CN107909094A - 一种自适应阈值多目标sift匹配算法实现方法 - Google Patents
一种自适应阈值多目标sift匹配算法实现方法 Download PDFInfo
- Publication number
- CN107909094A CN107909094A CN201711049907.7A CN201711049907A CN107909094A CN 107909094 A CN107909094 A CN 107909094A CN 201711049907 A CN201711049907 A CN 201711049907A CN 107909094 A CN107909094 A CN 107909094A
- Authority
- CN
- China
- Prior art keywords
- template
- sift
- local features
- matched
- image
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种自适应阈值多目标SIFT匹配算法实现方法,主要包括六个步骤:首先提取模板图像的SIFT局部特征;其次,将提取的SIFT局部特征以文本形式存入特征模板库中;再次,针对特征模板库中的模板特征,两两进行SIFT匹配,确定自适应阈值θS;然后,提取目标图像的SIFT局部特征;将提取的目标图像的SIFT局部特征与特征模板库中的特征进行匹配;最后,删除目标图像中与多个模板匹配的特征点。本发明与传统的匹配算法相比,模板特征的读取速度提升,减少特征提取过程的时间消耗;与固定阈值的SIFT匹配算法相比,使用自适应阈值,可以减少一个目标与多个模板匹配的情况,进而减小误匹配率,提高整体匹配精度。
Description
技术领域
本发明涉及机器人视觉技术领域,具体涉及一种自适应阈值多目标SIFT匹配算法实现方法。
背景技术
图像特征匹配是计算机视觉和模式识别等领域研究的基本问题以及物体识别、跟踪等应用的重要基础,广泛应用于摄影测量与遥感、资源分析、三维重建、目标识别、图像拼接、图像检索等众多领域,。近年来,视觉智能机器人逐渐在物流、制造等工业中广泛应用,应用于机器人视觉的图像特征匹配成为研究的重点之一。
尺度不变特征变换(SIFT)算法是一种局部特征匹配算法,具有缩放,平移,旋转及亮度不变性,对目标的遮挡、噪声等因素影响也能保持较好匹配效果。但是该算法在拥有多个待匹配目标的场景中,存在以下问题:1.目标图像与模板图像进行匹配时,需要提取模板图像的特征,在使用时提取模板图像的特征时间较长;2.当多个模板间的相似的较高时,使用固定阈值进行特征匹配,会匹配到错误的目标,误匹配率较高,匹配精度较低。
发明内容
本发明的目的在于克服上述背景技术存在的缺陷,提供一种自适应阈值多目标SIFT匹配算法实现方法。
本发明的技术方案:一种自适应阈值多目标SIFT匹配算法实现方法,其特征在于,包括以下步骤:
S1、提取模板图像的SIFT局部特征;
S2、将上述步骤S1中提取的模板图像的SIFT局部特征以文本形式存入特征模板库中;
S3、针对特征模板库中的模板特征,两两进行SIFT匹配,确定自适应阈值θS;
S4、提取目标图像的SIFT局部特征;
S5、将上述S4步骤中提取的目标图像的SIFT局部特征与上述步骤S2中的特征模板库中的特征进行匹配:若全部匹配完成,进入S6,否则回到S5继续匹配;
S6、删除目标图像中与多个模板匹配的特征点。
所述步骤S2是将模板图像的SIFT局部特征存储在xml文档中,每个模板图像的SIFT局部特征独立存储,组成特征模板库。
所述步骤S3中自适应阈值的计算公式为:
式中:为模板的阈值,为模板i和模板j可以产生匹配的最小欧式距离。
所述步骤S5是将图像SIFT局部特征与每个模板特征进行匹配,对于模板i,其匹配阈值为S3中计算所得阈值。
所述步骤S6中删除目标图像中与多个模板匹配的特征点,实质为删除该特征点与模板之间的匹配关系。
与现有技术相比,本发明具有的优点:
1.与传统的匹配算法[1]相比,预先提取模板特征并将提取的特征存入特征模板库,再与目标图像特征进行匹配时,模板特征的读取速度提升,减少特征提取过程的时间消耗;
2.与固定阈值的SIFT匹配算法相比,使用自适应阈值,可以减少一个目标与多个模板匹配的情况,进而减小误匹配率,提高整体匹配精度。
附图说明
图1为本发明方法流程图。
图2为本发明方法与传统算法在提取模板特征步骤的时间消耗对比图。
具体实施方式
下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明,并不对本发明作任何的限制。
如图1所示,本发明一种自适应阈值多目标SIFT匹配算法实现方法,包括以下步骤:
S1、提取模板图像的SIFT局部特征;本实施例S1中是使用OpenCV函数库及默认参数提取三个不同模板的SIFT局部特征;
S2、将上述步骤S1中提取的模板图像的SIFT局部特征以文本形式存入特征模板库中;本实施例S2中是将模板图像的SIFT局部特征存储在xml文档中,每个模板图像的SIFT局部特征独立存储,共计3个xml文档,组成特征模板库;
S3、针对特征模板库中的模板特征,两两进行SIFT匹配,确定自适应阈值θS:自适应阈值的计算公式为:式中:为模板的阈值,为模板i和模板j可以产生匹配的最小欧式距离;
在这一阈值下,每个模板与其他模板均不会匹配,可以减少一个目标与多个模板匹配的情况;
每个模板的匹配阈值随特征模板库的更新而更新;
S4、提取目标图像的SIFT局部特征;本实施例S4中是使用OpenCV函数库及默认参数提取目标图像的SIFT局部特征;
S5、将上述S4步骤中提取的目标图像的SIFT局部特征与上述步骤S2中的特征模板库中的特征进行匹配,对于模板i,其匹配阈值为S3中计算所得阈值若全部匹配完成,进入S6,否则回到S5继续匹配;本实施例S5中是将S3中计算得到的阈值带入OpenCV函数库中的match函数,进而得到匹配结果;
S6、删除目标图像中与多个模板匹配的特征点:实质为删除该特征点与模板之间的匹配关系。
在本实施例S5中,从特征库读取模板特征与直接从模板图像中提取模板特征耗时对比如图2所示。
应当理解的是,这里所讨论的实施方案及实例只是为了说明,对本领域技术人员来说,可以加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
相关文献:
[1].Lowe D G.Distinctive image features from scale-in-variantkeypoints[J].International Journal of Computer Vision,2004,60(2):91-110.
Claims (5)
1.一种自适应阈值多目标SIFT匹配算法实现方法,其特征在于,包括以下步骤:
S1、提取模板图像的SIFT局部特征;
S2、将上述步骤S1中提取的模板图像的SIFT局部特征以文本形式存入特征模板库中;
S3、针对特征模板库中的模板特征,两两进行SIFT匹配,确定自适应阈值θS;
S4、提取目标图像的SIFT局部特征;
S5、将上述S4步骤中提取的目标图像的SIFT局部特征与上述步骤S2中的特征模板库中的特征进行匹配:若全部匹配完成,进入S6,否则回到S5继续匹配;
S6、删除目标图像中与多个模板匹配的特征点。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2是将模板图像的SIFT局部特征存储在xml文档中,每个模板图像的SIFT局部特征独立存储,组成特征模板库。
3.根据权利要求1所述的方法,其特征在于,所述步骤S3中自适应阈值的计算公式为:
式中:为模板的阈值,为模板i和模板j可以产生匹配的最小欧式距离。
4.根据权利要求1所述的方法,其特征在于,所述步骤S5是将图像SIFT局部特征与每个模板特征进行匹配,对于模板i,其匹配阈值为S3中计算所得阈值
5.根据权利要求1所述的方法,其特征在于,所述步骤S6中删除目标图像中与多个模板匹配的特征点,实质为删除该特征点与模板之间的匹配关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711049907.7A CN107909094A (zh) | 2017-10-31 | 2017-10-31 | 一种自适应阈值多目标sift匹配算法实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711049907.7A CN107909094A (zh) | 2017-10-31 | 2017-10-31 | 一种自适应阈值多目标sift匹配算法实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909094A true CN107909094A (zh) | 2018-04-13 |
Family
ID=61842234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711049907.7A Pending CN107909094A (zh) | 2017-10-31 | 2017-10-31 | 一种自适应阈值多目标sift匹配算法实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522906A (zh) * | 2018-10-23 | 2019-03-26 | 天津大学 | 基于fpga的低复杂度快速sift特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160686A (zh) * | 2015-10-21 | 2015-12-16 | 武汉大学 | 一种基于改进sift算子的低空多视角遥感影像匹配方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
-
2017
- 2017-10-31 CN CN201711049907.7A patent/CN107909094A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160686A (zh) * | 2015-10-21 | 2015-12-16 | 武汉大学 | 一种基于改进sift算子的低空多视角遥感影像匹配方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522906A (zh) * | 2018-10-23 | 2019-03-26 | 天津大学 | 基于fpga的低复杂度快速sift特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Melekhov et al. | Siamese network features for image matching | |
Hu et al. | Angular pattern and binary angular pattern for shape retrieval | |
KR101637229B1 (ko) | Sift 기반의 특징점 추출 장치 및 방법과 이를 이용한 얼굴 인식 시스템 | |
JP2016110232A (ja) | 対象認識装置、対象認識方法、およびプログラム | |
Huang et al. | Adaptive registration algorithm of color images based on SURF | |
CN102750379B (zh) | 一种基于过滤型的字符串快速匹配方法 | |
CN109492589A (zh) | 通过二进制特征与联合层叠结构融合的人脸识别工作方法以及智能芯片 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN104850822A (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
Dubey et al. | Boosting local binary pattern with bag-of-filters for content based image retrieval | |
Hu et al. | A non-parametric statistics based method for generic curve partition and classification | |
CN103246877A (zh) | 基于图像轮廓的人脸识别新方法 | |
CN108763266B (zh) | 一种基于图像特征提取的商标检索方法 | |
CN107909094A (zh) | 一种自适应阈值多目标sift匹配算法实现方法 | |
CN108694411B (zh) | 一种识别相似图像的方法 | |
CN103886303A (zh) | 一种掌纹识别方法及装置 | |
Ahmad et al. | SSH: Salient structures histogram for content based image retrieval | |
Zhou et al. | Discarding wide baseline mismatches with global and local transformation consistency | |
Flores et al. | Computer algorithm for archaeological projectile points automatic classification | |
CN107437097B (zh) | 一种基于角点描述的两阶段局部轮廓匹配方法 | |
Meng et al. | Gender and kinship by model-based ear biometrics | |
Limberger et al. | Shrec'17 track: Point-cloud shape retrieval of non-rigid toys | |
Qu et al. | Research on preprocessing of palmprint image based on adaptive threshold and Euclidian distance | |
CN111178409B (zh) | 基于大数据矩阵稳定性分析的图像匹配与识别系统 | |
Ahirwal et al. | An approach to design self assisted CBIR system |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180413 |