CN107358244A - 一种快速局部不变特征提取与描述方法 - Google Patents
一种快速局部不变特征提取与描述方法 Download PDFInfo
- Publication number
- CN107358244A CN107358244A CN201710579415.2A CN201710579415A CN107358244A CN 107358244 A CN107358244 A CN 107358244A CN 201710579415 A CN201710579415 A CN 201710579415A CN 107358244 A CN107358244 A CN 107358244A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- characteristic
- msup
- msub
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种快速局部不变特征提取与描述方法，首先通过分块FAST角点检测算法计算特征点集合，然后通过扩展局部二元模式对特征点进行特征描述，将颜色比对的结果分成五类，使之更好的反应纹理变化的细节。本发明方法能够更为细致的描述图像的纹理分布，同时还提高了纹理描述的抗噪性。
Description
技术领域
本发明涉及图像处理、计算机视觉的技术领域，特别涉及一种特征提取与描述方法。
背景技术
随着电子信息技术的迅速发展，获取图像的种类和数量急剧增加，让计算机代替人工，自动完成图像的理解分析成为一项重要并且紧迫的任务。其中，图像特征的提取与表达，作为图像理解的第一步，是解决图像分类、目标匹配和纹理识别等各种视觉任务的基础和关键步骤。由于图像局部特征对于背景干扰、尺度缩放和视点变换等具有一定的鲁棒性，并且提供了一种具有统计意义的图像内容表示，因此研究图像的局部特征具有重要意义。
目前已有相当多的文献对图像局部特征进行研究，提出了各种局部特征描述子。其中尺度不变特征变换(SIFT)算子将角点检测和特征矢量生成等步骤完整地结合在一起进行优化，同时具备尺度和旋转的不变性，成为局部不变特征研究过程中一个里程碑式的成就，其他很多描述算子都是在此基础上改进得到的。但是，SIFT算法只考虑了尺度和旋转的不变性，对仿射变换具有一定的敏感性，随着视角变化的增大其稳定性逐渐下降。而且对于背景复杂、层次丰富的图像存在匹配速度慢的缺点，无法满足实时性场合的要求。
另一个常用的描述子是局部二进制模式(LBP)，通过将中心像素与近邻像素的灰度值进行对比，形成一个位串然后将其编码，最后将图像的标签频率直方图作为纹理表达。具有计算简单、对目标灰度变化不敏感的优点。但是传统的LBP描述子提取图像的信息都不够丰富，难以精确地描绘局部纹理结构。
其他一些常用的描述子还有互信息描述子、基于霍夫编码的描述子、灰度共生矩阵描述子等，对图像本身也提出各种限制要求。然而，现实世界中的图像不仅种类繁多、结构复杂，而且成像条件几乎不可预知，加之大数据时代的到来，提取有效的局部不变特征和设计高效的图像表达方法是十分具有挑战性的任务。
发明内容
针对上述已有技术的不足，本发明提供了一种快速局部不变特征提取与描述方法。本发明方法能够更为细致的描述图像的纹理分布，同时还提高了纹理描述的抗噪性。
本发明的技术方案是：
一种快速局部不变特征提取与描述方法，包括以下步骤：
S1通过分块FAST角点检测算法计算特征点集合；
S1.1记需要进行特征提取和描述的彩色RGB图像为P(x,y,z)，将图像P(x,y,z)均匀的分块，获得N个子图像，每个子图像大小为21×21，记为{P1(x,y,z),…,PN(x,y,z)}；
S1.2在每个子图像中使用FAST角点检测算法进行特征点检测，在图像P(x,y,z)的每个子图像中获得一个特征点，得到图像P(x,y,z)所有子图像的特征点集合为{(x1,y1),…,(xN,yN)}；
S1.2中，图像P(x,y,z)中每个子图像的特征点的获取方法为：对于图像P(x,y,z)中的任一子图像Pn(x,y,z)，对子图像Pn(x,y,z)采用FAST角点检测算法进行特征点检测，如果检测出多个特征点，选择响应值最大的特征点作为子图像Pn(x,y,z)最终选取的特征点；如果没有检测出特征点，则选取子图像Pn(x,y,z)的中间点作为子图像Pn(x,y,z)最终选取的特征点。
S2：对特征点进行特征描述，将颜色比对的结果分成五类，每个特征点获得一个特征向量；
S2.1任取特征点集合{(x1,y1),…,(xN,yN)}中的一特征点(xn,yn)；以特征点(xn,yn)为中心，在RGB图像P(x,y,z)中选择与该特征点(xn,yn)四周紧邻的8个像素点{(x1,y1),…,(x8,y8)}作为该特征点(xn,yn)对应的区域，获得特征点(xn,yn)在颜色空间R下的一个长度为五的特征向量{RT1,…,RT5}，方法如下：
以特征点(xn,yn)的在颜色空间R的取值P(xn,yn,1)为对比阈值，然后进行第一个模式比对：
其中m∈{1,2,…,8}表示像素点顺序号，P(xm,ym,1)表示点(xm,ym)的在颜色空间R的取值，th1表示第一个差异阈值，用于界定颜色差异较小的区域，这里取值15，r1(m)表示像素点(xm,ym)在第一个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r1(1),r1(2),…,r1(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第一个模式下的特征值，记为RT1。
接下来进行第二个模式的比对：
其中th2表示第二个差异阈值，用于界定颜色差异较大的区域，这里取值60，r2(m)表示像素点(xm,ym)在第二个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r2(1),r2(2),…,r2(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第二个模式下的特征值，记为RT2。
进行第三个模式的比对：
其中r3(m)表示像素点(xm,ym)在第三个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r3(1),r3(2),…,r3(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第三个模式下的特征值，记为RT3。
进行第四个模式的比对：
其中r4(m)表示像素点(xm,ym)在第四个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r4(1),r4(2),…,r4(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第四个模式下的特征值，记为RT4。
进行第五个模式的比对：
其中r5(m)表示像素点(xm,ym)在第五个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r5(1),r5(2),…,r5(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第五个模式下的特征值，记为RT5。
可以看到，这五个模式将纹理的分布进行了更细的划分，通过两个差异阈值th1和th2对颜色比对结果进行五种情况的分类，不再是局部二元模式下单纯的大于和小于。因此本发明提出的特征描述方法能够更好的表征纹理分布的细节。
经过上述方法，特征点(xn,yn)在颜色空间R下一共得到一个长度为五的特征向量{RT1,…,RT5}。
S2.2，采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间G下的一个长度为五的特征向量{GT1,…,GT5}；
S2.3，采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间B下的一个长度为五的特征向量{BT1,…,BT5}；
S2.4将特征向量{RT1,…,RT5}，特征向量{GT1,…,GT5}以及特征向量{BT1,…,BT5}进行顺序连接，特征点(xn,yn)最终获得一个长度为15的特征向量{RT1,…,RT5,GT1,…,GT5,BT1,…,BT5}；至此，完成对特征点(xn,yn)特征描述。
S2.5对特征点集合{(x1,y1),…,(xN,yN)}中的所有的特征点，都按照S2.1至S2.4中的方法进行处理，获得各自的特征向量，即完成特征描述。
采用本发明可以达到以下技术效果：
本发明提出了一种新的快速局部不变特征提取与描述方法，首先通过分块FAST角点检测算法计算特征点集合，然后通过扩展局部二元模式对特征点进行特征描述，将颜色比对的结果分成五类，使之更好的反应纹理变化的细节。本发明方法能够更为细致的描述图像的纹理分布，同时还提高了纹理描述的抗噪性。
附图说明
图1为本发明的总体流程框图
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参照图1，为本发明一种快速局部不变特征提取与描述方法的流程框图，首先通过分块FAST角点检测算法计算特征点集合，然后通过扩展局部二元模式对特征点进行特征描述，将颜色比对的结果分成五类，使之更好的反应纹理变化的细节。本发明方法能够更为细致的描述图像的纹理分布，同时还提高了纹理描述的抗噪性。具体包括以下步骤：
S1通过分块FAST角点检测算法计算特征点集合；
S1.1记需要进行特征提取和描述的彩色RGB图像为P(x,y,z)，将图像P(x,y,z)均匀的分块，获得N个子图像，每个子图像大小为21×21，记为{P1(x,y,z),…,PN(x,y,z)}。
S1.2在每个子图像中使用FAST角点检测算法进行特征点检测，在图像P(x,y,z)的每个子图像中获得一个特征点，得到图像P(x,y,z)所有子图像的特征点集合为{(x1,y1),…,(xN,yN)}。
对于图像P(x,y,z)中的任一子图像Pn(x,y,z)，对子图像Pn(x,y,z)采用FAST角点检测算法进行特征点检测，如果检测出多个特征点，选择响应值最大的特征点作为子图像Pn(x,y,z)最终选取的特征点；如果没有检测出特征点，则选取子图像Pn(x,y,z)的中间点作为子图像Pn(x,y,z)最终选取的特征点。
S2：通过扩展局部二元模式对特征点进行特征描述，将颜色比对的结果分成五类，每个特征点获得一个特征向量。
本发明借鉴了局部二元模式描述子的思想，通过颜色比对信息进行编码，但是二元模式仅仅表征简单的大小关系，无法反应纹理变化的差异程度，且容易受到噪声的影响。为了克服这些问题，本发明对局部二元模式进行扩展，将颜色比对的结果分成5类，更好的反应纹理变化的细节，具体步骤如下：
图像P(x,y,z)是RGB彩色图像，本发明会分别对3个颜色空间进行处理，处理过程完全相同，下面步骤S2.1中以颜色空间R为例进行说明。
S2.1任取特征点集合{(x1,y1),…,(xN,yN)}中的一特征点(xn,yn)；以特征点(xn,yn)为中心，在RGB图像P(x,y,z)中选择与该特征点(xn,yn)四周紧邻的8个像素点{(x1,y1),…,(x8,y8)}作为该特征点(xn,yn)对应的区域，获得特征点(xn,yn)在颜色空间R下的一个长度为五的特征向量{RT1,…,RT5}，方法如下：
以特征点(xn,yn)的在颜色空间R的取值P(xn,yn,1)为对比阈值，然后进行第一个模式比对：
其中m∈{1,2,…,8}表示像素点顺序号，P(xm,ym,1)表示点(xm,ym)的在颜色空间R的取值，th1表示第一个差异阈值，这里取值15，r1(m)表示像素点(xm,ym)在第一个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r1(1),r1(2),…,r1(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第一个模式下的特征值，记为RT1。
接下来进行第二个模式的比对：
其中th2表示第二个差异阈值，这里取值60，r2(m)表示像素点(xm,ym)在第二个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r2(1),r2(2),…,r2(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第二个模式下的特征值，记为RT2。
进行第三个模式的比对：
其中r3(m)表示像素点(xm,ym)在第三个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r3(1),r3(2),…,r3(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第三个模式下的特征值，记为RT3。
进行第四个模式的比对：
其中r4(m)表示像素点(xm,ym)在第四个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r4(1),r4(2),…,r4(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第四个模式下的特征值，记为RT4。
进行第五个模式的比对：
其中r5(m)表示像素点(xm,ym)在第五个模式下的编码。
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r5(1),r5(2),…,r5(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第五个模式下的特征值，记为RT5。
可以看到，这五个模式将纹理的分布进行了更细的划分，通过两个差异阈值th1和th2对颜色比对结果进行五种情况的分类，不再是局部二元模式下单纯的大于和小于。因此本发明提出的特征描述方法能够更好的表征纹理分布的细节。
经过上述方法，特征点(xn,yn)在颜色空间R下一共得到一个长度为五的特征向量{RT1,…,RT5}。
S2.2采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间G下的一个长度为五的特征向量{GT1,…,GT5}；
S2.3采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间B下的一个长度为五的特征向量{BT1,…,BT5}；
S2.4将特征向量{RT1,…,RT5}，特征向量{GT1,…,GT5}以及特征向量{BT1,…,BT5}进行顺序连接，特征点(xn,yn)最终获得一个长度为15的特征向量{RT1,…,RT5,GT1,…,GT5,BT1,…,BT5}；至此，完成对特征点(xn,yn)特征描述。
S2.5对特征点集合{(x1,y1),…,(xN,yN)}中的所有的特征点，都按照S2.1至S2.4中的方法进行处理，获得各自的特征向量，即完成特征描述。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种快速局部不变特征提取与描述方法，其特征在于，包括以下步骤：
S1通过分块FAST角点检测算法计算特征点集合；
S1.1记需要进行特征提取和描述的彩色RGB图像为P(x,y,z)，将图像P(x,y,z)均匀的分块，获得N个子图像，每个子图像大小为21×21，记为{P1(x,y,z),…,PN(x,y,z)}；
S1.2在每个子图像中使用FAST角点检测算法进行特征点检测，在图像P(x,y,z)的每个子图像中获得一个特征点，得到图像P(x,y,z)所有子图像的特征点集合为{(x1,y1),…,(xN,yN)}；
S2：对特征点进行特征描述，将颜色比对的结果分成五类，每个特征点获得一个特征向量；
S2.1任取特征点集合{(x1,y1),…,(xN,yN)}中的一特征点(xn,yn)；以特征点(xn,yn)为中心，在RGB图像P(x,y,z)中选择与该特征点(xn,yn)四周紧邻的8个像素点{(x1,y1),…,(x8,y8)}作为该特征点(xn,yn)对应的区域，获得特征点(xn,yn)在颜色空间R下的一个长度为五的特征向量{RT1,…,RT5}，方法如下：
以特征点(xn,yn)的在颜色空间R的取值P(xn,yn,1)为对比阈值，然后进行第一个模式比对：
<mrow>
<mi>r</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mo>|</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<mi>t</mi>
<mi>h</mi>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中m∈{1,2,…,8}表示像素点顺序号，P(xm,ym,1)表示点(xm,ym)的在颜色空间R的取值，th1表示第一个差异阈值，r1(m)表示像素点(xm,ym)在第一个模式下的编码；
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r1(1),r1(2),…,r1(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第一个模式下的特征值，记为RT1；
接下来进行第二个模式的比对：
<mrow>
<mi>r</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>t</mi>
<mi>h</mi>
<mn>1</mn>
<mo><</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>t</mi>
<mi>h</mi>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中th2表示第二个差异阈值，r2(m)表示像素点(xm,ym)在第二个模式下的编码；
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r2(1),r2(2),…,r2(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第二个模式下的特征值，记为RT2；
进行第三个模式的比对：
<mrow>
<mi>r</mi>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>t</mi>
<mi>h</mi>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中r3(m)表示像素点(xm,ym)在第三个模式下的编码；
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r3(1),r3(2),…,r3(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第三个模式下的特征值，记为RT3；
进行第四个模式的比对：
<mrow>
<mi>r</mi>
<mn>4</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mo>-</mo>
<mi>t</mi>
<mi>h</mi>
<mn>1</mn>
<mo>></mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mo>-</mo>
<mi>t</mi>
<mi>h</mi>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中r4(m)表示像素点(xm,ym)在第四个模式下的编码；
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r4(1),r4(2),…,r4(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第四个模式下的特征值，记为RT4；
进行第五个模式的比对：
<mrow>
<mi>r</mi>
<mn>5</mn>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>m</mi>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo><</mo>
<mo>-</mo>
<mi>t</mi>
<mi>h</mi>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中r5(m)表示像素点(xm,ym)在第五个模式下的编码；
最终8个像素点{(x1,y1),…,(x8,y8)}会获得一个8位的二进制数{r5(1),r5(2),…,r5(8)}，将其转化为十进制数所得的值即为特征点(xn,yn)的在第五个模式下的特征值，记为RT5；
经过上述方法，特征点(xn,yn)在颜色空间R下一共得到一个长度为五的特征向量{RT1,…,RT5}；
S2.2，采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间G下的一个长度为五的特征向量{GT1,…,GT5}；
S2.3，采用S2.1中相同的方法，获得特征点(xn,yn)在颜色空间B下的一个长度为五的特征向量{BT1,…,BT5}；
S2.4将特征向量{RT1,…,RT5}，特征向量{GT1,…,GT5}以及特征向量{BT1,…,BT5}进行顺序连接，特征点(xn,yn)最终获得一个长度为15的特征向量{RT1,…,RT5,GT1,…,GT5,BT1,…,BT5}；至此，完成对特征点(xn,yn)特征描述；
S2.5对特征点集合{(x1,y1),…,(xN,yN)}中的所有的特征点，都按照S2.1至S2.4中的方法进行处理，获得各自的特征向量，即完成特征描述。
2.根据权利要求1所述的，其特征在于：S1.2中，图像P(x,y,z)中每个子图像的特征点的获取方法为：对于图像P(x,y,z)中的任一子图像Pn(x,y,z)，对子图像Pn(x,y,z)采用FAST角点检测算法进行特征点检测，如果检测出多个特征点，选择响应值最大的特征点作为子图像Pn(x,y,z)最终选取的特征点；如果没有检测出特征点，则选取子图像Pn(x,y,z)的中间点作为子图像Pn(x,y,z)最终选取的特征点。
3.根据权利要求1或2所述的，其特征在于：步骤S2.1中，th1取值15。
4.根据权利要求3所述的，其特征在于：步骤S2.1中，th2取值60。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579415.2A CN107358244B (zh) | 2017-07-17 | 2017-07-17 | 一种快速局部不变特征提取与描述方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579415.2A CN107358244B (zh) | 2017-07-17 | 2017-07-17 | 一种快速局部不变特征提取与描述方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358244A true CN107358244A (zh) | 2017-11-17 |
| CN107358244B CN107358244B (zh) | 2019-08-20 |
Family
ID=60292054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710579415.2A Active CN107358244B (zh) | 2017-07-17 | 2017-07-17 | 一种快速局部不变特征提取与描述方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358244B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242892A (zh) * | 2018-09-12 | 2019-01-18 | 北京字节跳动网络技术有限公司 | 用于确定图像间的几何变换关系的方法和装置 |
| CN109493349A (zh) * | 2018-11-05 | 2019-03-19 | 北京悉见科技有限公司 | 一种图像特征处理模块、增强现实设备和角点检测方法 |
| CN109934777A (zh) * | 2019-01-09 | 2019-06-25 | 深圳市三宝创新智能有限公司 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
| CN103295186A (zh) * | 2012-02-24 | 2013-09-11 | 佳能株式会社 | 图像描述符生成方法和系统、图像检测方法和系统 |
| US20160180187A1 (en) * | 2014-12-23 | 2016-06-23 | Thomson Licensing | Method of generating descriptor for interest point in image and apparatus implementing the same |
| CN106503718A (zh) * | 2016-09-20 | 2017-03-15 | 南京邮电大学 | 一种基于滤波器组的局部二值模式图像描述方法 |
-
2017
- 2017-07-17 CN CN201710579415.2A patent/CN107358244B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101154265A (zh) * | 2006-09-29 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部二值模式特征和图匹配的虹膜识别方法 |
| CN103295186A (zh) * | 2012-02-24 | 2013-09-11 | 佳能株式会社 | 图像描述符生成方法和系统、图像检测方法和系统 |
| US20160180187A1 (en) * | 2014-12-23 | 2016-06-23 | Thomson Licensing | Method of generating descriptor for interest point in image and apparatus implementing the same |
| CN106503718A (zh) * | 2016-09-20 | 2017-03-15 | 南京邮电大学 | 一种基于滤波器组的局部二值模式图像描述方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242892A (zh) * | 2018-09-12 | 2019-01-18 | 北京字节跳动网络技术有限公司 | 用于确定图像间的几何变换关系的方法和装置 |
| CN109493349A (zh) * | 2018-11-05 | 2019-03-19 | 北京悉见科技有限公司 | 一种图像特征处理模块、增强现实设备和角点检测方法 |
| CN109934777A (zh) * | 2019-01-09 | 2019-06-25 | 深圳市三宝创新智能有限公司 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358244B (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709909B (zh) | 基于深度学习的通用印刷缺陷检测方法及其模型 | |
| CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
| CN106960451B (zh) | 一种提升图像弱纹理区域特征点数量的方法 | |
| CN111415316B (zh) | 基于生成对抗网络的缺陷数据合成方法 | |
| CN106127170B (zh) | 一种融合关键特征点的训练方法、识别方法及系统 | |
| CN109800698B (zh) | 基于深度学习的图标检测方法、图标检测系统和存储介质 | |
| CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN108010045A (zh) | 基于orb的视觉图像特征点误匹配提纯方法 | |
| CN105224937B (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
| CN109101981B (zh) | 一种街景场景下基于全局图像条纹码的回环检测方法 | |
| CN107688829A (zh) | 一种基于支持向量机的识别系统及识别方法 | |
| CN105046252A (zh) | 一种人民币冠字码识别方法 | |
| CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
| CN114694165B (zh) | 一种pid图纸智能识别与重绘方法 | |
| CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
| CN107358244A (zh) | 一种快速局部不变特征提取与描述方法 | |
| WO2021253633A1 (zh) | 一种批量二维码的识别方法及识别终端 | |
| CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
| CN106127243A (zh) | 一种基于二值化sift描述子的图像匹配方法 | |
| CN113501167A (zh) | 一种基于双目视觉的中药小包装定位方法 | |
| CN115810197A (zh) | 一种多模态电力表单识别方法及装置 | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |