一種結(jié)合LBP特征提取和surf特征提取方法的圖像匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像特征提取與圖像處理技術(shù)領(lǐng)域，具體地為一種結(jié)合LBP特征提取 和surf特征提取的圖像匹配方法，涉及通過利用LBP算子的旋轉(zhuǎn)不變性來處理旋轉(zhuǎn)情況下 的圖像匹配，利用Han算子來處理模糊，光照情況下的圖像匹配。
【背景技術(shù)】
[0002] 隨著科技的發(fā)展進(jìn)步，從各種成像設(shè)備，互聯(lián)網(wǎng)網(wǎng)絡(luò)或圖像數(shù)據(jù)庫中獲取大量圖 像已成為可能，從而人們對圖像處理（Feature Extraction and Image Processing)的要 求也越來越高，圖像處理技術(shù)得到了深入，廣泛和迅速的發(fā)展。在圖像處理上，特征提取的 好壞是決定處理性能的關(guān)鍵因素，特征提取是指能夠有效表示圖像屬性的特征，然后可以 在此基礎(chǔ)上可以對圖像進(jìn)行準(zhǔn)確高效的分割和分類。鑒于這樣的事實(shí)，對圖像本身進(jìn)行深 入研宄，準(zhǔn)確高效的提取圖像特征已成為客觀必然要求。
[0003] 由于計(jì)算機(jī)電子技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字圖像處理進(jìn)入高速發(fā)展時(shí)期。因 而對圖像進(jìn)行特征提取成為許多科研人員的研宄話題。2004年發(fā)表在IJCV上的SIFT以 及后來為改進(jìn)SIFT運(yùn)行速度提出的基于Hessian矩陣和Harr小波的SURF是圖像匹配領(lǐng) 域中最具代表性的兩個(gè)方法，SURF提供的匹配方法有效地改進(jìn)了基于梯度圖的SIFT方法 下計(jì)算速度慢的問題，但在處理角度變化圖像的問題上低效，準(zhǔn)確率不高，通過引入具有旋 轉(zhuǎn)不變性LBP算子可以有效的解決這個(gè)問題，并同時(shí)能夠加強(qiáng)了光照和模糊條件下的魯棒 性，簡而言之，結(jié)合LBP特征提取和surf特征提取的圖像匹配方法具有下列六大優(yōu)點(diǎn)：1) 快速的：在surf圖像匹配方法的基礎(chǔ)上保留了其快速計(jì)算的Hessian矩陣，積分圖方法，使 我們的方法依然能夠快速計(jì)算；2)泛在的：圖像特征提取以及匹配方法因其在圖像處理 的必要性和實(shí)用特征已經(jīng)在互聯(lián)網(wǎng)，攝像等涉及圖像處理的領(lǐng)域廣泛存在，兼具surf，sift 優(yōu)點(diǎn)的圖像特征匹配方法也將是泛在的；3)準(zhǔn)確性：結(jié)合LBP特征提取和surf特征提取 的圖像匹配方法可以準(zhǔn)確的提取發(fā)生旋轉(zhuǎn)，光照，視角變化圖像的特征點(diǎn)；4)大量性：結(jié) 合LBP特征提取和surf特征提取的圖像匹配方法可以產(chǎn)生出大量的特征點(diǎn)，從而方便從中 選出合適的特征點(diǎn)進(jìn)行匹配。
[0004] 特征提取和匹配一直是圖像處理和計(jì)算機(jī)視覺研宄領(lǐng)域中一個(gè)值得探討的問題， 在計(jì)算機(jī)科學(xué)，醫(yī)療輔助診斷，軍事，工業(yè)測量等眾多領(lǐng)域都廣泛采用這一技術(shù)，尤其是計(jì) 算機(jī)視覺和模式和模式識別研宄中，如何準(zhǔn)確定位和提取關(guān)鍵特征往往是其中首先需要解 決的問題之一，是提高識別率等問題的重要前奏和關(guān)鍵問題；有著廣泛的應(yīng)用前景和潛在 的市場價(jià)值。

【發(fā)明內(nèi)容】

[0005] 在現(xiàn)有技術(shù)中，基于Han特征描述的SURF因其匹配的快速性和準(zhǔn)確性成為特征 提取匹配領(lǐng)域中最常用和代表性的方法，但是在應(yīng)對發(fā)生了旋轉(zhuǎn)的圖像時(shí)，其匹配效果較 差，經(jīng)常出現(xiàn)錯(cuò)誤的匹配點(diǎn)，從而導(dǎo)致其性能下降。而更早出現(xiàn)的基于梯度圖特征描述的 SIFT方法雖然對旋轉(zhuǎn)圖像有不錯(cuò)的處理效果，但是其緩慢的運(yùn)算速度，復(fù)雜的計(jì)算量，以及 在處理光照變化，模糊等圖像變化時(shí)較差的處理效果的缺陷也是顯而易見的，簡而言之，目 前在圖像特征點(diǎn)提取和匹配領(lǐng)域缺少一種能夠處理大部分的圖像變換，同時(shí)又有著較高處 理速度的圖像匹配方法。
[0006] 為克服現(xiàn)有技術(shù)中的不足，在本發(fā)明中利用旋轉(zhuǎn)不變LBP算子結(jié)合surf圖像匹配 方法中的Haar算子，從而使我們提出的方法能夠處理大部分的圖像變換，同時(shí)又有著較高 的的處理速度。
[0007] 由于Surf圖像匹配方法提供的特征描述子采用的是Haars特征描述，Harrs特征 首先具有很強(qiáng)的光照不變性，模糊不變性，但是Harrs特征在應(yīng)對旋轉(zhuǎn)變換時(shí)因其自身的 特性使得描述效果較差，因此本文算法旨在保留Haars特征描述子優(yōu)點(diǎn)的情況下，采取合 理的實(shí)現(xiàn)方式，將Haars特征描述子與LBP旋轉(zhuǎn)不變描述子相結(jié)合，使得其在應(yīng)對旋轉(zhuǎn)變 化，光照變化，視角變化，模糊變化時(shí)也具有良好的匹配效果，同時(shí)不影響其運(yùn)算速度。
[0008] 為達(dá)到本發(fā)明的發(fā)明目的，現(xiàn)技術(shù)的技術(shù)方案如下。
[0009] 一種結(jié)合LBP特征提取和surf特征提取方法的圖像匹配方法，包括：步驟一：利 用Hessian矩陣，高斯金字塔提取特征點(diǎn)，并確定方向；步驟二：構(gòu)建特征描述子；步驟三： 特征點(diǎn)匹配。
[0010] 其中，步驟一具體為：利用Hessian矩陣，高斯金字塔提取特征點(diǎn)，并確定方向，包 括： 1.構(gòu)造高斯金字塔尺度空間，為保證圖像的尺度不變性，首先對其進(jìn)行高斯濾波，濾 波后對每一個(gè)像素點(diǎn)進(jìn)行Hessian的計(jì)算得到圖像的特征點(diǎn)。
[0011] 2.利用非極大值抑制初步確定特征點(diǎn)，此步驟和surf圖像匹配方法類似，將經(jīng) 過hessian矩陣處理過的每個(gè)像素點(diǎn)與其3維領(lǐng)域的26個(gè)點(diǎn)進(jìn)行大小比較，如果它是這26 個(gè)點(diǎn)中的最大值或者最小值，則保留下來，當(dāng)做初步的特征點(diǎn)。
[0012] 3.精確定位極值點(diǎn)，采用三維線性插值法得到亞像素級的特征點(diǎn)，同時(shí)也去掉那 些值小于一定閥值的點(diǎn)。
[0013] 4.選取特征點(diǎn)的主方向。在特征點(diǎn)的領(lǐng)域統(tǒng)計(jì)60度扇形內(nèi)所有點(diǎn)的水平harr 小波特征和垂直haar小波特征總和，這樣一個(gè)扇形得到了一個(gè)值，然后60度扇形以一定間 隔進(jìn)行旋轉(zhuǎn)，最后將最大那個(gè)扇形的方向最為該特征點(diǎn)的主方向。
[0014] 其中，步驟二具體為：構(gòu)建特征描述子，包括： 1. 構(gòu)造算法描述子，在特征點(diǎn)周圍選取一個(gè)正方形框，框的邊長為20s (s是所檢測到 該特征點(diǎn)所在的尺度)將該框分為16個(gè)子區(qū)域，每個(gè)子區(qū)域統(tǒng)計(jì)25個(gè)像素的水平方向和垂 直方向的haar小波特征即2dx, 2d|x|, 2dy, 2d|y|,這樣每個(gè)小區(qū)域就有4個(gè)值，這 樣就得到了第一組16*4=64維向量； 2. 以特征點(diǎn)為中心取一個(gè)9*9大小的圖像區(qū)域，求取以它為中心的旋轉(zhuǎn)不變LBP特 征，亦可得到8*8=64維的第二組向量。將此兩組向量各自高斯加權(quán)后作為新的圖像特征提 取和圖像匹配方法描述子。
[0015] 其中，步驟三具體為：特征點(diǎn)匹配，包括： 關(guān)鍵點(diǎn)匹配，采用兩幅圖像關(guān)鍵點(diǎn)之間的距離作為相似性判定度量，即在特征點(diǎn)haar 特征值和LBP特征值相同的前提下，最先匹配到的兩個(gè)特征點(diǎn)為一對匹配點(diǎn)。
[0016] 大量的實(shí)驗(yàn)表明，結(jié)合旋轉(zhuǎn)不變LBP算子和harr小波特征能夠得到匹配率較高的 匹配效果，同時(shí)按照提供的方法，其匹配的速度也在可接受范圍之內(nèi)。
[0017] 本發(fā)明的應(yīng)用領(lǐng)域相當(dāng)廣泛，可用于： (1)數(shù)字水?。簣D像本身的某些局部特征能夠輔助水印的嵌入和提取，尤其是輔助確定 水印嵌入的準(zhǔn)確位置，只有這樣才能有效抵抗裁剪、縮放等局部幾何攻擊。
[0018] (2)視屏拷貝檢索技術(shù)：具有仿射不變性局部特征的提取是視頻拷貝檢測技術(shù)的 關(guān)鍵所在 (3) 對象識別：基于特征點(diǎn)匹配的對象識別被廣泛的應(yīng)用到各個(gè)民用領(lǐng)域 (4) 生物識別：前者主要指用于身份確認(rèn)的指紋識別、人臉識別、虹膜識別，后者主要指 基于圖像特征的物體識別，比如在智能交通管理、機(jī)動車檢測、停車場管理等場合的車牌 識別或建筑物識別等。
[0019] (5)目標(biāo)分類：在目標(biāo)分類中廣泛使用的特征有基于形狀的特征和基于運(yùn)動的特 征。由于提取到的前景目標(biāo)存在多角度、含有少量影子、區(qū)域提取不完整以及目標(biāo)較小等情 況，采用基于形狀的局部特征對目標(biāo)進(jìn)行分類可較好地應(yīng)對