CN103886314A - 一种物体识别中基于sift特征尺度分量的两级匹配方法 - Google Patents

一种物体识别中基于sift特征尺度分量的两级匹配方法 Download PDF

Info

Publication number
CN103886314A
CN103886314A CN201210555887.1A CN201210555887A CN103886314A CN 103886314 A CN103886314 A CN 103886314A CN 201210555887 A CN201210555887 A CN 201210555887A CN 103886314 A CN103886314 A CN 103886314A
Authority
CN
China
Prior art keywords
ratio
point
matching
level
variance
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
Application number
CN201210555887.1A
Other languages
English (en)
Inventor
艾浩军
艾雄军
艾晓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan San Ji Internet Of Things Science And Technology Ltd
Original Assignee
Wuhan San Ji Internet Of Things Science And Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan San Ji Internet Of Things Science And Technology Ltd filed Critical Wuhan San Ji Internet Of Things Science And Technology Ltd
Priority to CN201210555887.1A priority Critical patent/CN103886314A/zh
Publication of CN103886314A publication Critical patent/CN103886314A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明提供了一种物体识别中基于SIFT特征尺度分量的两级匹配方法，属于计算机视觉领域。本发明包括第一级初匹配部分和第二级精匹配两部分，第一级初匹配部分先提取出两幅图像的SIFT特征点，然后分别以两组特征向量为基准，利用基于比值的准则对其进行判定，计算匹配点对集合，最后对两个集合取并集，得到初步的匹配点对提供给下一级继续匹配；第二级精匹配部分先对上一级匹配得到的点对进行处理，即计算各点对的尺度比值，然后计算这个尺度比值集合的均值和方差，制定新的匹配准则对筛选匹配点对，得到最终的匹配结果。本发明提供了两级匹配步骤，第一步选择出较多的匹配点对，再利用SIFT特征的尺度分量特征，经过第二步筛选精选出匹配点对，剔除误匹配点对，能够提高同类物体间的识别率和不同类物体间的区分性，因此适合与物体识别的应用中。

Description

一种物体识别中基于SIFT特征尺度分量的两级匹配方法
技术领域
本发明属于计算机视觉领域，具体涉及一种物体识别中基于SIFT特征尺度分量的两级匹配方法。 
背景技术
人类百分之八十的信息是靠视觉获得的，人们通过视觉系统对成千上万的物体进行识别和分类，这个看似简单的过程其实蕴含着一个极为复杂且庞大的处理过程，计算机视觉就是用计算机来模拟人的视觉系统获取和处理视频信息。 
物体识别是计算机视觉领域一个极富挑战的课题，其过程会受到光线、环境如背景、遮挡、尺度、视角变化以及图像传输噪声的影响，从而对识别结果造成影响。因此需要提取出能够较好描述物体的特征，利用有效的匹配准则对物体进行识别，目前对匹配方法的研究较少，与一般的图像配准不同，物体识别更要求特征之间的区域相似性。 
SIFT特征作为一种局部不变特征，具有优异的性能而受到广泛的应用。可以概括为四个步骤：（1）尺度空间极值检测；（2）关键点定位；（3）关键点方向确定；（4）生成关键点描述子。在计算过程中由于关键点位置的确定和关键点的方向的计算，还有 关键点描述子的产生等步骤而使得其具有旋转不变性。SIFT特征描述符为128维向量，常用的方法是以欧氏距离 
Figure 325567DEST_PATH_IMAGE001
为测度来评价两个SIFT关键点
Figure 2012105558871100002DEST_PATH_IMAGE002
和
Figure 343333DEST_PATH_IMAGE003
的相似性，如下： 
Figure 2012105558871100002DEST_PATH_IMAGE004
现有的几种匹配准则主要包括：
1.最近邻准则。最近邻准则即直接把对应的特征点作为对应点。这个准则确保无论如何，任一特征点总可以找到一个匹配点。但他的缺陷是一个候选关键点即使不存在对应点，也能找到一个最近邻，这个时候的最近邻实际上相似度也极低，也就是距离仍然很大，这个时候实际上是一个无匹配关键点的情况。
2.最近邻阈值准则 
在最近邻准则的基础上设定一个阈值
Figure 2012105558871100002DEST_PATH_IMAGE006
，如果大于，就认为这个关键点没有找到匹配点。但这种方法非常依赖于阈值的选取，并且容易出现有很多不匹配的点但其阈值均满足要求的情况，因此在实际应用中使用的较少。
3.比值准则 
比值准则的算法思想是如果最近邻和次近邻的比值有明显的差异，就可认为找到了一个可信的对应点，否则认为不存在匹配点。可以定义阈值
Figure 86368DEST_PATH_IMAGE007
，如果两个比值小于
Figure 948014DEST_PATH_IMAGE007
，判断配准成功，否则拒绝配准。
Figure 2012105558871100002DEST_PATH_IMAGE008
比值法由于计算简便、正确率高，很多学者都采用它作为SIFT特征点的匹配准则。这一准则作为以同一物体的识别中，比如在复杂的场景中寻找物体，利用配准对应点的空间分布关系聚类，能取得非常高的识别率，因为候选点很多，可以采用这种严格的准则。但是这一算法抛弃了物体的自相似特性，物体自身就存在很多SIFT特征相似的关键点，因此也存在一些不足。 
本发明在分析了现有匹配算法的基础上，针对物体识别的应用需求，提出一种基于尺度分量的两级匹配算法。 
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种针对物体识别的基于SIFT特征尺度分量的两级匹配方法，利用两级分别匹配，首先初步选取候选匹配点，再通过精匹配筛选匹配点，最后计算匹配结果。 
本发明是通过以下技术方案实现的： 
一种物体识别中基于SIFT特征尺度分量的两级匹配方法，其特征在于，所述方法包括：
（1）第一级初匹配部分：首先分别提取两幅图像1和2的SIFT特征，以图像1为基准，利用基于比值的准则求其中每个SIFT特征点在图像2中的匹配点，将点与点匹配的序号索引记录下来，再以图像2为基准重复上述步骤，最后将两次的索引结合起来取并集，即得到第一级匹配的点对。
（2）第二级精匹配部分：首先计算第一级匹配点对的比值，再计算比值的方差，如果方差大于某个阈值
Figure 198694DEST_PATH_IMAGE009
就直接认为两者不匹配，反之再判定各匹配点对的比值是否在一个比值区间
Figure 2012105558871100002DEST_PATH_IMAGE010
内，如果在该区间内则保留该匹配点，反之去除该匹配点，最后计算剩余的匹配点数作为匹配结果。 
其中，所述第一级初匹配部分包括以下步骤： 
   （1）设提取出来的两幅图像SIFT特征分别为
Figure 254637DEST_PATH_IMAGE011
和
Figure 2012105558871100002DEST_PATH_IMAGE012
，其中
Figure 246995DEST_PATH_IMAGE013
均为128维向量，以
Figure 2012105558871100002DEST_PATH_IMAGE014
为基准，利用比值准则寻找其在
Figure 272851DEST_PATH_IMAGE015
中的匹配点，并记录下匹配对应的索引
Figure 2012105558871100002DEST_PATH_IMAGE016
。
（2）以为基准，利用比值准则寻找其在
Figure 126855DEST_PATH_IMAGE014
中的匹配点，并记录下匹配对应的索引，将
Figure 685323DEST_PATH_IMAGE017
的索引序号调转：若原来为，则变为，记为
Figure DEST_PATH_IMAGE020
。再取
Figure 331778DEST_PATH_IMAGE016
和的并集，得到最终的匹配点对集
Figure 915655DEST_PATH_IMAGE021
。 
（3）
Figure 392772DEST_PATH_IMAGE021
即为第一级初匹配的结果。 
所述步骤（1）中基于比值的计算步骤如下： 
Figure DEST_PATH_IMAGE022
所有
Figure 86053DEST_PATH_IMAGE023
个关键点的集合为S，计算集合S中一个关键点的对应点，可以定义两种基本的关键点匹配准则来寻找对应点，后文将提出SIFT特征点的改进算法。计算任意两个关键点间的距离
Figure DEST_PATH_IMAGE024
，按照从小到大排序，得到近邻序列
Figure 150086DEST_PATH_IMAGE025
。
Figure DEST_PATH_IMAGE026
计算匹配点对 
比较最近邻与次近邻距离比值，设定一个阈值，若该比值
Figure 918639DEST_PATH_IMAGE027
在阈值以下就认为是匹配正确，反之则认为不匹配，定义如下：
Figure 2012105558871100002DEST_PATH_IMAGE001
所述第二级精匹配部分包括以下步骤：
（1）对第一级初匹配得到的结合进行处理，计算每两个点的尺度比值，得到集合。
（2）计算集合
Figure 334150DEST_PATH_IMAGE001
的均值和方差，并通过指定的新准则进行判定：若尺度比值的方差大于某一阈值
Figure 683092DEST_PATH_IMAGE006
时可以直接认定两个物体不匹配，当方差在接受范围以内时，则通过尺度比值在某一范围内对初匹配得到的匹配点对进行筛选，在规定范围内的认为是匹配正确的点，否则将其剔除，即必须满足式如下： 
Figure 370688DEST_PATH_IMAGE029
其中
Figure DEST_PATH_IMAGE030
是两幅图片的匹配点尺度比值的方差，
Figure 779672DEST_PATH_IMAGE031
分别是最大尺度比值、某个匹配点的尺度比值和最小尺度比值。经过精匹配后的精度会随阈值和
Figure 942931DEST_PATH_IMAGE033
的不同而发生变化，增大两个阈值的区间，会同时增加同类物体和不同类物体间的匹配率，反之亦然，所以必须找到一个平衡点，使得同类物体的匹配率尽量高，不同物体间的匹配率尽量低。
与现有技术相比，本发明的有益效果是：本发明提供了两级匹配步骤，第一步选择出较多的匹配点对，再经过第二步筛选精选出匹配点对，剔除误匹配点对，能够提高同类物体间的识别率和不同类物体间的区分性，因此适合与物体识别的应用中。 
附图说明
下面结合附图对本发明作进一步详细描述： 
图1  是本发明中的两级匹配方法流程图。
具体实施方式
一种物体识别中基于SIFT特征尺度分量的两级匹配方法，所述方法包括以下步骤： 
1，第一级初匹配部分：如图1所示。首先分别提取两幅图像1和2的SIFT特征，以图像1为基准，利用基于比值的准则求其中每个SIFT特征点在图像2中的匹配点，将点与点匹配的序号索引记录下来，再以图像2为基准重复上述步骤，最后将两次的索引结合起来取并集，即得到第一级匹配的点对。
2，第二级精匹配部分：如图1所示，首先计算第一级匹配点对的比值，再计算比值的方差，如果方差大于某个阈值就直接认为两者不匹配，反之再判定各匹配点对的比值是否在一个比值区间
Figure 926683DEST_PATH_IMAGE010
内，如果在该区间内则保留该匹配点，反之去除该匹配点，最后计算剩余的匹配点数作为匹配结果。 
其中，所述第一级初匹配部分具体包括以下步骤： 
   （1）设提取出来的两幅图像SIFT特征分别为和，其中均为128维向量，以
Figure 385422DEST_PATH_IMAGE014
为基准，利用比值准则寻找其在
Figure 745997DEST_PATH_IMAGE015
中的匹配点，并记录下匹配对应的索引
Figure 759214DEST_PATH_IMAGE016
。
（2）以
Figure 253649DEST_PATH_IMAGE015
为基准，利用比值准则寻找其在
Figure 770344DEST_PATH_IMAGE014
中的匹配点，并记录下匹配对应的索引
Figure 692032DEST_PATH_IMAGE017
，将
Figure 926967DEST_PATH_IMAGE017
的索引序号调转：若原来为
Figure 225093DEST_PATH_IMAGE018
，则变为
Figure 235774DEST_PATH_IMAGE019
，记为
Figure 829829DEST_PATH_IMAGE020
。再取
Figure 50595DEST_PATH_IMAGE016
和
Figure 388297DEST_PATH_IMAGE020
的并集，得到最终的匹配点对集
Figure 378119DEST_PATH_IMAGE021
。 
（3）
Figure 143075DEST_PATH_IMAGE021
即为第一级初匹配的结果。 
所述步骤（1）中基于比值的计算步骤如下： 
Figure 851137DEST_PATH_IMAGE022
所有
Figure 726951DEST_PATH_IMAGE023
个关键点的集合为S，计算集合S中一个关键点的对应点，可以定义两种基本的关键点匹配准则来寻找对应点，后文将提出SIFT特征点的改进算法。计算任意两个关键点间的距离，按照从小到大排序，得到近邻序列。
Figure 843440DEST_PATH_IMAGE026
计算匹配点对 
比较最近邻与次近邻距离比值，设定一个阈值
Figure 21480DEST_PATH_IMAGE006
，若该比值
Figure 487359DEST_PATH_IMAGE027
在阈值以下就认为是匹配正确，反之则认为不匹配，定义如下：
所述第二级精匹配部分具体包括以下步骤：
（1）对第一级初匹配得到的结合进行处理，计算每两个点的尺度比值，得到集合
Figure 11192DEST_PATH_IMAGE001
。
（2）计算集合
Figure 992924DEST_PATH_IMAGE001
的均值和方差，并通过指定的新准则进行判定：若尺度比值的方差大于某一阈值
Figure 313309DEST_PATH_IMAGE006
时可以直接认定两个物体不匹配，当方差在接受范围以内时，则通过尺度比值在某一范围内对初匹配得到的匹配点对进行筛选，在规定范围内的认为是匹配正确的点，否则将其剔除，即必须满足式如下： 
         （3.12）
其中是两幅图片的匹配点尺度比值的方差，
Figure 156128DEST_PATH_IMAGE031
分别是最大尺度比值、某个匹配点的尺度比值和最小尺度比值。经过精匹配后的精度会随阈值
Figure 829555DEST_PATH_IMAGE032
和
Figure 543695DEST_PATH_IMAGE033
的不同而发生变化，增大两个阈值的区间，会同时增加同类物体和不同类物体间的匹配率，反之亦然，所以必须找到一个平衡点，使得同类物体的匹配率尽量高，不同物体间的匹配率尽量低。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选，但并不具有限制性的意义。 

Claims (4)

1.一种在物体识别中的SIFT特征两级匹配方法，其特征在于，所述方法包括：
（1）第一级初匹配部分：首先分别提取两幅图像1和2的SIFT特征，以图像1为基准，利用基于比值的准则求其中每个SIFT特征点在图像2中的匹配点，将点与点匹配的序号索引记录下来，再以图像2为基准重复上述步骤，最后将两次的索引结合起来取并集，即得到第一级匹配的点对；
（2）第二级精匹配部分：首先计算第一级匹配点对的比值，再计算比值集合的方差，如果方差大于某个阈值                                                就直接认为两者不匹配，反之再判定各匹配点对的比值是否在一个比值区间
Figure DEST_PATH_IMAGE002
内，如果在该区间内则保留该匹配点，反之去除该匹配点，最后计算剩余的匹配点数作为匹配结果。
2. 根据权利要求1所述的方法，其特征在于，所述第一级初匹配部分包括以下步骤：
    （1）以图像1为基准，遍历图像2中的所有SIFT特征点，计算任意两点间的欧式距离：
Figure DEST_PATH_IMAGE003
，这里每个点都由128维向量来表示，因此是计算多维空间的欧氏距离；将距离最近和次近的两点距离值作比较，若比值小于某个阈值，则认为该点存在匹配点，反之不存在匹配点；
（2）统计所有的匹配点对，并记录其匹配索引；
（3）以图像2为基准，重复上述步骤；
（4）将两次匹配的结果结合起来然后取并集，得到第一级匹配的匹配点对。
3. 根据权利要求2所述的方法，其特征在于，所述步骤（4）的计算步骤如下：
Figure DEST_PATH_IMAGE005
以图像1为基准得到的匹配点对集为，以图像2为基准得到的匹配点对集为
Figure DEST_PATH_IMAGE007
，将
Figure 205853DEST_PATH_IMAGE007
的索引序号调转：若原来为
Figure DEST_PATH_IMAGE008
，则变为
Figure DEST_PATH_IMAGE009
，记为
Figure DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
取
Figure 434578DEST_PATH_IMAGE006
和
Figure 276632DEST_PATH_IMAGE010
的并集，得到最终的匹配点对集
Figure DEST_PATH_IMAGE012
。
4.根据权利要求1所述的方法，其特征在于，所述第二级精匹配部分包括以下步骤：
（1）对第一级初匹配得到的结合进行处理，计算每两个点的尺度比值，得到集合；
（2）计算集合的均值和方差，并通过指定的新准则进行判定：若尺度比值的方差大于某一阈值
Figure 738410DEST_PATH_IMAGE004
时可以直接认定两个物体不匹配，当方差在接受范围以内时，则通过尺度比值在某一范围内对初匹配得到的匹配点对进行筛选，在规定范围内的认为是匹配正确的点，否则将其剔除，即必须满足式如下：
Figure DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
是两幅图片的匹配点尺度比值的方差，
Figure DEST_PATH_IMAGE016
分别是最大尺度比值、某个匹配点的尺度比值和最小尺度比值。
CN201210555887.1A 2012-12-20 2012-12-20 一种物体识别中基于sift特征尺度分量的两级匹配方法 Pending CN103886314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210555887.1A CN103886314A (zh) 2012-12-20 2012-12-20 一种物体识别中基于sift特征尺度分量的两级匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210555887.1A CN103886314A (zh) 2012-12-20 2012-12-20 一种物体识别中基于sift特征尺度分量的两级匹配方法

Publications (1)

Publication Number Publication Date
CN103886314A true CN103886314A (zh) 2014-06-25

Family

ID=50955197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210555887.1A Pending CN103886314A (zh) 2012-12-20 2012-12-20 一种物体识别中基于sift特征尺度分量的两级匹配方法

Country Status (1)

Country Link
CN (1) CN103886314A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513075A (zh) * 2015-12-09 2016-04-20 深圳市华和瑞智科技有限公司 一种基于sift特征实现多点分层支撑描述的图像匹配方法
CN107967477A (zh) * 2017-12-12 2018-04-27 福州大学 一种改进的sift特征联合匹配方法
CN108334644A (zh) * 2018-03-30 2018-07-27 百度在线网络技术（北京）有限公司 图像识别方法和装置
CN109816051A (zh) * 2019-02-25 2019-05-28 北京石油化工学院 一种危化品货物特征点匹配方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513075A (zh) * 2015-12-09 2016-04-20 深圳市华和瑞智科技有限公司 一种基于sift特征实现多点分层支撑描述的图像匹配方法
CN107967477A (zh) * 2017-12-12 2018-04-27 福州大学 一种改进的sift特征联合匹配方法
CN107967477B (zh) * 2017-12-12 2021-06-01 福州大学 一种改进的sift特征联合匹配方法
CN108334644A (zh) * 2018-03-30 2018-07-27 百度在线网络技术（北京）有限公司 图像识别方法和装置
CN108334644B (zh) * 2018-03-30 2019-03-15 百度在线网络技术（北京）有限公司 图像识别方法和装置
US10762373B2 (en) 2018-03-30 2020-09-01 Baidu Online Network Technology (Beijing) Co., Ltd. Image recognition method and device
CN109816051A (zh) * 2019-02-25 2019-05-28 北京石油化工学院 一种危化品货物特征点匹配方法及系统

Similar Documents

Publication Publication Date Title
CN105574505B (zh) 一种多摄像机间人体目标再识别的方法及系统
Lynen et al. Placeless place-recognition
CN103207898B (zh) 一种基于局部敏感哈希的相似人脸快速检索方法
JP5818327B2 (ja) 三次元物体認識用画像データベースの作成方法および作成装置
CN101145196B (zh) 基于奇异的拓扑结构的快速指纹识别方法
CN104036287A (zh) 一种基于人类运动显著轨迹的视频分类方法
CN104200495A (zh) 一种视频监控中的多目标跟踪方法
CN110309770B (zh) 一种基于四元组损失度量学习的车辆再辨识方法
Lee et al. Place recognition using straight lines for vision-based SLAM
Zhou et al. Progressive large scale-invariant image matching in scale space
CN104794451B (zh) 基于分块匹配结构的行人比对方法
Fotouhi et al. SC-RANSAC: spatial consistency on RANSAC
CN102236901A (zh) 基于图论聚类和色彩不变空间的目标跟踪方法
Yi et al. Motion keypoint trajectory and covariance descriptor for human action recognition
CN103853794B (zh) 一种基于部件关联的行人检索方法
Mursi et al. An improved SIFT-PCA-based copy-move image forgery detection method
CN103886314A (zh) 一种物体识别中基于sift特征尺度分量的两级匹配方法
CN105809678B (zh) 一种短基线条件下两视图间线段特征全局匹配方法
CN111382602A (zh) 一种跨域人脸识别算法、存储介质及处理器
He et al. Detector-free structure from motion
Lin et al. Multi-motion segmentation via co-attention-induced heterogeneous model fitting
CN106023184A (zh) 一种基于各向异性中心环绕差异的深度显著性检测方法
CN111914912B (zh) 一种基于孪生条件对抗网络的跨域多视目标识别方法
Xiao et al. Trajectories-based motion neighborhood feature for human action recognition
JP2016171558A (ja) マルチビュー画像に対するスーパーピクセルを生成するための方法および装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140625