CN103955690A - 一种紧凑的图像局部特征描述子的构造方法 - Google Patents
一种紧凑的图像局部特征描述子的构造方法 Download PDFInfo
- Publication number
- CN103955690A CN103955690A CN201410151685.XA CN201410151685A CN103955690A CN 103955690 A CN103955690 A CN 103955690A CN 201410151685 A CN201410151685 A CN 201410151685A CN 103955690 A CN103955690 A CN 103955690A
- Authority
- CN
- China
- Prior art keywords
- characteristic area
- point
- subregion
- central symmetry
- binary patterns
- 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.)
- Granted
Links
Abstract
本发明涉及一种紧凑的图像局部特征描述子的构造方法,与现有技术相比解决了描述能力强的图像局部描述子的维度较高,导致特征匹配计算代价大,常用的降维方法影响图像局部特征描述子的区分度和直观性的缺陷。本发明包括确定特征区域;特征区域的划分和编号;在特征区域上计算点的主导中心对称局部二值模式编码;以划分子区域为单位,计算每个划分子区域上的主导中心对称局部二值模式的特征向量;按照划分子区域的编号顺序,将每个划分子区域上的主导中心对称局部二值模式的特征向量排列起来。本发明构造的描述子具有维度低、描述能力和区分度强的特点,对图像的旋转变换和光照变换具有较强的鲁棒性,计算简单,匹配速度快。
Description
技术领域
本发明涉及视觉处理技术领域,具体来说是一种紧凑的图像局部特征描述子的构造方法。
背景技术
近年来,图像的局部特征受到众多研究人员关注,由于它们对图像的形变和光线变换的鲁棒性和对图像部分遮挡的健壮性,而被广泛应用于视觉应用领域,如目标检索、目标识别,人脸识别,行为分类等。理想的局部特征描述子要求有较好的描述能力和区分度,并且能快速生成、快速匹配。局部描述子的低维特性是保证的其快速匹配的重要因素,但许多有影响力的局部特征描述子维度都较高,对于同一局部特征描述子降低其维度,就可能降低其相应的区分度和描述能力,影响其在视觉应用中匹配的准确性。描述子的维度和其特征描述能力之间的矛盾,一直是具有挑战性的难题。描述子的维度影响算法的匹配速度,而低维的描述子又因为特征描述能力的不充分,影响特征匹配的准确度。
现有的解决方法多集中在对描述能力强的高维度的局部特征描述子的降维的研究,降维就是应用出于匹配时效的考虑,将原始的特征描述子投影到一个低维特征空间,得到最能反应原有特征本质或进行特征区分的低维特征,例如主成分分析法(PCA)(见非专利文献1),对应有代表性的降维方法生成的局部描述子为PCA-SIFT。降维方法的局限性在于降维的时间开销增加了局部特征描述子的生成时间,而且降维后的特征结果不直观,很难在应用中扩展或和其他特征进行融合。如何构造一种紧凑的、直观的、低维度的,并具有良好的描述能力和区分度的局部特征描述子已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决描述能力强的图像局部描述子的维度较高,导致特征匹配计算代价大,降维方法影响图像局部特征描述子的区分度和直观性的缺陷,提供一种紧凑的图像局部特征描述子的构造方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种紧凑的图像局部特征描述子的构造方法,其特征在于,包括以下步骤:
确定特征区域,通过特征点检测来确定特征区域的位置,为特征区域选取合适的尺度和大小;
特征区域的划分和编号,将特征区域划分成大小相等、灰度单调的K个子区域,其中K>1,按点像素值的大小为第一顺序,点行扫描的位置顺序为第二顺序划分子区域,按划分次序给划分的子区域编号,标识划分的子区域;
在特征区域上计算点的主导中心对称局部二值模式编码;
以划分子区域为单位,计算每个划分子区域上的主导中心对称局部二值模式的特征向量;
按照划分子区域的编号顺序,将每个划分子区域上的主导中心对称局部二值模式的特征向量排列起来,生成图像的局部特征描述子。
所述的特征区域的划分和编号包括以下步骤:
对于选定的的特征区域的点按像素值进行排序;
以点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序,将特征区域划分成点数相等的K个子区域,并按划分的顺序给子区域编号;
给出特征区域的划分和编号模板,模板大小与特征区域相等,模板中点的像素值等于特征区域的对应位置点所属子区间的编号。
所述的在特征区域上计算点的主导中心对称局部二值模式编码包括以下步骤:
对特征区域的任意一点Xj,建立该点的协坐标系,P为该特征区域的中心,射线PXi是该点对应的坐标系的极轴,在Xj的半径为1的八邻域内,取靠近极轴PXi且远离P点的点为n1,顺时针方向依次在八邻域取剩下的七个点,分别记为n2、n3、n4、n5、n6、n7、n8。
计算该点Xj的主导的中心对称局部二值模式的编码,
计算公式如下:
这里
公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的协坐标系下顺时针选取,则DCSLBP1,8,T(Xj)计算结果有九个值:0、1、3、7、8、12、14、15、-1,当DCSLBP1,8,T(Xj)≧0,该点的对应的模式是主导中心对称局部二值模式;如果计算结果DCSLBP1,8,T(Xj)﹤0,该点的对应的模式是非主导中心对称局部二值模式。
所述的计算每个划分子区域上的主导中心对称局部二值模式的特征向量包括以下步骤:
根据划分的子区域模板信息,在每个子区域上,统计8个主导中心对称局部二值模式的分布概率,计算出每个子区域的主导中心对称局部二值模式的分布直方图,非主导中心对称局部二值模式的对应的点不参与统计;
以主导中心对称局部二值模式的分布直方图每一柱的分布概率值作为分量,分布直方图对应的8个分量按主导中心对称局部二值模式的编码大小顺序排列,生成划分子区域上的主导中心对称局部二值模式的特征向量。
所述的以点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序,将特征区域划分成点数相等的K个子区域包括以下步骤:
步骤一:确定子区间的点数N,N=特征区域的总点数/子区域的个数K;
步骤二:定义变量,I1为前一个划分的子区域的最大像素值,I2为当前划分子区域的最大像素值,left为像素值等于I1但没有被划分的点的集合,countcurrent为准备划分到当前的子区域点的个数,t表示当前划分子区域的序号,设置初始值I1=0,I2=1,t=1,left为空集,countcurrent=0;
步骤三:如果t≦K,在区域R中统计像素值大于I1、小于等于I2的点集new,将new集合和left集合的点的个数累加赋值给countcurrent;若countcurrent小于N,则继续下一步;若countcurrent等于N或者I2>256,则进行步骤五处理;若countcurrent大于N,I1=I2,进行步骤六处理;若t>K,则进行步骤七处理;
步骤四:I2=I2+1,返回步骤三处理;
步骤五:标识left∪new为第t个子区域Rt,left置为空集,t=t+1,I1=I2,I2=I2+1,返回步骤三处理;
步骤六:在left∪new集合中,按行扫描的次序取N个点标识为第t个子区域Rt,t=t+1,剩下的点放入left集合返回步骤三处理;
步骤七:输出标识的子区域R1、R2、...RK。
还包括图像局部特征描述子在尺度空间的扩展,其包括以下步骤:
对检测到的特征点,选择多个尺度下的特征区域;
对选择的每个尺度的特征区域,按照第11步、第12步、第13步、第14步和第15步生成该尺度下的特征区域的局部特征描述向量;
按照尺度的大小,将对应尺度下的特征区域的局部特征描述向量进行排列,构成多尺度下的特征区域的局部特征描述子。
还包括图像局部特征描述子在颜色空间的扩展,其包括以下步骤:
对检测到的特征点,选择特定尺度下的特征区域;
选择彩色图像的颜色空间,将既定的颜色空间的通道排序,对每一个通道,按照第11步、第12步、第13步、第14步和第15步生成该颜色通道下的特征区域的局部特征描述向量;
按照既定颜色空间的通道的排序,将特征区域内对应通道的局部特征向量排列起来,构成颜色空间上的特征区域的局部特征描述子。
有益效果
本发明的一种紧凑的图像局部特征描述子的构造方法,与现有技术相比构造的描述子具有维度低、特征直观,区分力和描述力强的特点,对图像的旋转变换和光照变换具有较强的鲁棒性,计算简单,匹配速度快。本发明描述子因为其紧凑的格式,很好地平衡了描述子描述能力大小和维度高低的矛盾,既保持了一定的描述能力和区分度,又降低了维度,减少了描述子生成时间和匹配时间;同时由于其特征直观的优势,可以在尺度空间和颜色空间扩展,形成更强大的局部特征描述子,并且可以和其他图像特征进行融合,具有更强的处理能力。构造的局部特征描述子在目标识别和场景识别及图像检索等领域应用中,提高了其应用执行的效率和准确度。
附图说明
图1为本发明的方法流程图
图2为本发明的特征区域的划分和编号效果图
图3为本发明的DCSLBP编码计算的协坐标系
图4为Oxford Data数据库6类特定变化下有代表性的6对图片对比图
图5是对图4中的6对图像对的匹配效果用recall/1-precision曲线表示图
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种紧凑的图像局部特征描述子的构造方法,包括以下步骤:
第一步,确定特征区域,通过特征点检测来确定特征区域的位置,为特征区域选取合适的尺度和大小。确定特征区域步骤按现有技术中的方法来做即可,选取合适的尺度和区域大小,比如尺度选为1.6,大小为41X41像素点,确定一个特征区域R,这里根据不同的应用,尺度和特征区域大小都可以改变。
(1)用仿射不变的特征检测子Hessian-Affine(见非专利文献3),检测出特征点,根据不同的应用选择合适的尺度,如果图像的尺度没有经验值或估计值,可以选择多个尺度。
(2)对选定的尺度,以特征点为中心,选定相应尺度的特征不变区域,通过仿射变换归一化,形成特定大小的特征区域。
第二步,特征区域的划分和编号,将特征区域划分成大小相等、灰度单调的K个子区域,其中K>1,按点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序划分子区域,按划分次序编号并标识划分子区域。传统的特征区域划分方法是笛卡尔网格方法或极坐标网格方法,本发明的特征区域划分方法不同于传统的特征划分的方法。
将特征区域划分成K个子区域(10≧K≧2),划分示例如图2所示,图2左图是原始的特征区域,右面4个图是划分的K(K=4)个特征子区域,每个图的子区域用白色标注。K的取值根据不同的应用需求选取,一般取2-10之间的整数(子区域划分的个数考虑特征区域的大小和对要构造局部特征描述子的描述能力的要求),每个子区域Rj(j=1…K)的像素点数相等,且子区域的像素点的值是区域单调的,满足以下约束。
特征区域R的任意两个子区域,满足
1)划分的子区域内的点数相等;
2)编号小的子区域的点的像素值不大于编号大的子区域的点的像素值;
3)如果两个子区域中有像素值相同的点,对于这些点,编号小的子区域的点的行扫描次序一定小于编号大的子区域的点的行扫描次序。
划分特征区域子区间的思路为:首先计算要划分特征子区域的点数N,按特征区域内灰度递增的方式依次划分子区间,如果在某个灰度值上相等的点超过N,对该灰度值上的点依次按其行扫描的次序划分到不同的子区域内,即按特征区域内点的像素值的大小为第一顺序,点的行扫描的位置顺序为第二顺序划分子区域,划分后的子区域的点数相等,且子区域间按划分次序灰度值单调上升。包括以下步骤:
对于选定的的特征区域的点按其像素值进行排序;
以点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序,将特征区域划分成点数相等的K个子区域,并按划分的顺序给子区域编号;
给出特征区域的划分和编号模板,模板大小与特征区域相等,模板中点的像素值等于对应特征区域对应位置点所属子区间的编号。
以上步骤具体的实现包括以下几步:
1)确定子区间的点数N,N=特征区域的总点数/子区域的个数K;
2)定义变量,I1为前一个划分的子区域的最大像素值,I2为当前划分子区域的最大像素值,left为像素值等于I1但没有被划分的点的集合,current为准备划分到当前的子区域点的集合,t表示当前划分子区域的序号,设置初始值I1=0,I2=1,t=1,left为空集,current为空集;
3)如果t≦K,在区域R中统计像素值大于I1、小于等于I2的点集new,将new集合和left集合的点的个数累加赋值给countcurrent;若countcurrent小于N,则继续下一步;若countcurrent等于N或者I2>256,则进行第55步处理;若countcurrent大于N,I1=I2,进行第56步处理;若t>K,则进行第57步处理;
4)I2=I2+1,返回第3步处理;
5)标识left∪new为第t个子区域Rt,left置为空集,t=t+1,I1=I2,I2=I2+1,返回第3步处理;
6)在left∪new集合中,按行扫描的次序取N个点标识为第t个子区域Rt,t=t+1,剩下的点放入left集合返回第3步处理;
7)输出标识的子区域R1、R2、...RK。
本发明提出一种新的适于构造局部特征描述子的纹理特征--主导中心对称局部二值模式特征向量,并给出主导中心对称局部二值模式的定义和编码计算公式。该模式特征不同于已有的LBP(见非专利文献4),OC-LBP(见非专利文献5),CS-LBP(见非专利文献6)等二值特征描述方式,本发明提出的主导中心对称局部二值模式包含8个模式,LBP包含256个模式,OC-LBP包含32个模式,CS-LBP包含16个模式。主导中心对称局部二值模式对应的特征向量为8维,维数低于以上三种模式的特征描述,但其特征向量的描述能力接近CS-LBP,具有维度低和描述能力强的特性,而且在光照变换的鲁棒性优于传统的局部特征描述子中常用的梯度特征。
第三步,在特征区域上计算点的主导中心对称局部二值模式编码。其包括以下步骤:
(1)对特征区域的任意一点Xj,建立该点的协坐标系。如图3所示:P为该特征区域的中心,射线PXi是该点对应的坐标系的极轴。在Xj的半径为1的八邻域内,取靠近极轴PXi且远离P点的点为n1,顺时针方向依次在八邻域取剩下的七个点,分别记为n2、n3、n4、n5、n6、n7、n8。建立协坐标系的目的是保证主导中心对称局部二值模式的旋转不变性。
(2)其次计算特征区域内点的主导中心对称局部二值模式的编码。对特征区域的任意一点Xj,该点Xj的主导中心对称局部二值模式的编码的定义和计算公式如下:
这里
公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的协坐标系下进行第(1)步中的顺时针选取。此时DCSLBP1,8,T(Xj)计算结果有九个值:0(0000)、1(0001)、3(0011)、7(0111)、8(1000)、12(1100)、14(1110)、15(1111)、-1,当DCSLBP1,8,T(Xj)≧0,该点对应的模式是主导中心对称局部二值模式;如果计算结果DCSLBP1,8,T(Xj)﹤0,该点对应的模式是非主导中心对称局部二值模式。该公式通过对Dom(CSLBP)的值的约束来定义主导中心对称局部二值模式,当Dom(CSLBP)≤1,该点对应是主导中心对称局部二值模式,对应的模式编码大于零;当Dom(CSLBP)>1,该点对应是非主导中心对称局部二值模式,对应的模式编码为-1。非主导中心对称局部二值模式在特征区域内分布概率很低,在计算特征区域的特征描述时,该模式对应的点被忽略。
每个点按上述公式计算可以得到一个编码,一个编码对应一个模式,主导中心对称局部二值模式的编码分别是0(0000)、1(0001)、3(0011)、7(0111)、8(1000)、12(1100)、14(1110)、15(1111)都大于零,因此主导中心对称局部二值模式共有8个不同的模式。
第四步,以划分子区域为单位,计算每个划分子区域上的主导中心对称二值模式的特征向量。计算划分子区域的主导中心对称局部二值模式特征向量,方法如下:统计每个子区域的主导中心对称二值模式的分布直方图,直方图的每一柱的分布概率值作为特征向量的分量,分量按直方图对应的模式编码大小顺序排列,形成了8位的主导中心对称局部二值模式的特征向量。其具体包括以下步骤:
(1)根据划分的子区域模板信息,在每个子区域上,统计8个主导中心对称二值模式的分布概率,得出每个子区域的主导中心对称二值模式分布直方图,非主导的中心对称二值模式的对应的点不参与统计。
(2)每个子区域的主导中心对称二值模式分布直方图的每一柱的分布概率值作为分量,8柱直方图对应的分量按主导中心对称局部二值模式编码大小顺序排列,生成子区域上的8位的主导中心对称局部二值模式的特征向量。
第五步,按照划分子区域的编码顺序,将每个划分子区域上的主导中心对称局部二值模式的特征向量排列起来,生成图像局部特征描述子。
特征区域按第二步进行子区域划分后,在每一块子区域上计算主导中心对称局部二值模式的特征向量,然后将划分后子区域的主导中心对称局部二值模式的特征向量按子区域的编号顺序排列起来,生成新的特征向量即为该特征区域的局部特征描述子。由于在协坐标下计算的主导中心对称局部二值模式的分布概率是基本保持旋转不变的,特征区域的划分和编号次序也基本保持旋转不变,所以生成的特征区域的局部特征描述子也是保持良好的旋转不变性。
由于本发明的描述子具有紧凑、维度低、计算速度快、特征直观的优势,还可以在多尺度空间和颜色空间扩展,生成更强大的描述子。因此还包括本发明在图像的尺度空间进行扩展。在多尺度空间的扩展的方法:在实施的第一步,进行特征点检测后,可以取多个尺度,生成不同尺度下的特征区域,在每个特征区域上,按照第一步到第四步的操作,生成每个尺度下的局部特征描述子,然后局部特征描述子按照对应的尺度大小的顺序排列,生成多尺度下的局部特征描述子。其具体包括以下步骤:
(1)对检测到的特征点,选择多个尺度下的特征区域。
(2)对选择的每个尺度的特征区域,按照第一步到第五步生成该尺度下的特征区域的局部特征描述向量。
(3)按照尺度的大小,将对应尺度下的特征区域的局部特征描述向量进行排列,构成多尺度下的特征区域的局部特征描述子。
还可以包括本发明在图像的颜色空间进行扩展,颜色空间的扩展方法:在第二步计算特征区域内点的主导中心对称局部二值模式编码时,公式中的ni的像素值可以在不同的颜色空间中取对应的颜色通道值。选择特定的颜色空间,如RGB空间,HSV空间,在不同通道上计算主导中心对称局部二值模式编码及相应的分布直方图。在每个特征区域上,按照第一步到第四步的操作,先计算某一通道上的局部特征描述子,把不同的通道的局部特征描述子按既定的顺序连接起来,就扩展成颜色空间上的局部特征描述子。
其具体包括以下步骤:
(1)对检测到的特征点,选择特定尺度下的特征区域。
(2)选择彩色图像的颜色空间,对既定的颜色空间的通道排序,对每一个通道,按照第11步、第12步、第13步、第14步和第15步生成该通道下的特征区域的局部特征描述向量。
(3)按照既定颜色空间的颜色通道的排序,将特征区域内对应通道的局部描述向量排列起来,构成颜色空间上的特征区域的特征描述子。
本发明的局部特征描述子因为其紧凑的格式,很好地平衡了局部描述子描述能力大小和维度高低的矛盾,即保持一定的描述能力和区分度,降低了维度,减少了生成时间和匹配时间,和传统的局部特征描述子相比,在尺度变化不大的多数情况下,可以达到或超过传统的局部描述子SIFT(见专利文献1和非专利文献2),而其维度只有传统局部特征描述子的1/4。本发明应用于图像检索,目标检测和识别、人脸识别等视觉领域,可以提高其应用执行的效率和准确度。
为了验证本发明局部特征子的描述能力和区分度,我们在牛津大学的Oxford Data数据库进行了评估,评估方法采用国际上通用的评估协议recall/1-precision curves(配准率和配全率相关曲线)来测评,评估方法通过不同变换下(比如尺度变换,旋转、模糊,视角变换下)的图像对的特征区域匹配来实现,具体就是从一对图像中提取各自特征区域的局部特征描述子,利用欧式距离来度量图像对间的局部特征描述子的相似度,当两个局部特征描述子相似度满足某个阈值,则认为这两个对应的特征区域匹配,然后计算在特定阈值下的图像对的特征区域的配准率和配全率,评测程序和数据库来自牛津大学网站http://www.featurespace.org/。
如图4和图5所示,图5是对图4中的6对图像对的匹配效果用recall/1-precision曲线表示,图5的纵坐标为recall=配全率=每一对图片特征区域正确的匹配数/每一对图片特征区域真实的匹配数,横坐标为1-precision=1-配准率=每一对图片错误的特征区域的匹配数/每一对图片匹配过程中特征区域的实际的匹配数,在recall/1-precision curves评估曲线图中,描述子对应的曲线在上方表示对应的描述子的描述力较强和区分度较好。
实验结论:在尺度变换不大的情况下,本发明的描述子的描述能力和区分度优于或接近SIFT局部特征描述子。如图5(ubc,bike,leuven,graf),但我们发明的局部特征描述子的维度只有SIFT的四分之一。图例中描述子名后的括号里的数字表示该描述子的维数。在尺度变换比较大的情况下,可以通过尺度空间的扩展方法提高本发明描述子的区分度和描述能力,本发明扩展后的描述子和SIFT描述子在同等维度的情况下,在所有的测试图像对中匹配性能都优于SIFT描述子,说明本发明扩展后的描述子和SIFT描述子同等维度的情况下,其描述能力和区分度高于SIFT。
再如目标识别应用实验,本实验的目的不是验证目标识别的准确率,而是验证在特定的识别方法下,应用不同的局部特征描述子的识别效果的不同。数据库用的Kentucky大学的图像库http://vis.uky.edu/~stewe/ukbench/data/。评测方法如下,该图像库共有10200张图片,每4张图片为一组是同一个目标,每组中的目标从不同视角拍摄(有大的尺度变化),用任意一幅图片检索数据库,返回相似度最高的4张图片。识别的准确率用返回图片的正确幅数除以4。任意两幅图片I1和I2的相似度的定义如下,分别从I1和I2提取特征区域的局部特征描述子,构成图像I1的局部特征描述子的集合{f1 1;f2 1;...;fm 1}和图像I2的局部特征描述子的集合{f1 2;f2 2;...;fn 2}。
这里
本发明及本发明的扩展与SIFT描述子在Kentucky目标识别数据库的识别准确率的比较如表1。
表1
由于本发明的目标识别结果接近SIFT,但由于本发明维数(描述子名后的括号里表示的是该描述子的维数)比SIFT低,本发明的匹配速度是SIFT的两倍。在相同的维数(或相同的匹配速度)的条件下,本发明的尺度空间扩展描述子的识别准确率优于SIFT描述子。
本专利所涉及的文献材料目录如下:
专利文献1:美国专利第6711293号公报
非专利文献1:“PCA-SIFT:A more distinctive representation for local image descriptors”,Proceedings of the Conference on Computer Vision and Pattern Recognition(CVPR),(2004)
非专利文献2:“Distinctive image features from scale-invariant keypoints,”International Journalof Computer Vision,60,2(2004)
非专利文献3:“Scale&affine invariant interest point detectors”,International journal ofcomputer vision60(1)(2004)
非专利文献4:“Multi resolution gray-scale and rotation invariant texture classification withlocal binary patterns”,IEEE Transactions on Pattern Analysis and Machine Intelligence24(7)(2002)
非专利文献5:“Description of interest regions with local binary patterns”,Pattern recognition42(3)(2009)
非专利文献6:Image region description using orthogonal combination of local binary patterns enhancedwith color information,Pattern Recognition46(7)(2013)
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种紧凑的图像局部特征描述子的构造方法,其特征在于,包括以下步骤:
11)确定特征区域,通过特征点检测来确定特征区域的位置,为特征区域选取合适的尺度和大小;
12)特征区域的划分和编号,将特征区域划分成大小相等、灰度单调的K个子区域,其中K>1,按点像素值的大小为第一顺序,点行扫描的位置顺序为第二顺序划分子区域,按划分次序给划分的子区域编号,标识划分的子区域;
13)在特征区域上计算点的主导中心对称局部二值模式编码;
14)以划分子区域为单位,计算每个划分子区域上的主导中心对称局部二值模式的特征向量;
15)按照划分子区域的编号顺序,将每个划分子区域上的主导中心对称局部二值模式的特征向量排列起来,生成图像的局部特征描述子。
2.根据权利要求1所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,所述的特征区域的划分和编号包括以下步骤:
21)对于选定的特征区域的点按像素值进行排序;
22)以点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序,将特征区域划分成点数相等的K个子区域,并按划分的顺序给子区域编号;
23)给出特征区域的划分和编号模板,模板大小与特征区域相等,模板中点的像素值等于特征区域对应位置点所属子区间的编号。
3.根据权利要求1所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,所述的在特征区域上计算点的主导中心对称局部二值模式编码包括以下步骤:
31)对特征区域的任意一点Xj,建立该点的协坐标系,P为该特征区域的中心,射线PXi是该点对应的坐标系的极轴,在Xj的半径为1的八邻域内,取靠近极轴PXi且远离P点的点为n1,顺时针方向依次在八邻域取剩下的七个点,分别记为n2、n3、n4、n5、n6、n7、n8。
32)计算该点Xj的主导的中心对称局部二值模式的编码,
计算公式如下:
这里
公式中n1、n2、n3、n4、n5、n6、n7、n8在Xj的协坐标系下顺时针选取,则DCSLBP1,8,T(Xj)计算结果有九个值:0、1、3、7、8、12、14、15、-1,当DCSLBP1,8,T(Xj)≧0,该点的对应的模式是主导中心对称局部二值模式;如果计算结果DCSLBP1,8,T(Xj)﹤0,该点的对应的模式是非主导中心对称局部二值模式。
4.根据权利要求1所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,所述的计算每个划分子区域上的主导中心对称局部二值模式的特征向量包括以下步骤:
41)根据划分的子区域模板信息,在每个子区域上,统计8个主导中心对称局部二值模式的分布概率,计算出每个子区域的主导中心对称局部二值模式的分布直方图,非主导中心对称局部二值模式的对应的点不参与统计;
42)以主导中心对称局部二值模式的分布直方图每一柱的分布概率值作为分量,分布直方图对应的8个分量按主导中心对称局部二值模式的编码大小顺序排列,生成划分子区域上的主导中心对称局部二值模式的特征向量。
5.根据权利要求2所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,所述的以点的像素值的大小为第一顺序、点的行扫描的位置顺序为第二顺序,将特征区域划分成点数相等的K个子区域包括以下步骤:
51)确定子区间的点数N,N=特征区域的总点数/子区域的个数K;
52)定义变量,I1为前一个划分的子区域的最大像素值,I2为当前划分子区域的最大像素值,left为像素值等于I1但没有被划分的点的集合,countcurrent为准备划分到当前的子区域点的个数,t表示划分当前子区域的序号,设置初始值I1=0,I2=1,t=1,left为空集,countcurrent=0;
53)如果t≦K,在区域R中统计像素值大于I1、小于等于I2的点集new,将new集合和left集合的点的个数累加赋值给countcurrent;若countcurrent小于N,则继续下一步;若countcurrent等于N或者I2>256,则进行第55步处理;若countcurrent大于N,I1=I2,进行第56步处理;若t>K,则进行第57步处理;
54)I2=I2+1,返回53步处理;
55)标识left∪new为第t个子区域Rt,left置为空集,t=t+1,I1=I2,I2=I2+1,返回53步处理;
56)在left∪new集合中,按行扫描的次序取N个点标识为第t个子区域Rt,t=t+1,剩下的点放入left集合返回第53步处理;
57)输出标识的子区域R1、R2、...RK。
6.根据权利要求1所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,还包括图像局部特征描述子在尺度空间的扩展,其包括以下步骤:
61)对检测到的特征点,选择多个尺度下的特征区域;
62)对选择的每个尺度的特征区域,按照第11步、第12步、第13步、第14步和第15步生成该尺度下的特征区域的局部特征描述向量;
63)按照尺度的大小,将对应尺度下的特征区域的局部特征描述向量进行排列,构成多尺度下的特征区域的局部特征描述子。
7.根据权利要求1所述的一种紧凑的图像局部特征描述子的构造方法,其特征在于,还包括图像局部特征描述子在颜色空间的扩展,其包括以下步骤:
71)对检测到的特征点,选择特定尺度下的特征区域;
72)选择彩色图像的颜色空间,将既定的颜色空间的通道排序,对每一个通道,按照第11步、第12步、第13步、第14步和第15步生成该通道下的特征区域的局部特征向量;
73)按照既定颜色空间的通道的排序,将特征区域内对应通道的局部描述向量排列起来,构成颜色空间上的特征区域的局部特征描述子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410151685.XA CN103955690B (zh) | 2014-04-15 | 2014-04-15 | 一种紧凑的图像局部特征描述子的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410151685.XA CN103955690B (zh) | 2014-04-15 | 2014-04-15 | 一种紧凑的图像局部特征描述子的构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955690A true CN103955690A (zh) | 2014-07-30 |
CN103955690B CN103955690B (zh) | 2017-03-01 |
Family
ID=51332965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410151685.XA Active CN103955690B (zh) | 2014-04-15 | 2014-04-15 | 一种紧凑的图像局部特征描述子的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955690B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200214A (zh) * | 2014-08-22 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 使用Walsh变换的功率谱来描述图像局部特征区域的方法 |
CN104318236A (zh) * | 2014-10-28 | 2015-01-28 | 苏州科达科技股份有限公司 | 一种获取图像局部特征的方法及系统 |
CN106295710A (zh) * | 2016-08-18 | 2017-01-04 | 晶赞广告(上海)有限公司 | 基于非几何约束的图像局部特征匹配方法、装置及终端 |
CN107729902A (zh) * | 2017-07-28 | 2018-02-23 | 湘潭大学 | 用于图像识别的图像微观结构模式特征提取方法 |
CN108256531A (zh) * | 2018-01-05 | 2018-07-06 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及系统 |
CN109086692A (zh) * | 2018-07-16 | 2018-12-25 | 北京建筑大学 | 一种人脸识别装置和方法 |
CN109902581A (zh) * | 2019-01-28 | 2019-06-18 | 重庆邮电大学 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
CN110009549A (zh) * | 2019-03-14 | 2019-07-12 | 北京航空航天大学 | 一种旋转对称描述子的计算方法及硬件加速器 |
CN111160363A (zh) * | 2019-12-02 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
CN111325215A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
CN111612099A (zh) * | 2020-06-03 | 2020-09-01 | 江苏科技大学 | 基于局部排序差值细化模式的纹理图像分类方法及系统 |
CN112489145A (zh) * | 2020-12-29 | 2021-03-12 | 重庆邮电大学 | 一种基于颜色相关局部二值模式的彩色图像描述方法 |
CN112991175A (zh) * | 2021-03-18 | 2021-06-18 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN115442338A (zh) * | 2021-06-04 | 2022-12-06 | 华为技术有限公司 | 3d地图的压缩、解压缩方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112699A1 (en) * | 2005-06-20 | 2007-05-17 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
CN102855634A (zh) * | 2011-06-28 | 2013-01-02 | 中兴通讯股份有限公司 | 一种图像检测方法及装置 |
CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
-
2014
- 2014-04-15 CN CN201410151685.XA patent/CN103955690B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112699A1 (en) * | 2005-06-20 | 2007-05-17 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
CN102855634A (zh) * | 2011-06-28 | 2013-01-02 | 中兴通讯股份有限公司 | 一种图像检测方法及装置 |
CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
Non-Patent Citations (1)
Title |
---|
李勃,郁健,江登表,陈启美,张震纬: "基于ST-CSLBP的混合时空背景建模算法", 《仪器仪表学报》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200214A (zh) * | 2014-08-22 | 2014-12-10 | 中国人民解放军国防科学技术大学 | 使用Walsh变换的功率谱来描述图像局部特征区域的方法 |
CN104200214B (zh) * | 2014-08-22 | 2016-03-02 | 中国人民解放军国防科学技术大学 | 使用Walsh变换的功率谱来描述图像局部特征区域的方法 |
CN104318236A (zh) * | 2014-10-28 | 2015-01-28 | 苏州科达科技股份有限公司 | 一种获取图像局部特征的方法及系统 |
CN104318236B (zh) * | 2014-10-28 | 2017-11-14 | 苏州科达科技股份有限公司 | 一种获取图像局部特征的方法及系统 |
CN106295710A (zh) * | 2016-08-18 | 2017-01-04 | 晶赞广告(上海)有限公司 | 基于非几何约束的图像局部特征匹配方法、装置及终端 |
CN106295710B (zh) * | 2016-08-18 | 2019-06-14 | 晶赞广告(上海)有限公司 | 基于非几何约束的图像局部特征匹配方法、装置及终端 |
CN107729902A (zh) * | 2017-07-28 | 2018-02-23 | 湘潭大学 | 用于图像识别的图像微观结构模式特征提取方法 |
CN107729902B (zh) * | 2017-07-28 | 2021-01-22 | 湘潭大学 | 用于图像识别的图像微观结构模式特征提取方法 |
CN108256531A (zh) * | 2018-01-05 | 2018-07-06 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及系统 |
CN108256531B (zh) * | 2018-01-05 | 2020-11-17 | 上海交通大学 | 一种基于图像彩色信息的局部特征描述子构造方法及系统 |
CN109086692A (zh) * | 2018-07-16 | 2018-12-25 | 北京建筑大学 | 一种人脸识别装置和方法 |
CN111325215A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
CN111325215B (zh) * | 2018-12-14 | 2024-03-19 | 中国移动通信集团安徽有限公司 | 图像局部特征描述方法、装置、设备及介质 |
CN109902581B (zh) * | 2019-01-28 | 2020-11-10 | 重庆邮电大学 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
CN109902581A (zh) * | 2019-01-28 | 2019-06-18 | 重庆邮电大学 | 一种基于多步加权的单样本部分遮挡人脸识别方法 |
CN110009549A (zh) * | 2019-03-14 | 2019-07-12 | 北京航空航天大学 | 一种旋转对称描述子的计算方法及硬件加速器 |
CN111160363A (zh) * | 2019-12-02 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
CN111160363B (zh) * | 2019-12-02 | 2024-04-02 | 深圳市优必选科技股份有限公司 | 特征描述子生成方法、装置、可读存储介质及终端设备 |
CN111612099A (zh) * | 2020-06-03 | 2020-09-01 | 江苏科技大学 | 基于局部排序差值细化模式的纹理图像分类方法及系统 |
CN111612099B (zh) * | 2020-06-03 | 2022-11-29 | 江苏科技大学 | 基于局部排序差值细化模式的纹理图像分类方法及系统 |
CN112489145A (zh) * | 2020-12-29 | 2021-03-12 | 重庆邮电大学 | 一种基于颜色相关局部二值模式的彩色图像描述方法 |
CN112991175A (zh) * | 2021-03-18 | 2021-06-18 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN112991175B (zh) * | 2021-03-18 | 2024-04-02 | 中国平安人寿保险股份有限公司 | 一种基于单ptz摄像头的全景图片生成方法及设备 |
CN115442338A (zh) * | 2021-06-04 | 2022-12-06 | 华为技术有限公司 | 3d地图的压缩、解压缩方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103955690B (zh) | 2017-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955690A (zh) | 一种紧凑的图像局部特征描述子的构造方法 | |
Torii et al. | Visual place recognition with repetitive structures | |
Shen et al. | Deepcontour: A deep convolutional feature learned by positive-sharing loss for contour detection | |
Zia et al. | Detailed 3d representations for object recognition and modeling | |
Bayraktar et al. | Analysis of feature detector and descriptor combinations with a localization experiment for various performance metrics | |
CN101567051B (zh) | 一种基于特征点的图像配准方法 | |
US9619733B2 (en) | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same | |
Zhang et al. | Hierarchical building recognition | |
Hietanen et al. | A comparison of feature detectors and descriptors for object class matching | |
CN105956560A (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
Zhou et al. | Progressive large scale-invariant image matching in scale space | |
CN102074015A (zh) | 一种基于二维图像序列的目标对象的三维重建方法 | |
US20180181785A1 (en) | Detection Method and System for Characteristic Patterns of Han Xin Codes | |
CN103164701B (zh) | 手写体数字识别方法及装置 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
Candemir et al. | Rsilc: rotation-and scale-invariant, line-based color-aware descriptor | |
CN105913070A (zh) | 一种基于光场相机的多线索显著性提取方法 | |
CN104537376A (zh) | 一种识别台标的方法及相关设备、系统 | |
KR101742115B1 (ko) | 건물 인식을 위한 멀티뷰 영상에서의 인라이어 선택 및 잉여 제거 방법 | |
Forsyth et al. | Order structure, correspondence, and shape based categories | |
Shao et al. | ClusterNet: 3D instance segmentation in RGB-D images | |
CN111783493A (zh) | 一种批量二维码的识别方法及识别终端 | |
Gao | A post-processing scheme for the performance improvement of vehicle detection in wide-area aerial imagery | |
Mishra et al. | ChartFuse: a novel fusion method for chart classification using heterogeneous microstructures | |
Sghaier et al. | Efficient machine-learning based 3d face identification system under large pose variation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |