏采樣，得到N*N像素陣，當N＝8時的特征點稀疏采樣8*8像素陣I同樣可如圖7形式。B2：將每個特征點的N*N像素陣提取灰度值，得到N*N的灰度矩陣；B3：將每個特征點的灰度矩陣進行K種不同階數(shù)的灰度量化，且每種階數(shù)的灰度量化矩陣用1個N2維向量進行描述，其中K為大于等于4且小于等于10的整數(shù)，優(yōu)選為5或6。B4：將從白色到黑色的整個灰度區(qū)間均分為K個子區(qū)間，根據(jù)特征點的N*N的像素陣中的各像素點在各種階數(shù)的灰度量化值是否落入各灰度子區(qū)間，分別用N2*K矩陣來描述輸入圖像的各特征點，得到輸入圖像各特征點的二進制描述矩陣。所述輸入圖像各特征點的二進制描述矩陣R，可具體為如下矩陣形式：其中，每一行Ri,0Ri,1…Ri,k-1對應一個像素點i是否落在各個灰度子區(qū)間，且Ri,j=1,Bj<Ii,j<Bj+10,Ii,j≤Bj∪Ii,j≥Bj+1]]>其中，Ii,j表示輸入圖像的稀疏采樣像素陣中像素點i在第j種階數(shù)下的灰度值，Bj表示灰度子區(qū)間j的最小灰度值。需要說明的是在建立樣本特征數(shù)據(jù)庫時，對樣本圖片特征點進行二進制矩陣描述時，如果采用的是8*8像素陣，得到的是64*5的樣本圖片特征點二進制描述矩陣，那么在對輸入圖片進行二進制矩陣描述時，同樣需要用8*8的像素陣，得到64*5的輸入圖像特征點二進制描述矩陣(即描述方式一致)。下面介紹步驟S103中如何進行圖像配準計算：樣本圖片各特征點的二進制描述矩陣D的本質是：表征樣本圖片特征點周圍采樣點是否落在各個灰度子區(qū)間內；匹配的輸入圖像應該有大部分采樣點與樣本圖像的采樣點落在相同灰度子區(qū)間內。因此，在進行實時的圖像匹配時，通過對采樣點在灰度子區(qū)間的分布來計算輸入圖像與樣本圖像之間的相異度。則在匹配過程中，特征樣本中匹配度最高的特征點是相異度最小的點。這種簡單的相異度計數(shù)算法的主要優(yōu)越性在于其主要用到了邏輯運算與位計數(shù)運算，能夠對大規(guī)模數(shù)據(jù)進行快速的計算。所述步驟S103，進一步包括：將所述Di,j和所述Ri,j進行與運算，得到輸入圖像各特征點與特征樣本數(shù)據(jù)庫中各特征點的相異度e,如式(1-3)所示：e=Σi,jDi,j⊗Ri,j---(1-3)]]>由于R的每一行只有一位，則式(1-3)亦可為e=Σi((Di,0⊗Ri,0)⊕...⊕(Di,k-1⊗Ri,k-1))---(1-4)]]>若將D，R的每一列視為一個N2位的整數(shù)dj,rj，邏輯運算可進一步簡化，相異度表示為一個N2位整數(shù)的位計數(shù)(bitcount)e=bitcount((d0⊗r0)⊕...⊕(dk-1⊗rk-1))---(1-5)]]>當所述相異度小于設定閾值(如：2～200，優(yōu)選為采樣模型像素點總數(shù)的10％)，則判斷出特征點匹配成功；當輸入圖像的特征點與特征樣本數(shù)據(jù)庫中某樣本圖片的特征點匹配成功的個數(shù)大于設定閾值(如：50-100)，則判斷出所述輸入圖像與該樣本圖片配準成功。由于輸入圖像的實時匹配第一階段是對輸入圖像進行FAST-9特征點檢測。由于在特征樣本數(shù)據(jù)庫建立階段已經(jīng)選出了每個視角子集中最穩(wěn)定的FAST特征點，并不需要在輸入圖像中提取過多的特征點，經(jīng)過實驗發(fā)現(xiàn)，隨機選擇200個左右的特征點已經(jīng)能夠使跟蹤配準具有很好的魯棒性。因此，優(yōu)選的，在所述步驟S101中對輸入圖像進行特征點檢測及提取時，若檢測出的特征點大于M個，則隨機選取M個特征點進行提取，其中，M可以預設為大于等于100且小于等于700的整數(shù)(M優(yōu)選為200-400)。另外，雖然在建立特征樣本數(shù)據(jù)庫時加入了隨機的畸變，可以在一定程度上增加對圖像畸變的魯棒性，但不能解決輸入圖像畸變后的無法提取特征點的問題。因此，必須增加在FAST角點檢測為了提高對畸變圖像特征點檢測的準確率，而圖像的尺度變小，可以有效的弱化畸變問題，因此，可以對檢測特征點小于一定量的輸入圖像建立尺度因子為2至6的圖像金字塔(一般實際運用中尺度因子選2或4)，首先提取出原始圖像的特征點，然后對圖像金字塔的下一層進行特征點提取，直到提取的特征點個數(shù)到達足夠多。根據(jù)式(1-5)，輸入圖像的特征和樣本特征的相異度計算效率非常高，但是在實際應用過程中，樣本容量相當龐大，而且匹配是時間會隨著樣本容量線性增漲。因此，需要一種方法來減少相異度的計算次數(shù)，換而言之，即是避免過多的無效計算。優(yōu)選的，本發(fā)明實施例采用一種索引方法解決上述問題，具體為：對特征樣本數(shù)據(jù)庫中的每個特征點建立特征索引，形成索引樹(優(yōu)選的，所述索引樹為B+樹結構或B+樹的變形結構)，每個特征索引對應一個特征索引值；且對輸入圖像每個特征點建立特征索引。在步驟S103進行圖像配準之前，還包括：根據(jù)輸入圖像各特征點的特征索引值，分別在所述索引樹中查找是否有相同的特征索引值；若索引樹中查到了相同的特征索引值，則將輸入圖像中的該特征點的二進制描述矩陣與特征樣本數(shù)據(jù)庫中的對應特征點的二進制描述矩陣進行匹配計算。其中，對特征樣本數(shù)據(jù)庫或輸入圖像的每個特征點建立特征索引的方式相同，可以為如下方式：從特征點的稀疏采樣模型中隨機選取包含特征點自身的5～21個像素點作為索引點；若索引點的灰度值大于稀疏采樣模型中所有像素點的灰度平均值，則記該索引點的值為1，否則記為0；將5～21個索引點序列量化為5～21位二進制數(shù)的特征索引值。例如：從特征點周圍的采樣點中選擇12個點，再加上特征點本身共13個索引點來計算索引值，如圖8所示。這12個采用點與特征點保持一個比較合理的距離，對旋轉和尺度變換具有良好的穩(wěn)定性，且在空間上的距離保證其相互之間的無關性。索引值的算法為：若索引點的灰度大于所有采樣點灰度平均值，則該索引點的值為1，否則為0。因此13個索引點序列就量化為13位的二進制數(shù)(十進制為0～8192)。其本質是在一定程度上表征了特征點周圍采樣點的灰度分布，灰度分布大致相同是判斷兩個特征匹配的必要條件，因此可用該條件來縮小特征匹配的搜索范圍，提高算法效率。由于對每個特征建立了索引，根據(jù)索引值可以很容易的對每個特征樣本子集中的所有特征建立B+樹數(shù)據(jù)結構。將所有特征點的描述信息保存在葉子結點，存儲在移動設備的外存，根結點和中間結點只存儲索引值保存其所有葉子結點的索引值的平均值，存儲在主存中，這樣可以有效地解決內存受限的情況，減少系統(tǒng)資源的浪費。B+樹是一種多路搜索樹，其非葉子結點的子樹指針數(shù)與關鍵字個數(shù)相同，非葉子結點的子樹指針P[i]，指向關鍵字值屬于[K[i]，K[i+1])的子樹。其所有關鍵字(即特征索引值)都存儲在葉子結點的鏈表中，且是有序的，非葉子結點是葉子結點的索引，葉子結點是存儲數(shù)據(jù)的數(shù)據(jù)層。假設有27個特征點(此處示意取較小的值以方便計算，實際索引值取值范圍為0～8192)則其三階階B+樹結構如圖9所示。B+樹特征搜索過程，則是關鍵字索引過程。如果在3階的B+樹T中查找關鍵字k，頂層調用形式為B+TREE-SEARCH(root[T],k)。如果k在T中，B+TREE-SEARCH就返回一個由結點y和使keyi[y]＝k成立的下標i組成的有序對(y,i)。否則返回值NIL。其偽代碼如下所示：一個深度為h的3階B+樹至少有2×3h-1個關鍵字，即是用B+樹對2×3h-1個特征索引值進行查找，平均查找次數(shù)為h(平均查找次數(shù)越少，搜索效率越高)。相應的，本發(fā)明還提供了一種圖像配準裝置，參見圖10為本發(fā)明實施例圖像配準裝置的結構示意圖一，所述圖像配準裝置包括：特征點提取模塊1，用于對輸入圖像進行特征點檢測及提??；矩陣描述模塊2，用于將提取出的各特征點分別根據(jù)稀疏采樣模型進行矩陣描述,得到輸入圖像各特征點的二進制描述矩陣，所述稀疏采樣模型為N*N的像素陣，其中N為大于等于2且小于等于64的整數(shù)；匹配計算模塊3，用于將輸入圖像各特征點的二進制描述矩陣，與特征樣本數(shù)據(jù)庫中各特征點的二進制描述矩陣進行匹配計算，得到圖像配準結果，所述特征樣本數(shù)據(jù)庫存儲于存儲模塊4中，所述特征樣本數(shù)據(jù)庫中存儲有樣本圖片各特征點的二進制描述矩陣。所述存儲模塊4可以為圖像配準裝置內部模塊，也可以為外接存儲裝置。參見圖11，為本發(fā)明實施例圖像配準裝置的結構示意圖二，從圖11可以看出，所述矩陣描述模2可進一步包括：稀疏采樣單元21，用于對所述特征點提取模塊1所提取出的各特征點的鄰域內的像素點進行稀疏采樣，得到N*N像素陣；灰度值提取單元22，用于對所述稀疏采樣單元21得到的每個特征點的N*N像素陣提取灰度值，得到N*N的灰度矩陣；量化單元23，用于將所述灰度值提取單元22得到的每個特征點的灰度矩陣進行K種不同階數(shù)的灰度量化，并將每種階數(shù)的灰度量化矩陣用1個N2維向量進行描述，其中K為大于等于4且小于等于10的整數(shù)；描述矩陣生成單元24，該單元將從白色到黑色的整個灰度區(qū)間均分為K個子區(qū)間，并根據(jù)特征點的N*N的像素陣中的各像素點在各種階數(shù)的灰度量化值是否落入各灰度子區(qū)間，分別用N2*K矩陣來描述輸入圖像的各特征點，得到輸入圖像各特征點的二進制描述矩陣。所述匹配計算模塊3可進一步包括：特征點相異度計算單元31，用于將輸入圖像各特征點的二進制描述矩陣中的元素，與特征樣本數(shù)據(jù)庫中各特征點的二進制描述矩陣中的元素進行與運算，得到輸入圖像各特征點與特征樣本數(shù)據(jù)庫中各特征點的相異度；特征點匹配單元32，用于根據(jù)所述特征點相異度計算單元31所計算出的相異度判斷特征點匹配是否成功；圖像匹配單元33，用于根據(jù)輸入圖像的特征點與特征樣本數(shù)據(jù)庫中某樣本圖片的特征點匹配成功的個數(shù)，來判斷所述輸入圖像與該樣本圖片是否配準成功。特征點相異度計算單元31在樣本數(shù)據(jù)量較小的情況下，可實現(xiàn)高效率計算相異度，但是在實際應用過程中，樣本容量相當龐大，而且匹配是時間會隨著樣本容量線性增漲。因此，需要一種方法來減少相異度的計算次數(shù)，換而言之，即是避免過多的無效計算。因此，本發(fā)明實施例一種索引方法解決上述問題，優(yōu)選的，對存儲特征樣本數(shù)據(jù)庫中所有特征點的特征索引，每個特征索引對應一個特征索引值，所有特征索引值以索引樹的形式存儲于存儲模塊4中，所述索引樹為B+樹結構或B+樹的變形結構。在用索引的實施例中，所述圖像配準裝置還包括：索引生成單元5，用于對所述特征點提取模塊1所提取的輸入圖像的每個特征點建立特征索引；查找單元6，用于根據(jù)輸入圖像每個特征點的特征索引值，通過查找存儲模塊4中存儲的索引樹，找出與其具有相同特征索引值的樣本圖片特征點，并將該輸入圖像特征點的二進制描述矩陣及對應樣本特征點的二進制描述矩陣發(fā)送到所述匹配計算單元進行匹配計算。由于存儲單元4中存儲的特征樣本數(shù)據(jù)庫在建立階段已經(jīng)選出了每個視角子集中最穩(wěn)定的FAST特征點，因此并不需要在輸入圖像中提取過多的特征點。經(jīng)過實驗發(fā)現(xiàn)，隨機選擇200個左右的特征點已經(jīng)能夠使跟蹤配準具有很好的魯棒性。因此，優(yōu)選的，所述特征點提取模塊1還可以包括檢測單元11、判斷單元12、提取單元13和金字塔建立單元14，其中：所述檢測單元11，用于對輸入圖像進行特征點檢測；所述判斷單元12，用于判斷所述檢測單元11檢測出的特征點個數(shù)是否大于M，當判斷出所述檢測單元檢測出的特征點大于M時，命令提取單元13從檢測單元11檢測出的所有特征點中隨機選取M個特征點進行提取，其中，M為大于等于100且小于等于700的整數(shù)；當所述判斷單元12判斷出所述檢測單元11檢測出的特征點小于M時，命令提取單元13提取出已檢測到的特征點，并命令金字塔建立單元14對所述輸入圖像建立尺度因子為2至6的圖像金字塔，且命令提取單元13對圖像金字塔的下一層進行特征點提取，直到提取的特征點到達M個。相應的，本發(fā)明還提供了一種增強現(xiàn)實系統(tǒng)，參見圖12，為本發(fā)明實施例增強現(xiàn)實系統(tǒng)的一種結構示意圖，包括攝像組件71、圖像格式轉換組件72、圖像配準組件73及虛實融合組件74，其中：所述攝像組件71，用于捕獲攝像機拍攝的場景圖像；所述圖像格式轉換組件72，用于將所述攝像組件71捕獲的圖像格式轉換為RGB圖像和灰度圖像，所述灰度圖像傳送給圖像配準組件73進行圖像配準；所述圖像配準組件73為圖10或圖11所示的圖像配準裝置，用于將所述攝像組件捕獲的圖像與樣本數(shù)據(jù)庫中的樣本圖片進行配準,得到單應性矩陣；所述虛實融合組件74，用于將所述圖像格式轉換組件72轉換的RGB圖像和所述圖像配準組件配準到的樣本圖片所映射的虛擬信息進行虛實融合，完成圖形的渲染和呈現(xiàn)。為了更清楚的說明本發(fā)明的增強現(xiàn)實系統(tǒng)，參見圖13，為本發(fā)明實施例增強現(xiàn)實系統(tǒng)工作流程示意圖。虛實融合將包括三維模型、文本和圖片在內的虛擬信息和疊加到輸入圖像上進行虛實融合,完成圖形渲染和輸出。單應性矩陣本質上是圖像坐標系和世界坐標系之間的映射關系，圖像坐標系是指圖像在顯示器上輸出的二維坐標系，世界坐標系是指以輸入圖像中心為坐標遠點的三維坐標系。相應的，本發(fā)明還提供了一種移動終端，所述移動終端包括上述增強現(xiàn)實系統(tǒng)。本發(fā)明公開的圖像配準方法、裝置，解決了現(xiàn)有圖像配準技術不適用于移動終端上實現(xiàn)圖像的精準、實時匹配問題，提供了一種占用內存小，執(zhí)行效率高的圖像配準方法及裝置。本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。本說明書(包括任何附加權利要求、摘要和附圖)中公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換。即，除非特別敘述，每個特征只是一系列等效或類似特征中的一個例子而已。本發(fā)明并不局限于前述的具體實施方式。本發(fā)明擴展到任何在本說明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過程的步驟或任何新的組合。當前第1頁1 2 3