CN108647698A - 特征提取与描述方法 - Google Patents

特征提取与描述方法 Download PDF

Info

Publication number
CN108647698A
CN108647698A CN201810490078.4A CN201810490078A CN108647698A CN 108647698 A CN108647698 A CN 108647698A CN 201810490078 A CN201810490078 A CN 201810490078A CN 108647698 A CN108647698 A CN 108647698A
Authority
CN
China
Prior art keywords
point
image
target image
target
description method
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
Application number
CN201810490078.4A
Other languages
English (en)
Other versions
CN108647698B (zh
Inventor
赵小明
何国经
李翠
俱青
郝璐璐
邵晓鹏
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201810490078.4A priority Critical patent/CN108647698B/zh
Publication of CN108647698A publication Critical patent/CN108647698A/zh
Application granted granted Critical
Publication of CN108647698B publication Critical patent/CN108647698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种特征提取与描述方法。在该特征提取与描述方法中，目标图像包括大小相同的多个图像块，该方法包括：获取每个图像块的特征点，根据所述特征点获取所述目标图像的多个采样点；判断所述目标图像中目标框的边长是否小于预设阈值；若判断结果为是，则获取采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对；根据所述多个短距离采样点对建立二进制描述子。该特征提取与描述方法采用均匀采样方法对特征点进行提取，对目标图像中的每个图像块进行特征点提取，并缩小了二进制描述子的位数，使其包含更少的背景信息，能够提高目标图像的匹配率，更好地应用到目标跟踪中。

Description

特征提取与描述方法
技术领域
本发明属于计算机视觉领域，具体涉及一种特征提取与描述方法。
背景技术
特征匹配(Feature Match)是计算机视觉中很多应用的基础，在目标跟踪中也有着重要的应用，因而特征的提取和描述受到了广泛的关注。
判断两张图像是否是同一个图像，比较好的方法就是找出图像中特征显著的内容进行比较，如果这些特征都一致，那么就有很高的概率称他们为同一个图像。所以我们可以通过特征匹配在视频序列的每一帧图像中找到与目标的特征最为相似的区域，定位目标位置，从而实现对于目标的持续跟踪。
现有的特征描述是通过提取fast特征点，在特征点周围均匀采样建立二进制特征描述子。该描述子能够快速形成并对目标鲁棒描述，同时具有尺度不变性、旋转不变性的特点，可以非常高效的匹配。对于大目标来说，采样半径越大，描述子包含的信息越丰富，即当目标发生局部变化时，对匹配不会有较大影响。但是，对于小目标来说，由于包含太多背景信息，目标在运动过程中，背景不断发生变化，导致匹配失败，进而影响跟踪结果，因此怎样建立适应小目标的描述子将是一个值得思考的问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种特征提取与描述方法。本发明要解决的技术问题通过以下技术方案实现：
本申请提供了一种特征提取与描述方法，目标图像包括大小相同的多个图像块，该方法包括：获取每个图像块的特征点，根据特征点获取目标图像的多个采样点；
判断目标图像中目标框的边长是否小于预设阈值；
若判断结果为是，则获取采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对；
根据多个短距离采样点对建立二进制描述子。
在一个优选例中，若判断结果为否，则对目标图像采用Brisk特征描述。
在一个优选例中，参考距离根据目标图像中目标框的边长与预设阈值确定。
在一个优选例中，参考距离为：
其中，L为目标图像中目标框的边长，λ为预设阈值，t为目标图像尺度大小。
在一个优选例中，获取每个图像块的特征点，包括：将图像块中每个像素点与其对角邻域的四个点分别求灰度值差值的绝对值，并将所得四个绝对值进行加和，选取所得加和值最大的像素点作为图像块的特征点。
在一个优选例中，根据特征点获取目标图像的多个采样点，包括：以每个图像块的特征点为中心构建多个不同半径的同心圆，在多个不同半径的同心圆上获取多个采样点。
在一个优选例中，根据特征点获取目标图像的多个采样点，包括：以每个图像块的特征点为中心构建多个不同半径的同心圆，在多个不同半径的同心圆上获取N个采样点，使用N个采样点建立个采样点对；其中，N≥2。
在一个优选例中，获取采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对，包括：计算各采样点对中两个采样点之间的距离，选取距离小于参考距离的两个点作为一个短距离采样点对。
在一个优选例中，目标图像是原始图像。
在一个优选例中，目标图像是对原始图像下采样得到的图像。
与现有技术相比，本发明的有益效果：
本申请采用均匀采样方法对特征点进行提取，对目标图像中的每个图像块进行特征点提取，使得特征点不局限于轮廓点，从而得到的特征点不再需要进行非极大值抑制和亚像素插值操作，该方法具有更快的提取速度，并且得到更多均匀分布的特征点，对于图像匹配有更大的优势。
进一步地，为适应小目标图像的匹配，本申请将二进制描述子的位数变短，使其包含更少的背景信息，能够提高目标图像的匹配率，更好地应用到目标跟踪中。
可以理解，在本发明范围内中，本发明的上述各技术特征和在下文(如实施方式和例子)中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。
附图说明
图1为本发明实施方式中一种特征提取与描述方法的流程图。
图2是本申请中一种提取特征点的示意图。
具体实施方式
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
为使本发明的目的、技术方案和优点更加清楚，下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
本申请的实施方式涉及一种特征提取与描述方法，图1为本发明实施方式中一种特征提取与描述方法的流程图。在该特征提取与描述方法中，目标图像包括大小相同的多个图像块，如图1所示，该方法包括以下步骤：
步骤101：获取每个图像块的特征点，根据所述特征点获取目标图像的多个采样点；
此后进入步骤102：判断所述目标图像中目标框的边长是否小于预设阈值；
此后进入步骤103：若判断结果为是，则获取任意两个采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对；
此后进入步骤104：根据所述多个短距离采样点对建立二进制描述子。
在一个实施例中，还包括步骤105：若判断结果为否，则采用Brisk特征描述；即若所述目标图像中目标框的边长大于或等于预设阈值，则采用Brisk特征描述；若所述目标图像中目标框的边长小于预设阈值，则根据所述目标图像中目标框的边长与所述预设阈值的比值确定短距离采样点对的集合。
在一个实施例中，目标图像中的目标框为长方形，则判断该长方形目标框的短边长是否小于预设阈值；在一个实施例中，目标图像中的目标框为正方形则判断该正方形目标框的边长是否小于预设阈值。
在一个实施例中，目标图像是原始图像，或者是对该原始图像下采样得到的图像。
在一个实施例中，目标图像是对原图像建立图像尺度空间金字塔得到的图像。优选地，建立的尺度图像金字塔分为n个基础层(octaves)ci层和n个中间层(intra-octaves)di层，其中i＝0,1,...,n-1且有n＝4。
其中，每个ci都是由c(i-1)进行两倍的下采样(half-sampling)得到的，其中原图像为c0。而每个di在ci和c(i+1)之间，其中d0是原图像(c0)进行1.5倍的下采样得到的，而di也是由d(i-1)进行二倍的下采样得到的。
在一个实施例中，目标图像的大小为m*n，按照p*p的尺寸将目标图像分成(m/p)*(n/p)个大小为p*p的图像块。
在一个实施例中，获取每个图像块的特征点包括：遍历各图像块中的每个像素点，将每个像素点与其对角邻域的四个像素点分别求灰度值差值的绝对值，并将所得四个绝对值进行加和，选取所得加和值最大的像素点作为该图像块的特征点；优选地，对角邻域的四个点如图2所示。
在一个实施例中，根据所述特征点获取目标图像的多个采样点包括：以每个图像块的特征点为中心，构建不同半径的同心圆，在每个圆上获取一定数目的等间隔采样点，获取总共N个采样点，使用该N个采样点建立个采样点对，其中N≥2；则所有的采样点对为：
A＝{(pi,pj)∈R2×R2|i＜N∧j＜N∧i,j∈N}
在一个实施例中，获取所述采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对，包括：计算各点对中两个采样点之间的距离，选取距离小于参考距离的两个点作为一个短距离点对，可得短距离点对集S为：
在一个实施例中，根据所述多个短距离采样点对建立二进制描述子，包括：在短距离点对集S中，比较各点对中两个采样点pi、pj的灰度值大小，选取灰度值大的采样点建立二进制描述子，b表示二进制串，I表示灰度值，
在一个实施例中，参考距离根据目标框的边长与预设阈值确定，参考距离为：
其中，L为目标框的边长，λ为预设阈值，t为目标图像的尺度大小。
在一个实施例中，目标图像为原图像，其尺度t＝1；在一个实施例中，目标图像为对原图像二倍下采样得到的图像，其尺度t＝1/2。
需要说明的是，在本专利的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种特征提取与描述方法，其特征在于，目标图像包括大小相同的多个图像块，所述方法包括：
获取每个图像块的特征点，根据所述特征点获取所述目标图像的多个采样点；
判断所述目标图像中目标框的边长是否小于预设阈值；
若判断结果为是，则获取采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对；
根据所述多个短距离采样点对建立二进制描述子。
2.根据权利要求1所述的特征提取与描述方法，其特征在于，若判断结果为否，则对所述目标图像采用Brisk特征描述。
3.根据权利要求1所述的特征提取与描述方法，其特征在于，所述参考距离根据目标图像中目标框的边长与预设阈值确定。
4.根据权利要求1所述的特征提取与描述方法，其特征在于，所述参考距离为：
其中，L为目标图像中目标框的边长，λ为预设阈值，t为目标图像尺度大小。
5.根据权利要求1所述的特征提取与描述方法，其特征在于，所述获取每个图像块的特征点，包括：将所述图像块中每个像素点与其对角邻域的四个点分别求灰度值差值的绝对值，并将所得四个绝对值进行加和，选取所得加和值最大的像素点作为所述图像块的特征点。
6.根据权利要求1所述的特征提取与描述方法，其特征在于，所述根据所述特征点获取所述目标图像的多个采样点，包括：以所述每个图像块的特征点为中心构建多个不同半径的同心圆，在所述多个不同半径的同心圆上获取多个采样点。
7.根据权利要求1所述的特征提取与描述方法，其特征在于，所述根据所述特征点获取所述目标图像的多个采样点，包括：以所述每个图像块的特征点为中心构建多个不同半径的同心圆，在所述多个不同半径的同心圆上获取N个采样点，使用所述N个采样点建立个采样点对；其中，N≥2。
8.根据权利要求7所述的特征提取与描述方法，其特征在于，所述获取采样点之间距离小于参考距离的多个采样点对，作为多个短距离采样点对，包括：计算各采样点对中两个采样点之间的距离，选取所述距离小于参考距离的两个点作为一个短距离采样点对。
9.根据权利要求1-8中任一项所述的特征提取与描述方法，其特征在于，所述目标图像是原始图像。
10.根据权利要求1-8中任一项所述的特征提取与描述方法，其特征在于，所述目标图像是对原始图像下采样得到的图像。
CN201810490078.4A 2018-05-21 2018-05-21 特征提取与描述方法 Active CN108647698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810490078.4A CN108647698B (zh) 2018-05-21 2018-05-21 特征提取与描述方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810490078.4A CN108647698B (zh) 2018-05-21 2018-05-21 特征提取与描述方法

Publications (2)

Publication Number Publication Date
CN108647698A true CN108647698A (zh) 2018-10-12
CN108647698B CN108647698B (zh) 2021-11-30

Family

ID=63757375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810490078.4A Active CN108647698B (zh) 2018-05-21 2018-05-21 特征提取与描述方法

Country Status (1)

Country Link
CN (1) CN108647698B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103748A (zh) * 2010-12-14 2011-06-22 西北工业大学 一种复杂背景下红外弱小目标检测和跟踪方法
CN102831618A (zh) * 2012-07-20 2012-12-19 西安电子科技大学 基于霍夫森林的视频目标跟踪方法
US20130182105A1 (en) * 2012-01-17 2013-07-18 National Taiwan University of Science and Technolo gy Activity recognition method
CN104598885A (zh) * 2015-01-23 2015-05-06 西安理工大学 街景图像中的文字标牌检测与定位方法
CN106778141A (zh) * 2017-01-13 2017-05-31 北京元心科技有限公司 基于手势识别的解锁方法、装置及移动终端
US9754163B2 (en) * 2015-06-22 2017-09-05 Photomyne Ltd. System and method for detecting objects in an image
CN107705325A (zh) * 2017-10-26 2018-02-16 中国石油大学(华东) 一种基于记忆和多特征融合的目标跟踪方法和装置
CN107833221A (zh) * 2017-11-29 2018-03-23 武汉大学 一种基于多通道特征融合和机器学习的漏水监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103748A (zh) * 2010-12-14 2011-06-22 西北工业大学 一种复杂背景下红外弱小目标检测和跟踪方法
US20130182105A1 (en) * 2012-01-17 2013-07-18 National Taiwan University of Science and Technolo gy Activity recognition method
CN102831618A (zh) * 2012-07-20 2012-12-19 西安电子科技大学 基于霍夫森林的视频目标跟踪方法
CN104598885A (zh) * 2015-01-23 2015-05-06 西安理工大学 街景图像中的文字标牌检测与定位方法
US9754163B2 (en) * 2015-06-22 2017-09-05 Photomyne Ltd. System and method for detecting objects in an image
CN106778141A (zh) * 2017-01-13 2017-05-31 北京元心科技有限公司 基于手势识别的解锁方法、装置及移动终端
CN107705325A (zh) * 2017-10-26 2018-02-16 中国石油大学(华东) 一种基于记忆和多特征融合的目标跟踪方法和装置
CN107833221A (zh) * 2017-11-29 2018-03-23 武汉大学 一种基于多通道特征融合和机器学习的漏水监测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HUJINGSHUANG: "【特征检测】BRISK特征提取算法", 《HTTPS://BLOG.CSDN.NET/HUJINGSHUANG/ARTICLE/DETAILS/47045497》 *
LUCA BAROFFIO 等: "BRISKOLA：BRISK OPTIMIZED FOR LOW-POWER ARM ARCHITECTURES", 《2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
张邵欣: "基于NMF编码的目标跟踪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
石祥滨 等: "一种自适应阈值分块BRISK的图像配准方法", 《沈阳航空航天大学学报》 *
郭顺峰: "多人实时检测与跟踪算法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈佳 等: "一种camshift算法与brisk特征点相结合的运动目标跟踪方法", 《重庆理工大学学报(自然科学)》 *

Also Published As

Publication number Publication date
CN108647698B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN110414533B (zh) 一种改进orb的特征提取与匹配方法
Anwar et al. Image colorization: A survey and dataset
CN106683046B (zh) 用于警用无人机侦察取证的图像实时拼接方法
CN112884064A (zh) 一种基于神经网络的目标检测与识别方法
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN109472262A (zh) 车牌识别方法、装置、计算机设备及存储介质
CN111242027B (zh) 一种融合语义信息的无监督学习场景特征快速提取方法
CN102713938A (zh) 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术
Mei et al. Remote sensing scene classification using sparse representation-based framework with deep feature fusion
CN106127222B (zh) 一种基于视觉的字符串相似度计算方法及相似性判断方法
CN112686243A (zh) 智能识别图片文字的方法、装置、计算机设备及存储介质
CN107742094A (zh) 提高人证比对结果的图像处理方法
CN110334622A (zh) 基于自适应特征金字塔的行人检索方法
CN115600040B (zh) 一种钓鱼网站识别方法及装置
CN112017197A (zh) 一种图像特征提取方法及系统
CN112700418A (zh) 一种基于改进编解码网络模型的裂缝检测方法
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN111783608A (zh) 一种换脸视频检测方法
CN117765287A (zh) 一种结合lwr和密度聚类的图像目标提取方法
CN108122011B (zh) 基于多种不变性混合的目标跟踪方法和系统
CN108647698A (zh) 特征提取与描述方法
CN107480648B (zh) 一种自然场景文字检测的方法
Han et al. Low resolution facial manipulation detection
Toha et al. LC-Net: Localized Counting Network for extremely dense crowds
Wang et al. Speed sign recognition in complex scenarios based on deep cascade networks

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