CN102034093A - 一种基于优化计算的特征点匹配方法 - Google Patents

Abstract

本发明属于机器视觉与目标识别领域，具体为一种基于优化计算的特征点匹配方法。采用窗口区域方向变化量作为特征点的测度值，在模板图像和目标图像中分别检测特征点。通过设定特征阈值来控制特征点的数量。根据特征点的相对位置信息和灰度信息确定匹配准则能量函数。利用迟滞混沌神经网络对能量函数进行优化计算求得两幅图像中特征点的匹配结果。本发明可应用于目标识别系统中。

Description

一种基于优化计算的特征点匹配方法

技术领域

本发明属于机器视觉与目标识别领域，涉及一种基于优化计算的特征点匹配方法，特别涉及一种通过寻优所构造能量函数来实现图像特征点匹配的方法。

背景技术

特征点匹配一直是机器视觉与目标识别领域的重要研究内容。在目标识别与跟踪、监控安防等系统中有着重要的应用价值。基于灰度的匹配方法是常用的传统特征点匹配方法，该方法以待匹配图像为模板，重叠放在参考图像上移动。在模板移动中，对模板与不同位置的参考子图进行相似性计算，遍历整个图像后，把与参考子图相似性计算最优的区域作为匹配位置，从而找到两幅图像中特征点的匹配关系。由于模板匹配本身抗干扰能力不强，容易产生误匹配，从而容易导致特征点匹配失败。

另外，还有采用基于Hopfield神经网络实现特征点匹配的方法。该类方法先确定待匹配特征点的位置，然后利用相对位置信息构造能量函数，采用Hopfield神经网络实现能量函数的优化计算，从而求得两幅图像中特征点之间的匹配关系。由于相对位置信息对匹配结果不具有唯一性，而且Hopfield神经网络自身的寻优能力不强，容易陷入局部极小，因此很容易造成误匹配。

因此设计一种新型的特征点匹配方法具有重要的应用价值。

发明内容

本发明所要解决的技术问题是，设计一种基于优化计算的特征点匹配方法，实现对两幅图像中特征点的匹配与识别。

本发明所采用的技术方案是：一种基于优化计算的特征点匹配方法，利用像素的灰度梯度信息求得目标图像和模板图像中的特征点，根据两幅图像中特征点数量的多少确定匹配能量函数。为提高匹配的准确率，能量函数中既包括特征点之间的相对位置信息，又包括特征点自身的灰度信息。利用迟滞混沌神经网络实现能量函数的优化计算，从而求得匹配结果。

本发明的目的在于提出一种基于优化计算的特征点匹配方法，所构造的能量函数中增加了特征点灰度匹配信息，可提高特征点的匹配正确率。采用迟滞混沌神经网络实现能量函数的优化计算，增强了算法的全局寻优能力，从而得到正确的特征点匹配结果。

附图说明

图1为特征点匹配结果。

具体实施方式

下面结合实施例和附图对本发明作进一步详细说明。

目标图像和模板图像中用于匹配的点应尽可能地容易被识别和匹配，因此特征点应在图像中寻找具有很大变化的区域。在以某一点为中心的窗函数中，使用窗内所有像素来计算其在不同方向上的变化量，是该点在不同方向上显著性的一个好测度，方向变化量采用如下公式计算：

$I_1=\underset{(x,y)\∈S}{\mathrm{\Σ}}{[f(x,y)-f(x,y+1)]}^2---\left(1\right)$

$I_2=\underset{(x,y)\∈S}{\mathrm{\Σ}}{[f(x,y)-f(x+1,y)]}^2---\left(2\right)$

$I_3=\underset{(x,y)\∈S}{\mathrm{\Σ}}{[f(x,y)-f(x+1,y+1)]}^2---\left(3\right)$

$I_4=\underset{(x,y)\∈S}{\mathrm{\Σ}}{[f(x,y)-f(x+1,y-1)]}^2---\left(4\right)$

其中S表示窗函数中的所有像素，因为简单的边缘点在边缘方向上无变化，所以，选择上述方向变量的最小值为中心像素点(x_c，y_c)的特征值，可以消除边缘点，即：

I(x_c，y_c)＝min(I₁，I₂，I₃，I₄)(5)

为了避免将多个相邻点选为同一个特征对应的特征点，可以将特征点选在特征测度函数具有局部最大值的地方，且局部最大值大于原先设定的阈值。也就是说，如果点(x_c，y_c)为一个特征点，则I(x_c，y_c)＞I(x_i，y_i)，(x_t，y_t)为点(x_c，y_c)附近任一点，且I(x_c，y_c)＞I₀，I₀为阈值。按照上述方法即可在模板图像和目标图像中分别选出M个和N个特征点。

为了解决目标识别问题，将模板图像中检测到的M个特征点按行排列，目标图像中的N个特征点按列排列，矩阵[v_ik]_M×N构成解矩阵，v_ik∈{0，1}，如果v_ik-1表示模板图像中的第i个特征点与目标图像中的第k个特征点相匹配；而如果v_ik-0，则表示这两个特征点不匹配。根据特征点之间的相对位置信息和自身的灰度信息，定义一个合适的能量函数来求解特征点匹配问题。在不同的情况下，能量函数E的定义形式有所不同。

设要对模板中的M个特征点与目标图像中的N个特征点进行匹配，假设：

(1)M＝N，且模板图像中的特征点与目标图像中的特征点一一对应，则E的形式可定义为：

$E=A_1\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(d_{\mathrm{ij}}^m-d_{\mathrm{kl}}^o)}^2{v}_{\mathrm{ik}}{v}_{\mathrm{jl}}+A_2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{(f_i^m-f_j^o)}^2$ (6)

$+B\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(1-\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}})}^2+C\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(1-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ik}})}^2$

(2)M＜N，且目标图像中的N个特征点包含与模板图像中相匹配的M个特征点，则E的形式定义为：

$E=A_1\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(d_{\mathrm{ij}}^m-d_{\mathrm{kl}}^o)}^2{v}_{\mathrm{ik}}{v}_{\mathrm{jl}}+A_2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{(f_i^m-f_j^o)}^2$ (7)

$+B\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(1-\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}})}^2+C\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{v}_{\mathrm{jk}}$

(3)M≠N，且M中仅有P个点与N中的P个点相匹配，则E的形式定义为

$E=A_1\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}{(d_{\mathrm{ij}}^m-d_{\mathrm{kl}}^o)}^2{v}_{\mathrm{ik}}{v}_{\mathrm{jl}}+A_2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{(f_i^m-f_j^o)}^2$ (8)

$+B\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{l=1,l\≠k}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{v}_{\mathrm{il}}+C\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{M}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}{v}_{\mathrm{jk}}+D{(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{ik}}-P)}^2$

其中d^m _ij表示模板图像中第i个特征点与第j个特征点之间的距离，d^o _kl表示目标图像中第k个特征点与第l个特征点之间的距离，f^m _i表示模板图像中第i个特征点的灰度值，f^o _j表示目标图像中第j个特征点的灰度值，A₁、A₂、B、C、D为加权系数。式(6)-式(8)中右式的前两项为目标函数项，其中第一项为特征点相对位置匹配结果，第二项为灰度信息匹配结果。其余项为约束项。

与Hopfield类型的神经网络相比，由于迟滞混沌神经网络具有更好的全局寻优能力，因此采用迟滞混沌神经网络对上述能量函数进行优化求解。迟滞混沌神经网络模型表述如下：

x_i(t)＝f(y_i(t))(9)

$y_i(t+1)={\mathrm{ky}}_i\left(t\right)+\mathrm{\β}(\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j\left(t\right)+I_i)-\mathrm{\α}(x_i\left(t\right)-I_0)---\left(10\right)$

x_i(t)表示第i个神经元在t时刻的输出，I_i是第i个神经元的阈值，y_i(t)是第i个神经元的内部状态，f()是激励函数，该函数由两个发生了偏移的Sigmoid函数构成，这样，激励函数在(-∞，+∞)区间内构成了一个迟滞环，当神经元的内部状态连续增加时，激励函数取上升分支，当神经元内部状态连续减小时，激励函数取下降分支。当神经元的内部状态由上升转为下降或者由下降转为上升时，激励函数则在两个上升和下降分支之间跳变。这一性质可避免因神经元内部状态的累积增加或减小而使神经元处于饱和区域中，克服了传统神经元可能出现的假饱和现象，从而增强了网络的调节能力，对克服局部极小问题以及加快网络的学习速度都有帮助。

激励函数中a和b分别是这两个Sigmoid函数偏移的坐标，c₁和c₂是Sigmoid函数的形状参数。

α是神经元的自反馈增益，该值可控制神经网络动力学行为，使神经网络处于混沌状态。β是神经元之间的耦合系数，β值越大，则神经元之间的耦合程度越强，这样各神经元之间的相关性就越强，神经元的状态将逐渐从无序变为有序，并逐渐退出混沌状态而进入周期状态或稳定状态。

在利用该网络实现优化计算时，可充分利用网络的混沌和迟滞特性，提高网络的寻优性能。

在网络优化的初期，选择合适的自反馈参数α，使得网络处于混沌状态，选择合适的迟滞参数，使得网络具有较大的混沌度，选择较小的β，减小各个神经元的关联程度，增加各神经元寻优的独立性，从而可提高神经元的遍历寻优能力。随着优化过程的进行，参数a，b和α再逐渐按照退火方式衰减至0，网络最终变为Hopfield模型，同时逐渐增加β值，增强各神经元寻优的相关性和协调能力，最后利用Hopfield神经网络的梯度寻优迅速搜索到最终的最优解。各神经元之间的耦合权值按下式设计。

$\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_j\left(t\right)+I_i=-\∂E/\∂x_i---\left(12\right)$

E是寻优的能量函数，按上式设计的网络权值可使神经元在寻优后期按照能量函数负梯度的方向进行快速寻优。从而完成特征点匹配功能。

实施例

图1给出了采用本发明方法在几幅连续目标图像中进行特征点匹配的结果。在实验过程中，能量函数选择式(7)的形式。也就是说，在选取特征点时，要在模板图像中寻找M个特征点，在目标图像中寻找N个特征点，M＜N，并且模板图像中的M个特征点必须能够在目标图像中的N个特征点中找到相匹配的M个特征点。为符合这一要求，模板中的特征点要选择比较显著的少数特征点作为模板特征。而目标图像中的特征点为了能够包含与模板相匹配的特征点，特征点的选取要宽松些，也就是说模板图像的特征阈值I_M0要大于目标图像的特征阈值I_N0，即I_M0＞I_N0。

由实例结果可以看出，本发明方法可对连续几幅目标图像中的特征点实现正确匹配，成功率优于传统方法，其原因在于能量函数中不仅包含了特征点的相对位置信息，而且包含了特征点的灰度匹配信息，故能量函数对匹配正确性的评价更准确，而迟滞混沌神经网络具有良好的寻优性能，因此可得到良好的匹配结果。

Claims (5)

1.一种基于优化计算的特征点匹配方法，其特征在于采用显著性好的测度方法在模板图像和目标图像中检测出特征点，并构造特征点匹配准则能量函数，通过求解该能量函数得到正确的特征点匹配结果。

2.根据权利要求1所述的基于优化计算的特征点匹配方法，其特征在于，通过设定特征点选择阈值可控制模板图像和目标图像中特征点的数量与关系。

3.根据权利要求1所述的基于优化计算的特征点匹配方法，其特征在于，匹配准则能量函数中的指标函数项包含特征点的相对位置匹配信息和灰度匹配信息两部分。

4.根据权利要求1所述的基于优化计算的特征点匹配方法，其特征在于，在解矩阵[v_ik]_M×N中其他元素都为0的情况下，每行仅有一个1的约束条件表示为每列仅有一个1的约束条件表示为每列至多有一个1的约束条件表示为

P个特征点相匹配的约束条件表示为

5.根据权利要求1所述的基于优化计算的特征点匹配方法，其特征在于，采用迟滞混沌神经网络对匹配准则能量函数进行优化求解。

Images