CN108710886B - 一种基于sift算法的重复图像匹配方法 - Google Patents

一种基于sift算法的重复图像匹配方法 Download PDF

Info

Publication number
CN108710886B
CN108710886B CN201810418937.9A CN201810418937A CN108710886B CN 108710886 B CN108710886 B CN 108710886B CN 201810418937 A CN201810418937 A CN 201810418937A CN 108710886 B CN108710886 B CN 108710886B
Authority
CN
China
Prior art keywords
matching
projection transformation
similarity
feature points
position information
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.)
Active
Application number
CN201810418937.9A
Other languages
English (en)
Other versions
CN108710886A (zh
Inventor
熊健
王姮冰
周仕雪
楼婧蕾
桂冠
杨洁
范山岗
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201810418937.9A priority Critical patent/CN108710886B/zh
Publication of CN108710886A publication Critical patent/CN108710886A/zh
Application granted granted Critical
Publication of CN108710886B publication Critical patent/CN108710886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于SIFT算法的重复图像匹配方法，包括：运用SIFT算法提取待匹配图像的匹配点及其位置信息；对匹配特征点进行投影变换；检测投影变换后的匹配点位置信息相似度和投影变换的幅值大小；以匹配点位置信息相似度最大和投影变换的幅值最小为目标，运用最小二乘法求解投影变换参数；计算在此投影变换参数下的匹配点位置信息相似度，通过与阈值的比较判断图像匹配情况。本发明结合SIFT算法提取匹配特征点，通过投影变换的引入消除了拍摄角度的细微变化对结果的影响，运用最小二乘方法找到使得匹配点位置信息相似度最大和投影变换的幅值最小的参数，对重复图像检测具有重要的意义。

Description

一种基于SIFT算法的重复图像匹配方法
技术领域
本发明涉及一种基于SIFT算法的重复图像匹配方法，属于图像检测技术领域。
背景技术
随着科技信息技术的发展和人们对安全需求的不断提高，视频监控系统在很多领域都得到了广泛的应用。有限的存储空间遇上海量的监控视频数据，如何减小视频数据量已成为当前视频监控领域面临的重大挑战。由于视频监控的特性，其中存在大量的重复图像，占用着极大的存储空间，重复图像检测技术将会在视频监控领域发挥重要作用。
国内外学者针对重复图像检测问题做了大量的相关研究工作。图像匹配算法中主要有三块内容：1、特征空间的选取：特征可以是亮度、边缘、角点、轮廓等，合理的特征空间会极大地提高算法的性能；2、相似度的衡量：通常用距离函数度量特征之间的相似度，具体的有欧氏距离、马氏距离、相关函数等；3、搜索方法：分层搜索、穷尽搜索、模拟退火算法、遗传算法和神经网络法等。主要的图像匹配算法可以归为四类：基于区域的匹配算法、基于特征的匹配算法、基于模型的匹配算法和基于变换域的匹配算法。图像匹配研究作为计算机视觉和图像处理的主要内容，发挥着重要作用。
SIFT算法(尺度不变特征转换Scale-invariant feature transform)可以有效地提取待匹配图像中的匹配特征点，但单纯地依靠特征点去确定图像的匹配情况缺乏合理性，未考虑拍摄时角度变化带来的影响。例如在两张均以A、B(位于同一水平线上)两物体为主体的图像中，一张是从A的左侧拍摄，一张是从B的右侧拍摄，虽然拍摄角度有所差异，但图像中所包含的内容是一致的，主观上应视为重复图像。所以SIFT算法提取出的匹配特征点是缺乏位置信息的，直接用于重复图像的匹配缺乏一定的合理性。
发明内容
本发明所要解决的技术问题是SIFT算法提取出的匹配特征点时缺乏位置信息,直接用于重复图像的匹配缺乏一定的合理性，提供一种重复图像匹配方法。
为解决上述技术问题，本发明提供一种基于SIFT算法的重复图像匹配方法，包括：
(1)运用SIFT算法提取待匹配图像的匹配特征点及其位置信息；
(2)对匹配特征点进行投影变换；
(3)检测投影变换后的匹配点位置信息相似度和投影变换的幅值大小；
(4)运用最小二乘法求解投影变换参数；
(5)计算在此投影变换参数下的匹配点位置信息相似度，通过与阈值的比较判断图像匹配情况。
进一步地，步骤(2)对匹配特征点进行投影变换的表达式如下:
Figure BDA0001650154560000031
式中a、b、c、d标识一组投影参数。
进一步地，采用欧式距离表征P与
Figure BDA0001650154560000032
之间的相似度d1的表达式如下：
Figure BDA0001650154560000033
进一步地，检测投影变换的幅值大小d2采用如下表达式：
d2＝a2+b2+c2+d2 (4)
更进一步地，运用最小二乘法求解投影变换参数时以匹配点位置信息相似度最大和投影变换的幅值最小为目标，目标函数如下：
Figure BDA0001650154560000034
其中，n为总的匹配特征点的对数,λ的取值范围为：0.1～10。
进一步地，运用最小二乘法求解投影变换参数时以匹配点位置信息相似度最大和投影变换的幅值最小为目标。
运用最小二乘法求解投影变换参数的方程组如下：
Figure BDA0001650154560000035
解方程组(6)，即可求出参数a，b，c，d，如式(7)所示：
Figure BDA0001650154560000041
其中，α1＝∑xi 2，α2＝∑xiyi，α3＝∑yi 2，
Figure BDA0001650154560000042
Figure BDA0001650154560000043
将求解出的投影变换参数式(7)代入式(3)，得到最终的匹配特征点的相似度，将其与阈值进行比较进而判断图像的匹配程度。
本发明所达到的有益效果：本发明所提出的基于SIFT算法的重复图像匹配方法，能够有效检测监控平台的冗余图像，节省了大量的存储空间，通过引入投影变换消除了拍摄角度细小变换对结果的影响，并提出了全新的重复图像的衡量准则，提高了重复图像检测的合理性和可靠性。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
基于SIFT算法的尺度不变性，亮度不变性，旋转不变性，本发明运用该算法提取待匹配图像的匹配特征点，具体步骤为：1、特征点检测；2、特征点描述；3、特征点匹配；4、消除错配点。经过上述步骤，我们可以得到匹配点的位置信息：
Figure BDA0001650154560000051
其中，n为总的匹配特征点的对数，P与
Figure BDA0001650154560000052
之间为一一对应关系，即(xi，yi)与
Figure BDA0001650154560000053
表示的是一对匹配特征点的位置信息。
然而，SIFT算法提取出的匹配特征点是缺乏位置信息的，直接用于重复图像的匹配缺乏一定的合理性。由此引出本发明的关键之处：重复图像的衡量准则。
首先投影变换对匹配点进行预处理，如式(2)所示：
Figure BDA0001650154560000054
其次，对于大多数重复图像而言，匹配特征点的相对位置是相同的，经过投影变换后匹配特征点的绝对位置应是相近的。由此本发明通过投影变换后的位置信息的相似度去衡量两幅图像的匹配度，具体地通过欧式距离去表征P与
Figure BDA0001650154560000055
之间的相似度，如式(3)所示：
Figure BDA0001650154560000056
P与
Figure BDA0001650154560000057
之间的距离d1保持在一定范围内时，说明相应的投影变换存在，若d1超过了一定范围则说明这样的投影变换是不存在的。
在使得位置信息的相似度尽可能高的情况下，我们还需要保证此时的投影变换幅值在一定范围内，若投影变换过大则失去其存在的意义，无法保证图像的相似性。具体地，我们通过式(4)表示投影变换的幅值：
d2＝a2+b2+c2+d2 (4)
幅值d2越大，投影变换的程度越大，图像匹配度越低。
综上所述，本发明定义的重复图像准则为：在可容忍的投影变换下，匹配特征点的位置信息相似度达到既定要求，即：使得前者尽可能小，后者尽可能大，建立了以匹配点位置信息相似度最大和投影变换幅值最小的目标函数如式(5)所示：
Figure BDA0001650154560000061
根据实验测试结果，我们选定λ的取值范围为：0.1～10。
对于投影变换参数的估计，以式(5)为目标函数进行运用最小二乘法求解：
对参数a，b，c，d分别求偏导数，表示如方程组(6)所示：
Figure BDA0001650154560000062
解方程组(6)，即可求出参数a，b，c，d，如式(7)所示：
Figure BDA0001650154560000071
其中，α1＝∑xi 2，α2＝∑xiyi，α3＝∑yi 2，
Figure BDA0001650154560000072
Figure BDA0001650154560000073
将求解出的投影变换参数式(7)代入式(3)，得到最终的匹配特征点的相似度，将其与阈值进行比较进而判断图像的匹配程度。
本发明引入投影变换消除了拍摄角度的细微变化对结果的影响，然后检测投影变换后的匹配点位置信息相似度和投影变换幅值，以二者作为重复图像衡量准则，重复图像定义为：在可容忍的投影变换下达到了规定的匹配点位置信息相似度
发明引入投影变换，若图像的匹配度很高，由SIFT算法提取得到的匹配特征点在经过变换后将具有相似的距离的和位置信息。投影变换后的位置信息是关于投影变换参数的线性函数，二者之间密切相关，运用遍历和最小二乘方法找到使得匹配点位置信息相似度最大和投影变换的幅值最小的参数，通过此参数下匹配点位置信息相似度衡量图像的匹配结果。
以上所述仅是本发明的优选实施方式，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形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于SIFT算法的重复图像匹配方法，其特征是，包括以下步骤：
(1)运用SIFT算法提取待匹配图像的匹配特征点及其位置信息；
(2)对匹配特征点进行投影变换；
(3)检测投影变换后的匹配点位置信息相似度和投影变换的幅值大小；
(4)运用最小二乘法求解投影变换参数，运用最小二乘法求解投影变换参数时以匹配点位置信息相似度最大和投影变换的幅值最小为目标；
(5)计算在此投影变换参数下的匹配点位置信息相似度，通过与阈值的比较判断图像匹配情况；
步骤(2)对匹配特征点进行投影变换的表达式如下:
Figure FDA0003376731150000011
式中a、b、c、d标识一组投影参数，其中n为总的匹配特征点的对数，(xi，yi)是匹配特征点的位置信息。
2.根据权利要求1所述的基于SIFT算法的重复图像匹配方法，其特征是，步骤(1)具体包括特征点检测、特征点描述、特征点匹配和消除错配点，得到匹配特征点的位置信息表达式如下：
Figure FDA0003376731150000021
其中，P与
Figure FDA0003376731150000022
之间为一一对应关系,(xi，yi)与
Figure FDA0003376731150000023
表示的是一对匹配特征点的位置信息。
3.根据权利要求1所述的基于SIFT算法的重复图像匹配方法，其特征是，检测投影变换后的匹配点位置信息相似度时采用欧式距离表征P与
Figure FDA0003376731150000024
之间的相似度。
4.根据权利要求3所述的基于SIFT算法的重复图像匹配方法，其特征是，采用欧式距离表征P与
Figure FDA0003376731150000025
之间的相似度d1的表达式如下：
Figure FDA0003376731150000026
5.根据权利要求4所述的基于SIFT算法的重复图像匹配方法，其特征是，检测投影变换的幅值大小d2采用如下表达式：
d2＝a2+b2+c2+d2 (4)。
6.根据权利要求5所述的基于SIFT算法的重复图像匹配方法，其特征是，运用最小二乘法求解投影变换参数时目标函数如下：
Figure FDA0003376731150000027
其中，n为总的匹配特征点的对数,λ的取值范围为：0.1～10。
7.根据权利要求6所述的基于SIFT算法的重复图像匹配方法，其特征是，运用最小二乘法求解投影变换参数的方程组如下：
Figure FDA0003376731150000031
解方程组(6)，即可求出参数a，b，c，d，如式(7)所示：
Figure FDA0003376731150000032
其中，α1＝∑xi 2，α2＝∑xiyi，α3＝∑yi 2，
Figure FDA0003376731150000033
Figure FDA0003376731150000034
8.根据权利要求7所述的基于SIFT算法的重复图像匹配方法，其特征是，将求解出的投影变换参数式(7)代入式(3)，得到最终的匹配特征点的相似度，将其与阈值进行比较进而判断图像的匹配程度。
CN201810418937.9A 2018-05-04 2018-05-04 一种基于sift算法的重复图像匹配方法 Active CN108710886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418937.9A CN108710886B (zh) 2018-05-04 2018-05-04 一种基于sift算法的重复图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418937.9A CN108710886B (zh) 2018-05-04 2018-05-04 一种基于sift算法的重复图像匹配方法

Publications (2)

Publication Number Publication Date
CN108710886A CN108710886A (zh) 2018-10-26
CN108710886B true CN108710886B (zh) 2022-04-15

Family

ID=63868747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418937.9A Active CN108710886B (zh) 2018-05-04 2018-05-04 一种基于sift算法的重复图像匹配方法

Country Status (1)

Country Link
CN (1) CN108710886B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827189B (zh) * 2019-11-01 2023-12-05 山东浪潮科学研究院有限公司 一种数字图像或视频的水印去除方法及系统
CN110909823B (zh) * 2019-12-03 2024-03-26 携程计算机技术（上海）有限公司 图片特征点提取及相似度的判断方法、系统、设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354796A (zh) * 2008-09-05 2009-01-28 浙江大学 基于泰勒级数模型的全向立体视觉三维重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9977978B2 (en) * 2011-11-14 2018-05-22 San Diego State University Research Foundation Image station matching, preprocessing, spatial registration and change detection with multi-temporal remotely-sensed imagery

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354796A (zh) * 2008-09-05 2009-01-28 浙江大学 基于泰勒级数模型的全向立体视觉三维重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合互补仿射不变特征的倾斜立体影像高精度自动配准方法;姚国标等;《测绘学报》;20131231;第42卷(第6期);第869-876页、第883页 *

Also Published As

Publication number Publication date
CN108710886A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN113012203B (zh) 一种复杂背景下高精度多目标跟踪方法
CN109409385B (zh) 一种指针式仪表自动识别方法
Walker et al. Locating Salient Object Features.
US11030436B2 (en) Object recognition
US8406535B2 (en) Invariant visual scene and object recognition
US20100074479A1 (en) Hierarchical face recognition training method and hierarchical face recognition method thereof
KR20080088778A (ko) Ｓｖｄ 기반의 영상 비교시스템 및 방법
Wang et al. An improved ORB image feature matching algorithm based on SURF
CN108710886B (zh) 一种基于sift算法的重复图像匹配方法
Ding et al. Recognition of hand-gestures using improved local binary pattern
Mursi et al. An improved SIFT-PCA-based copy-move image forgery detection method
CN105975906B (zh) 一种基于面积特征的pca静态手势识别方法
Bharadwaj et al. Can holistic representations be used for face biometric quality assessment?
Avola et al. A shape comparison reinforcement method based on feature extractors and f1-score
KR101789979B1 (ko) 그래디언트 방향 정보에 기반한 하우스도르프 거리 계산 방법
CN117474918B (zh) 异常检测方法和装置、电子设备以及存储介质
CN105844643B (zh) 图像篡改检测方法
Maybank A probabilistic definition of salient regions for image matching
CN108830281B (zh) 一种基于局部变化检测和空间加权的重复图像匹配方法
CN110705569A (zh) 一种基于纹理特征的图像局部特征描述子提取方法
Huang et al. Skew correction of handwritten Chinese character based on ResNet
CN111652148B (zh) 人脸识别方法、装置与电子设备
CN111582391A (zh) 基于模块化设计的三维点云离群点检测方法和装置
Shuliang et al. Design of text position detection method for electrical equipment nameplate
CN118096742B (zh) 一种基于角点检测和三维建模技术的贴片机吸嘴检测方法

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