一種立體圖像特征匹配方法
【技術領域】
[0001] 本發(fā)明屬于計算機視覺和圖像處理領域，涉及一種立體圖像特征匹配方法，尤其 涉及一種以SIFT特征為特征對象、運用κ-d樹結構對立體圖像進行特征匹配方法。
【背景技術】
[0002] 在機器視覺和圖形圖像處理領域，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、線、區(qū)域等。由于局部特征點具有很 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注，并提出了很多關于局部特征 描述的方法。方向梯度直方圖（Histogram of Oriented Gradient, H0G)特征描述子[文獻 1]，通過計算局部區(qū)域的梯度方向并統(tǒng)計，形成直方圖，用此來表示一個特征。由于梯度的 性質，導致其對噪聲非常敏感;SIFT特征是David G.Lowe[文獻2]在1999年初次提出，并在 2004年[文獻3]對此作了更為詳細的闡述和應用的介紹，其全稱為尺度不變特征變換 (Scale Invariant Features Transform)。由于其對圖像尺度、旋轉、一定角度范圍的仿射 和視角等變化具有不變性，同時對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4][文獻5]、物體檢測[文獻6]和識別[文獻7][文獻8]、場景分類[文獻9][文獻10]等 方面得到了成功的應用。
[0003] 由于SIFT在諸多應用中的出色表現(xiàn)，研究人員對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11]、SURF[文獻12]、BRIEF[文獻13]以及在BRIEF基礎上改進的0RB[文獻14]等；二是對 SI FT的優(yōu)化，包括對度量方法的優(yōu)化，[文獻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16]和EMDmcid[文獻 17]);對描述符結構的優(yōu)化，主要是優(yōu)化描述符的長度問題（標準的長度是128位），PCA-SIFT[文獻18]是將主成分分析技術運用到描述符維度的優(yōu)化上，在以特征點為中心的41* 41的圖像塊上計算2*39*39 = 3042維的向量，運用PCA技術達到降維的目的（如20維）； Alexandra Gilinsky et al.提出了一種壓縮的描述符的表示，SIFTpack，其考慮到兩個描 述符有可能存在重疊，這樣的話，重疊部分就被重復存儲了，對這個問題的研究不僅可以降 低存儲，同時還會帶來匹配性能上的提升[文獻19];三是對SIFT的擴展，如受光流啟發(fā)的 SIFT Flow[文獻20]，在一個數(shù)據(jù)集中將查詢圖像(query image)對齊于一個與之最近的圖 像，可用于運動預測；Spatio-temporal SIFT[文獻21]將時空信息引入到DoG的計算中，并 將視頻幀集疊加成一個時空體[文獻22]，那么極值點的選取就在時空差分金字塔中的三個 方向（xy、xt和yt)的切片中進行。
[0004] 在特征匹配時，Brute Force方法是最簡單的方法，優(yōu)點是可以得到準確的匹配結 果，但是時間上花費比較多，效率較低。在最新版本0penCV-2.4.11中，SIFT特征匹配采用的 是基于標準的K-d樹(Standard K-d tree，簡稱SKD樹)的算法，獲取目標特征點集中最優(yōu)的 2個特征點，通過計算距離比值而來決定是否匹配。該方法有較高的計算效率和精度，但最 近的CasHash[文獻23]方法取得了比SKD樹更好的運行效果DCasHash方法是由Jian Cheng 等人提出的基于哈希的方法，稱為級聯(lián)哈希(Cascade Hashing)，首先運用一個短編碼的哈 希查找來進行一遍粗略搜索，為參考圖像I建立一個查找表，表中有多個桶(bucket)，那么I 中的查詢特征點P在目標圖像J中的匹配點都會落入同一個桶中；經過粗略的搜索后，在哈 希查找表上通過計算每個候選對象的漢明距離(Hamming Distance)來進行精細搜索;最后 在經過漢明距離排序的候選中，選擇前k個點，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C3通過實驗，CasHash方法優(yōu)于SKD樹方法，且比同類的哈希方法LDAHash [文獻24]有更高的匹配效率。本發(fā)明受SKD樹方法的啟發(fā)，設計了效率更高且更精確的層次 結構的Κ-d樹(Hierarchical K_d tree，簡稱HKD樹)用于立體圖像對的匹配。因此，除了與 SKD樹方法比較外，同時還與Brute Force方法和最新的CasHash方法進行對比，并通過大量 的實驗驗證了本發(fā)明的有效性。
[0005] [文獻 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 6 ]Mikolajczyk，K ·，Leibe，B ·，Schiele，B · : Mul tiple object class detection with a generativemodel.In:CVPR(2006).
[0011] [文獻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 ll]Toews，Matthew，and William Wells. "SIFT-Rank:0rdinal description for invariant feature correspondence .''Computer Vision and