CN108364013A - 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 - Google Patents
基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 Download PDFInfo
- Publication number
- CN108364013A CN108364013A CN201810213846.1A CN201810213846A CN108364013A CN 108364013 A CN108364013 A CN 108364013A CN 201810213846 A CN201810213846 A CN 201810213846A CN 108364013 A CN108364013 A CN 108364013A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- local
- pixel
- tensor
- 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]
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
本发明涉及一种基于邻域高斯微分分布的图像关键点特征描述符提取方法及系统,为了提供一种图像基于邻域微分分布的特征点描述符算子而设计。本发明首先利用图像一定邻域空间范围内关键点的方向张量以及高斯偏导数微分响应信息对图像关键点进行特征描述,以获得对尺度以及方向信息不变的图像特征信息表征。本发明提出的方法在图像较大尺度及方向变化时,仍能提取稳定的关键点特征描述符信息,鲁棒性好且准确度高,同时该方法也可以推广应用于图像的物体识别、特征提取、匹配以及全景图拼接等问题求解中。
Description
技术领域
本发明属于机器视觉领域,具体涉及一种基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统。
背景技术
图像特征是视觉图像中原始特征与属性的数学描述,一般是由于景物的物理与几何特性使图像中局部区域的灰度产生明显变化而形成的。有些是视觉直接感受的自然特征,如区域的亮度、边缘轮廓、点、纹理或色彩等。有些需要通过变换或测量才能得到的数学特征,如频谱、直方图、不变矩等。概括来讲图像特征可以分为全局特征和局部特征。全局特征就是通过描述整个图像的某些特征来表示整幅图像。而局部特征就是着重描述图像中某个局部的特征。全局特征包含一些冗余信息,鲁棒性不够。而局部特征具有冗余性低、可以有效抵抗各种几何变换等优点。
由于原始2D图像信息非常丰富,如果每个像素点进行处理,对于后期的图像匹配、拼接,以及2D场景的构建等应用,计算量比较大,对于处理的实时性也很难达到。从而,基于图像典型局部特征信息的表达和描述,即表达图像场景中的重要特征信息,同时又有效地减少了信息的数据量,而且还具有尺度和旋转不变性,意义非常大。
局部不变特征描述的主要任务是在已检测到的兴趣点局部邻域内,获取一个紧密的特征描述向量,来反应这些局部几何和光学量等特征。这些特征描述向量又称为局部不变特征描述符。对于图像局部特征描述符,希望它能够满足以下基本要求:(1)典型性,能够表达图像局部典型的不同本质特征,如灰度变化、几何变化等;(2)独特性,能够通过描述符很容易地区分出不同的特征,即不同特征间的描述符差异性大;(3)不变性,对于图像的平移、尺度、旋转和明亮等变化保持不变性,即无论图像作何种几何变换,描述符都能够保持不变,反应了描述符的稳定性。
发明内容
为解决上述技术问题,本发明的目的是提供一种能够稳定描述图像局部特征,可以推广应用于图像的物体识别、特征提取、匹配以及全景图拼接问题求解中的基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统。
为达到上述发明目的,本发明基于邻域高斯微分分布的图像关键点特征描述符提取方法,包括:
S1扫描图像,确定局部结构特征的数学模型;
S2计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
S3计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
S4基于特征尺度计算预定邻域范围内关键点的主方向;
S5基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
进一步地,步骤S1具体包括:
将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;
图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
进一步地,步骤S2具体包括:
定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6维列向量。
进一步地,步骤S4具体包括:
局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描,将最大值那个扇形的方向作为该特征点的主方向。
进一步地,步骤S5具体包括:基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量,生成96维向量特征点描述符。
为达到上述发明目的,本发明基于邻域高斯微分分布的图像关键点特征描述符提取系统,包括:
数学模型单元,用于扫描图像,确定局部结构特征的数学模型;
张量、矩阵计算单元,用于计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
特征尺度确定单元,用于计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
关键点主方向确定单元,用于基于特征尺度计算预定邻域范围内关键点的主方向;
特征描述符向量输出单元,用于基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
进一步地,数学模型单元包括:
图像扫描模块,用于扫描输入图像;
模型建立模块,用于将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
进一步地,张量、矩阵计算单元包括:
张量T获取模块,定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
向量生成模块,用于针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6 维列向量。
进一步地,关键点主方向确定单元包括:
扫描模块,用于以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描;
其中,局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
比较模块,用于将最大值那个扇形的方向作为该特征点的主方向。
进一步地,特征描述符向量输出单元包括:
统计模块,用于基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量;
描述符生成模块,用于生成96维向量特征点描述符。
借由上述方案,本发明基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统至少具有以下优点:
首先定义了方向张量,并分解其方向张量生成图像每一像素点高斯偏导数微分值矩阵。并以其扇面角度范围内的方向信息进行统计,确定其特征点主方向。基于特征点主方向,统计一定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量,生成96维向量特征点描述符。该局部特征描述符对于图像较大尺度的仿射变换准确度和稳定性很高。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明基于邻域高斯微分分布的图像关键点特征描述符提取方法流程图;
图2所示为2D信号图像局部结构的二阶多项扩展式表达式中H(A)和M(b) 中对应的一阶及二阶高各向同性圆斯函数及相应偏导数(σ=1.5)偏导数 [gxx gxy gyy gxgx gxgygygy]。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
如图1所示,本实施例基于邻域高斯微分分布的图像关键点特征描述符提取方法,包括:
S1扫描图像,确定局部结构特征的数学模型;
S2计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
S3计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
S4基于特征尺度计算预定邻域范围内关键点的主方向;
S5基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
本实施例,为了选取稳定的图像局部特征描述符,来描述机器人环境特征信息,本发明提出了一种图像基于邻域高斯微分分布的图像关键点特征描述符算子。图像关键点的稳定的特征描述和表征对于图像后续处理至关重要。本方法基于图像二阶多项扩展式的局部数学模型变换,首先定义了方向张量,并分解其方向张量生成图像每一像素点高斯偏导数微分值矩阵。并以其扇面角度范围内的方向信息进行统计,确定其特征点主方向。基于特征点主方向,统计一定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量,生成96 维向量特征点描述符。该局部特征描述符对于图像较大尺度的仿射变换准确度和稳定性很高。
本实施例中,一般来说,图像的局部结构存在于某个典型尺度范围内,而兴趣点的定位往往受到邻域局部特征尺度的影响。特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式如下:
式中σn——当前尺度参数,σn=ξnσ0;
σ0——初始尺度;
ξ——相邻尺度的比值。
当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度,对于同一特征点可能有多个特征尺度,对应于不同的局部特征结构。本文通过实验发现,当图像发生仿射变换后,所对应的二阶偏导数变化较大且不均匀,故所求的特征尺度并不能反应其实际特征结构。
实施例2
本实施例基于邻域高斯微分分布的图像关键点特征描述符提取方法,在实施例1的基础上,步骤S1具体包括:
将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;
图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
步骤S2具体包括:
定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6维列向量。
其中,方向张量T的参数表达及标准化:
图像局部信号模型主要是用二阶多项扩展式的形式近似每个像素点的邻域信号特征。由麦克劳林展开式可知,一个可偏导信号在其原点处的展开式为:
其中梯度表示信号f在原点处的一阶偏导数,H包含信号的二阶偏导数 fxy。对于二阶信号,其表达式如下:
显然,当A=H/2,c=f(0)时,此麦克劳林展开式与式(2)形式类似。这样可以得到方向张量T的表达式。然而针对图像中某一点生成的方向张量,这样得到的每个元素对噪声都很敏感,因此在实际计算中是没有意义的,同时只能估计一维结构与方向信息,也不能反映图像的局部方向或梯度结构信息。然而,麦克劳林展开式要求各阶偏导数在原点处趋向于零点,而对于图像离散信号并不满足这个要求。一个解决方法是先对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数,这同时有助于降低图像噪声的影响。
A和b中对应的一阶及二阶偏导数可以由标准差为σ的各向同性圆高斯核函数确定。对于二阶离散图像信号H和b定义为:
式中σ——微分尺度;
hd——沿方向g的偏导数。
微分尺度σ的取值大小决定了图像的平滑水平。随着σ的逐渐增加,图像的平滑效果越明显,但是图像的细节丢失也越严重。由卷积法则可知,对滤波图像h的求偏导数可以通过先计算高斯函数的相应偏导数,再对原始图像f进行卷积。则标准化高斯一阶和二阶偏导数如图2所示。
不同的尺度σ,A和b值将不同,从而方向张量T也会相应改变。为了准确地表达图像局部特征的能量及方向,方向张量T的计算应基于某一典型尺度σD,称之为特征尺度。对于方向张量T的标准化,可以得到标准化方向张量的最终表达式:
步骤S5具体包括:
局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描,将最大值那个扇形的方向作为该特征点的主方向。
步骤S6具体包括:
基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量,生成96维向量特征点描述符。
实施例3
本实施例基于邻域高斯微分分布的图像关键点特征描述符提取系统,为实现上述实施例2所述的方法,所述系统包括:
数学模型单元,用于扫描图像,确定局部结构特征的数学模型;
张量、矩阵计算单元,用于计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
特征尺度确定单元,用于计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
关键点主方向确定单元,用于基于特征尺度计算预定邻域范围内关键点的主方向;
特征描述符向量输出单元,用于基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
本实施例中,数学模型单元包括:
图像扫描模块,用于扫描输入图像;
模型建立模块,用于将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
本实施例中,张量、矩阵计算单元包括:
张量T获取模块,定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
向量生成模块,用于针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6 维列向量。
本实施例中,关键点主方向确定单元包括:
扫描模块,用于以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描;
其中,局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
比较模块,用于将最大值那个扇形的方向作为该特征点的主方向。
本实施例中,特征描述符向量输出单元包括:
统计模块,用于基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量;
描述符生成模块,用于生成96维向量特征点描述符。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,包括:
S1扫描图像,确定局部结构特征的数学模型;
S2计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
S3计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
S4基于特征尺度计算预定邻域范围内关键点的主方向;
S5基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
2.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,步骤S1具体包括:
将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;
图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
3.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,步骤S2具体包括:
定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6维列向量。
4.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,步骤S4具体包括:
局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描,将最大值那个扇形的方向作为该特征点的主方向。
5.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,步骤S5具体包括:
基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量,生成96维向量特征点描述符。
6.一种基于邻域高斯微分分布的图像关键点特征描述符提取系统,其特征在于,包括:
数学模型单元,用于扫描图像,确定局部结构特征的数学模型;
张量、矩阵计算单元,用于计算图像每一像素点局部结构特征所对应的方向张量T,生成图像每一像素点高斯偏导数微分值矩阵;
特征尺度确定单元,用于计算图像关键点的特征尺度,特征尺度即是标准化的LoG取得局部最大值时对应的尺度参数,其表达式为其中σn=ξnσ0;当|LoG(x,σn)|最大时,所对应的尺度σn即为特征尺度;
关键点主方向确定单元,用于基于特征尺度计算预定邻域范围内关键点的主方向;
特征描述符向量输出单元,用于基于关键点的主方向,在预定范围内计算图像每一个关键点的特征描述符向量。
7.根据权利要求6所述的基于邻域高斯微分分布的图像关键点特征描述符提取系统,其特征在于,数学模型单元包括:
图像扫描模块,用于扫描输入图像;
模型建立模块,用于将图像的每一像素点以多项式系数的方式展开并建立局部图像信号模型;图像局部结构的二阶多项扩展式表达式如下:
f(x)~r1+r2x+r3y+r4x2+r5y2+r6xy=xTAx+bTx+c;
其中,表达式中f(x)表示图像信号模型中像素点x的灰度值;(x,y)T表示像素点x的图像坐标;A表示2阶对称矩阵,表达除常数之外的偶次项局部信号特征;b表示2维列向量,表达奇次项局部信号特征;c表示标量,c=r1表达常数分量,基函数为{1,x,y,x2,y2,xy}。
8.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,张量、矩阵计算单元包括:
张量T获取模块,定义图像局部结构特征所对应的方向张量T为:描述图像信号中对应像素点的局部方向及能量特征信息;
式中σD为图像局部特征尺度;由麦克劳林展开式对一个可偏导信号在其原点处的展开,可知要求对离散图像信号在一定尺度σ下进行高斯滤波,即在窗口内进行高斯加权平均,然后求卷积后的各阶偏导数;
向量生成模块,用于针对方向张量信息二阶离散图像信号A和H矩阵,生成图像每一像素点高斯偏导数值矩阵[gxx gxy gyy gxgx gxgy gygy]T,为6维列向量。
9.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,关键点主方向确定单元包括:
扫描模块,用于以45度为扫描扇面,统计特征点一定邻域范围内的所有点的局部方向θ1,并以预定的分辨率进行360度全向扫描;
其中,局部方向张量T描述图像信号中对应像素点的局部方向及能量特征信息,其半正定对称矩阵T对应非负特征值λi(i=1,2),这两个特征值主要表达在两个垂直方向,也即特征向量上信号的局部能量幅值大小;对应的特征向量θi有
比较模块,用于将最大值那个扇形的方向作为该特征点的主方向。
10.根据权利要求1所述的基于邻域高斯微分分布的图像关键点特征描述符提取方法,其特征在于,特征描述符向量输出单元包括:
统计模块,用于基于特征点主方向,统计预定邻域4x4范围内的每一像素点的方向张量和高斯偏导数值矩阵向量;
描述符生成模块,用于生成96维向量特征点描述符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213846.1A CN108364013B (zh) | 2018-03-15 | 2018-03-15 | 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810213846.1A CN108364013B (zh) | 2018-03-15 | 2018-03-15 | 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364013A true CN108364013A (zh) | 2018-08-03 |
CN108364013B CN108364013B (zh) | 2021-10-29 |
Family
ID=63000271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810213846.1A Active CN108364013B (zh) | 2018-03-15 | 2018-03-15 | 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364013B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899180A (zh) * | 2019-05-05 | 2020-11-06 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147858B (zh) * | 2011-03-31 | 2012-08-01 | 重庆大学 | 车牌字符识别方法 |
CN102661708A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 一种基于surf的高密度封装元器件定位方法 |
CN102682448A (zh) * | 2012-03-14 | 2012-09-19 | 浙江大学 | 一种基于双三视张量的立体视觉快速导航定位方法 |
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
CN103745220A (zh) * | 2014-01-29 | 2014-04-23 | 苏州大学 | 一种图像仿射局部不变特征的获取方法及装置 |
CN103824076A (zh) * | 2014-02-28 | 2014-05-28 | 苏州大学 | 一种图像尺度不变特征的检测提取方法和系统 |
CN104240231A (zh) * | 2014-07-08 | 2014-12-24 | 大连民族学院 | 基于局部结构二进制模式的多源图像配准 |
CN104978709A (zh) * | 2015-06-24 | 2015-10-14 | 北京邮电大学 | 描述符生成方法及装置 |
CN106023230A (zh) * | 2016-06-02 | 2016-10-12 | 辽宁工程技术大学 | 一种适合变形图像的稠密匹配方法 |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
-
2018
- 2018-03-15 CN CN201810213846.1A patent/CN108364013B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147858B (zh) * | 2011-03-31 | 2012-08-01 | 重庆大学 | 车牌字符识别方法 |
CN102682448A (zh) * | 2012-03-14 | 2012-09-19 | 浙江大学 | 一种基于双三视张量的立体视觉快速导航定位方法 |
CN102661708A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 一种基于surf的高密度封装元器件定位方法 |
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
CN103745220A (zh) * | 2014-01-29 | 2014-04-23 | 苏州大学 | 一种图像仿射局部不变特征的获取方法及装置 |
CN103824076A (zh) * | 2014-02-28 | 2014-05-28 | 苏州大学 | 一种图像尺度不变特征的检测提取方法和系统 |
CN104240231A (zh) * | 2014-07-08 | 2014-12-24 | 大连民族学院 | 基于局部结构二进制模式的多源图像配准 |
CN104978709A (zh) * | 2015-06-24 | 2015-10-14 | 北京邮电大学 | 描述符生成方法及装置 |
CN106023230A (zh) * | 2016-06-02 | 2016-10-12 | 辽宁工程技术大学 | 一种适合变形图像的稠密匹配方法 |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
Non-Patent Citations (7)
Title |
---|
PEIHUA LI 等: "Local Log-Euclidean Multivariate Gaussian Descriptor and Its Application to Image Classification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
张会: "基于视觉显著性的目标识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
林睿: "基于图像特征点的移动机器人立体视觉SLAM研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王灿进 等: "基于彩色二进制局部不变特征的图像配准", 《中国激光》 * |
罗楠 等: "一种扩展SURF描述符及其在遥感图像配准中的应用", 《测绘学报》 * |
谭靖 等: "多种点特征的影像匹配质量比较", 《测绘地理信息》 * |
隋文秀: "改进的SIFT算法在图像检索方面的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899180A (zh) * | 2019-05-05 | 2020-11-06 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
CN111899180B (zh) * | 2019-05-05 | 2023-11-17 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108364013B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3576017A1 (en) | Method, apparatus, and device for determining pose of object in image, and storage medium | |
CN108961286B (zh) | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
US8774508B2 (en) | Local feature amount calculating device, method of calculating local feature amount, corresponding point searching apparatus, and method of searching corresponding point | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
JP2014511608A (ja) | 対象物のモデル変換に基づくモデルパラメータの決定 | |
CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN111814792B (zh) | 一种基于rgb-d图像的特征点提取与匹配方法 | |
US9430840B1 (en) | Method and system for segmenting an image based on motion vanishing points | |
Zhou et al. | Point cloud denoising using non-local collaborative projections | |
CN108960267A (zh) | 用于模型调整的系统和方法 | |
CN109766896A (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
CN108682005B (zh) | 基于协方差矩阵特征的半参考3d合成图像质量评价方法 | |
CN113642397A (zh) | 一种基于手机视频的物体长度测量方法 | |
CN112435283A (zh) | 图像的配准方法、电子设备以及计算机可读存储介质 | |
CN102324043A (zh) | 基于dct的特征描述算子及优化空间量化的图像匹配方法 | |
CN108364013A (zh) | 基于邻域高斯微分分布的图像关键点特征描述符提取方法、系统 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN113706439A (zh) | 一种图像检测方法、装置、存储介质及计算机设备 | |
CN113570667B (zh) | 视觉惯导补偿方法、装置及存储介质 | |
CN115205155A (zh) | 一种畸变图像的矫正方法、装置及终端设备 | |
CN115719414A (zh) | 基于任意四边形回归的目标检测与精确定位方法 | |
CN106056599B (zh) | 一种基于物体深度数据的物体识别算法及装置 | |
US20240104890A1 (en) | Image processing device, recording medium, and image processing method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |