CN102156870A - 一种图像局部旋转不变特征的提取装置及其提取方法 - Google Patents
一种图像局部旋转不变特征的提取装置及其提取方法 Download PDFInfo
- Publication number
- CN102156870A CN102156870A CN2011100915505A CN201110091550A CN102156870A CN 102156870 A CN102156870 A CN 102156870A CN 2011100915505 A CN2011100915505 A CN 2011100915505A CN 201110091550 A CN201110091550 A CN 201110091550A CN 102156870 A CN102156870 A CN 102156870A
- Authority
- CN
- China
- Prior art keywords
- mistake
- reference source
- find reference
- feature
- histogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种图像局部旋转不变特征的提取装置及其提取方法,其特征在于,该装置包括:特征点定位单元,用以在图像中定位特征点;邻域划分单元,用以将特征点的邻域划分为若干同心环形区域,并进一步将环形区域划分成若干个扇形区域;直方图统计单元,用以分别在扇形区域内统计局部二值特征,构造直方图。由于采用上述的局部旋转不变特征提取方式,大大降低了计算复杂度,并且占用较少的内存空间,从而在保证定位精度的前提下,提高了电脑对图像的处理速度。
Description
技术领域
本发明涉及一种图像处理技术,具体是涉及一种图像局部旋转不变特征的提取装置及其提取方法。
背景技术
图像局部不变特征是指用来描述图像的,在特定变换下,能保持不变的一组数值量。图像局部不变特征在计算机视觉中有着广泛的应用,比如物体检测,定位,图像检索,三维重建等等。
目前学术界和工业界应用最广泛的图像局部不变特征有Sift,Surf等。US6711293公开的Sift在各种光照,视角变换下都能保证很好的匹配率,是被实践证明的最有效的图像局部不变特征。然而Sift天生计算复杂度很高,很大程度上限制了它的广泛应用,尤其是在计算能力有限的嵌入式平台上面。Surf是Sift的改良版本,在保证损失有限的精度的范围内,大幅度降低了计算复杂度,即便如此,Surf的计算复杂度依然很高。
另外还有一种独特的图像局部特征描述,Ferns。Ferns不试图显式的描述某个特征点的局部不变特征。而是通过训练一个分类器,试图将特征点当成一个个的物体来识别。该方法运行时速度很快,但是缺点在于需要很长的训练过程,同时在运行时会占用大量的内存。
发明内容
本发明的目的是提供一种在保证损失有限的精度的范围内,大幅度降低了计算复杂度的图像局部旋转不变特征的提取装置。
本发明的另一目的是图像局部旋转不变特征的提取装置所采用的提取方法。
为实现上述目的,本发明所采用的技术方案是:
一种图像局部旋转不变特征的提取装置,其特征在于,该装置包括:
特征点定位单元,用以在图像中定位特征点;
邻域划分单元,用以将特征点的邻域划分为若干同心环形区域,并进一步将环形区域划分成若干个扇形区域;
直方图统计单元,用以分别在扇形区域内统计局部二值特征,构造直方图。
所述图像局部旋转不变特征的提取方法,包括有以下步骤:
A、利用特征点定位单元对图像中的特征点进行定位,其定位所采用的算法为公开的任意一种特征点提取算法;
B、将特征点的邻域划分为N个同心环形区域Regioni i=1,...,N,并将N个同心环形区域划分为8个扇形区域;
C、对于扇区错误!未找到引用源。内的像素,计算其上述对应的特征值,对于每一个区域错误!未找到引用源。中的,将其中计算出的特征值错误!未找到引用源。量化,并统计出一个具有错误!未找到引用源。的直方图,记为错误!未找到引用源。;
D、将N个区域的直方图串联起来,构成一个长度为错误!未找到引用源。的直方图,该直方图即是该特征点对应的旋转不变特征。
所述步骤C中,统计区域错误!未找到引用源。的直方图错误!未找到引用源。时,使用邻域内插值的方式。
所述步骤C中,在局部旋转不变特征提取过程中,可以不用计算扇区错误!未找到引用源。中所有像素的特征值错误!未找到引用源。,而是可以以一定的采样率选取部分的像素点。
所述步骤C中,特征值错误!未找到引用源。的量化包括以下步骤:
(1)对于每个区域内的8个子区域,分别统计局部二值特征直方图,记一个像素点错误!未找到引用源。的八邻居,从正上方的邻居像素记起,以顺时针顺序为错误!未找到引用源。,那么记特征值
(2)错误!未找到引用源。可以看成一个8位的二进制串。记对二进制串错误!未找到引用源。的左移循环移位运算为错误!未找到引用源。,其中n为左移位数,那么记
Fj=CF(F1,j-1),j=1,...,8
本发明有益效果:由于采用上述的局部旋转不变特征提取方式,大大降低了计算复杂度,并且占用较少的内存空间,从而在保证定位精度的前提下,提高了电脑对图像的处理速度。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明:
图1为本发明的定位系统的结构框图;
图2为图1所示的局部旋转不变特征提取装置的结构框图;
图3为本发明的邻域划分中环形区域的示意图;
图4为图3所示的划分扇区的示意图;
图5为采样率选取部分的像素点的示意图。
图中:1、摄像头;2、局部旋转不变特征提取装置;3、特征匹配装置;4、物体位置计算装置;5、特征点定位单元;6、邻域划分单元;7、直方图统计单元;
具体实施方式
如图2所示,一种图像局部旋转不变特征的提取装置,包括特征点定位单元5,用以在图像中定位特征点;邻域划分单元6,用以将特征点的邻域划分为若干同心环形区域,并进一步将环形区域划分成若干个扇形区域;直方图统计单元7,用以分别在扇形区域内统计局部二值特征,构造直方图。
如图1所示,本发明在物体定位系统中的应用:物体定位系统包括有:摄像头1,用于捕捉图像信息;局部旋转不变特征提取装置2,根据摄像头1捕捉的图像信息,提取图像的局部旋转不变特征;特征匹配装置3,用来匹配模板图像和经局部旋转不变特征提取装置2提取后的待检测图像的特征;物体位置计算装置4,根据特征匹配装置3所提供的点匹配信息中定位物体。
所述图像局部旋转不变特征的提取方法,包括有以下步骤:
A、特征点定位,从图像中定位特征点。可以采用任意一种公开的特征点提取算法,比如harris,hessian-affine,FAST等。
B、如图3所示,将特征点附近的固定大小的区域划分成N个同心环形区域Regioni i=1,...,N;本实施例中,以定位特征点为圆心,绘了4个同心圆,其中有3个环形区域;如图4所示,同心圆环按角度划分成8个扇形子区域,记第i个区域的第j个扇区为错误!未找到引用源。。
C、对于每个区域内的8个子区域,分别统计局部二值特征直方图。此局部二值特征不同于传统的LBP特征。记一个像素点错误!未找到引用源。的八邻居,从正上方的邻居像素记起,以顺时针顺序为错误!未找到引用源。,那么记特征值
其中:
错误!未找到引用源。可以看成一个8位的二进制串。记对二进制串错误!未找到引用源。的左移循环移位运算为错误!未找到引用源。,其中n为左移位数,那么记
Fj=CF(F1,j-1),j=1,...,8
对于扇区错误!未找到引用源。内的所有,或者选定的像素,计算其上述对应的特征值错误!未找到引用源。。对于每一个区域错误!未找到引用源。中的,将其中计算出的特征值错误!未找到引用源。量化,并统计出一个具有错误!未找到引用源。的直方图,记为错误!未找到引用源。。将N个区域的直方图串联起来,构成一个长度为错误!未找到引用源。的直方图,该直方图即是该特征点对应的旋转不变特征。显而易见的,该特征是旋转不变的,因为首先直方图统计区域是旋转对称的,其次,局部二值特征也是旋转不变的。该特征计算方法避开了传统梯度直方图需要根据局部主方向,重新采样的过程。从该特征的计算过程也可以看出,该特征只涉及到像素值之间的大小比较,计算复杂度很低,非常适合在计算性能有限的平台上使用,比如手机,平板电脑等。
如图5所示,在局部旋转不变特征提取过程中,可以不用计算扇区错误!未找到引用源。中所有像素的特征值错误!未找到引用源。,而是可以以一定的采样率选取部分的像素点。如错误!未找到引用源。,假设每个方格代表一个像素,则在局部旋转不变特征提取过程中,可以只使用黑色区域的像素点的特征值。
另外,统计区域错误!未找到引用源。的直方图错误!未找到引用源。时,使用邻域内插值的方式。假设像素点属于扇区错误!未找到引用源。,并且该像素点的特征值属于直方图的第n个bin,那么除了在当前扇区的直方图的第n个bin上进行累加外,还要在相邻扇区的第n个bin上进行累加,并且累加的值与当前点与相邻扇区的距离成反比例关系。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种图像局部旋转不变特征的提取装置,其特征在于,该装置包括:
特征点定位单元,用以在图像中定位特征点;
邻域划分单元,用以将特征点的邻域划分为若干同心环形区域,并进一步将环形区域划分成若干个扇形区域;
直方图统计单元,用以分别在扇形区域内统计局部二值特征,构造直方图。
2.根据权利要求1所述的一种图像局部旋转不变特征的提取方法,其特征在于:包括有以下步骤:
A、利用特征点定位单元对图像中的特征点进行定位,其定位所采用的算法为公开的任意一种特征点提取算法;
B、将特征点的邻域划分为N个同心环形区域,并将N个同心环形区域划分为8个扇形区域;
C、对于扇区错误!未找到引用源。内的像素,计算其上述对应的特征值,对于每一个区域(错误!未找到引用源。)中的,将其中计算出的特征值(错误!未找到引用源。)量化,并统计出一个具有错误!未找到引用源。的直方图(错误!未找到引用源。);
D、将N个区域的直方图串联起来,构成一个长度为错误!未找到引用源。的直方图,该直方图即是该特征点对应的旋转不变特征。
3.根据权利要求2所述的一种图像局部旋转不变特征的提取方法,其特征在于:所述步骤C中,在局部旋转不变特征提取过程中,可以不用计算扇区(错误!未找到引用源。)中所有像素的特征值(错误!未找到引用源。),而是可以以一定的采样率选取部分的像素点。
4.根据权利要求2所述的一种图像局部旋转不变特征的提取方法,其特征在于:所述步骤C中,统计区域(错误!未找到引用源。)的直方图(错误!未找到引用源。)时,使用邻域内插值的方式。
5.根据权利要求2所述的一种图像局部旋转不变特征的提取方法,其特征在于,所述步骤C中,特征值(错误!未找到引用源。)的量化包括以下步骤:
(1)对于每个区域内的8个子区域,分别统计局部二值特征直方图,记一个像素点错误!未找到引用源。的八邻居,从正上方的邻居像素记起,以顺时针顺序为错误!未找到引用源。,那么记特征值
(2)错误!未找到引用源。可以看成一个8位的二进制串。记对二进制串错误!未找到引用源。的左移循环移位运算为错误!未找到引用源。,其中n为左移位数,那么记Fj=CF(F1,j-1),j=1,...,8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100915505A CN102156870A (zh) | 2011-04-12 | 2011-04-12 | 一种图像局部旋转不变特征的提取装置及其提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100915505A CN102156870A (zh) | 2011-04-12 | 2011-04-12 | 一种图像局部旋转不变特征的提取装置及其提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102156870A true CN102156870A (zh) | 2011-08-17 |
Family
ID=44438361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100915505A Pending CN102156870A (zh) | 2011-04-12 | 2011-04-12 | 一种图像局部旋转不变特征的提取装置及其提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156870A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609707A (zh) * | 2012-01-12 | 2012-07-25 | 天津大学 | 一种通用的公共草图提取方法 |
CN103679186A (zh) * | 2012-09-10 | 2014-03-26 | 华为技术有限公司 | 检测和跟踪目标的方法和装置 |
CN106295519A (zh) * | 2016-07-25 | 2017-01-04 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种针对灾害现场人体搜寻的图像特征 |
CN106650742A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种基于环形核的图像特征提取方法及装置 |
CN106980862A (zh) * | 2017-03-17 | 2017-07-25 | 湘潭大学 | 一种圆形图像识别特征提取方法及系统 |
CN107945221A (zh) * | 2017-12-08 | 2018-04-20 | 北京信息科技大学 | 一种基于rgb‑d图像的三维场景特征表达与高精度匹配方法 |
JP2019111359A (ja) * | 2014-05-14 | 2019-07-11 | エスワイエヌシー‐アールエックス、リミテッド | 物体の識別 |
CN111110272A (zh) * | 2019-12-31 | 2020-05-08 | 深圳开立生物医疗科技股份有限公司 | 超声图像测量信息显示方法、装置、设备及可读存储介质 |
-
2011
- 2011-04-12 CN CN2011100915505A patent/CN102156870A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609707A (zh) * | 2012-01-12 | 2012-07-25 | 天津大学 | 一种通用的公共草图提取方法 |
CN103679186A (zh) * | 2012-09-10 | 2014-03-26 | 华为技术有限公司 | 检测和跟踪目标的方法和装置 |
CN103679186B (zh) * | 2012-09-10 | 2017-04-05 | 华为技术有限公司 | 检测和跟踪目标的方法和装置 |
JP2019111359A (ja) * | 2014-05-14 | 2019-07-11 | エスワイエヌシー‐アールエックス、リミテッド | 物体の識別 |
CN106650742A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种基于环形核的图像特征提取方法及装置 |
CN106650742B (zh) * | 2015-10-28 | 2020-02-21 | 中通服公众信息产业股份有限公司 | 一种基于环形核的图像特征提取方法及装置 |
CN106295519A (zh) * | 2016-07-25 | 2017-01-04 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种针对灾害现场人体搜寻的图像特征 |
CN106980862A (zh) * | 2017-03-17 | 2017-07-25 | 湘潭大学 | 一种圆形图像识别特征提取方法及系统 |
CN106980862B (zh) * | 2017-03-17 | 2020-06-09 | 湘潭大学 | 一种圆形图像识别特征提取方法及系统 |
CN107945221A (zh) * | 2017-12-08 | 2018-04-20 | 北京信息科技大学 | 一种基于rgb‑d图像的三维场景特征表达与高精度匹配方法 |
CN111110272A (zh) * | 2019-12-31 | 2020-05-08 | 深圳开立生物医疗科技股份有限公司 | 超声图像测量信息显示方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156870A (zh) | 一种图像局部旋转不变特征的提取装置及其提取方法 | |
Chen et al. | Augmented ship tracking under occlusion conditions from maritime surveillance videos | |
Chen et al. | An end-to-end shape modeling framework for vectorized building outline generation from aerial images | |
Lv et al. | A hybrid-attention semantic segmentation network for remote sensing interpretation in land-use surveillance | |
CN108109163A (zh) | 一种航拍视频的运动目标检测方法 | |
Lo et al. | Multi-class lane semantic segmentation using efficient convolutional networks | |
Wang et al. | Semantic segmentation of remote sensing ship image via a convolutional neural networks model | |
CN104217459A (zh) | 一种球面特征提取方法 | |
CN104637066A (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
Naosekpam et al. | Multi-lingual Indian text detector for mobile devices | |
Patil et al. | Road extraction techniques from remote sensing images: a review | |
Li et al. | Semantic scan context: a novel semantic-based loop-closure method for LiDAR SLAM | |
Wang et al. | High-resolution remote sensing image semantic segmentation based on a deep feature aggregation network | |
Haryono et al. | Oriented object detection in satellite images using convolutional neural network based on ResNeXt | |
Mubarak et al. | Effect of Gaussian filtered images on Mask RCNN in detection and segmentation of potholes in smart cities | |
CN104574396A (zh) | 一种直线检测方法及系统 | |
Bose et al. | Multiscale probability map guided index pooling with attention-based learning for road and building segmentation | |
Zhang et al. | Weakly supervised solar panel mapping using residual aggregated network for aerial images | |
Du et al. | Exploiting multiple contexts for saliency detection | |
Peng et al. | Research on qr 2-d code graphics correction algorithms based on morphological expansion closure and edge detection | |
Li et al. | Arbitrary shape scene text detector with accurate text instance generation based on instance-relevant contexts | |
Ting et al. | Multi-scale image registration algorithm based on improved SIFT | |
CN104156696A (zh) | 基于双方向图的快速局部不变特征描述子的构造方法 | |
Shi et al. | A Review of Lane Detection Based on Semantic Segmentation | |
CN116385889B (zh) | 基于铁路识别的电力巡检方法、装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110817 |