CN109344846A

CN109344846A - 图像特征提取方法和装置

Info

Publication number: CN109344846A
Application number: CN201811129310.8A
Authority: CN
Inventors: 周毅; 高江涛; 陈建冲; 孙炼杰; 杨旭
Original assignee: Lenovo Beijing Ltd
Current assignee: Lenovo Beijing Ltd
Priority date: 2018-09-26
Filing date: 2018-09-26
Publication date: 2019-02-15
Anticipated expiration: 2038-09-26
Also published as: CN109344846B

Abstract

本公开提供了一种图像特征提取方法，包括：获取待处理的原图像；基于Harris角点检测算法检测所述原图像中符合预定条件的角点；获取所述角点对应的特征描述符；获取所述角点在所述原图像中的位置信息；通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。本公开还提供了一种图像特征提取装置和一种计算机设备。

Description

图像特征提取方法和装置

技术领域

本公开涉及一种图像特征提取方法和装置。

背景技术

在物体识别、目标匹配、目标跟踪、三维重建等场景中，需要识别出目标物体，三维的目标物体的识别是非常核心的一个环节，因为只有正确地识别出目标物体信息，才能进行下一步的操作。而在三维的目标物体识别中，首先需要进行的就是图像特征提取，特征提取的好坏会直接影响到识别的准确率。

发明内容

本公开的一个方面提供了一种图像特征提取方法，包括：获取待处理的原图像，基于Harris角点检测算法检测所述原图像中符合预定条件的角点，获取所述角点对应的特征描述符，获取所述角点在所述原图像中的位置信息，通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

可选地，基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：基于图像金字塔分层算法将所述原图像分为预设数量层子图像，对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点，由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

可选地，获取所述角点对应的特征描述符包括：对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符。获取所述角点在所述原图像中的位置信息包括：获取所述角点在相应的子图像中的位置信息，获取所述相应的子图像与所述原图像之间的转换规则，基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

可选地，基于Harris角点检测算法检测所述子图像中符合预定条件的角点包括：基于Harris角点检测算法计算所述子图像中任一像素点的Harris响应值，选取Harris响应值高于预设阈值的像素点作为候选角点，基于非极大值抑制算法对所述候选角点进行过滤，得到符合预定条件的角点。

可选地，上述方法还包括：根据所述原图像中的目标对象生成图像掩膜，基于图像金字塔分层算法将所述图像掩膜分为与所述预设数量层子图像对应的预设数量层子掩膜。基于Harris角点检测算法检测所述子图像中符合预定条件的角点还包括：在基于非极大值抑制算法对所述候选角点进行过滤后，利用所述子图像对应的子掩膜对过滤后的候选角点进行处理，筛除子图像中分布于目标对象之外的背影区域的候选角点，将剩余的候选角点作为符合预定条件的角点。

可选地，上述方法还包括：获取所述角点对应的方向参数。通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点包括：利用所述位置信息、相应的特征描述符以及相应的方向参数表征所述原图像中的特征点。

本公开的另一个方面提供了一种图像特征提取装置，包括：第一获取模块、检测模块和描述模块。第一获取模块用于获取待处理的原图像。检测模块用于基于Harris角点检测算法检测所述原图像中符合预定条件的角点；获取所述角点对应的特征描述符；以及获取所述角点在所述原图像中的位置信息。描述模块用于通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

可选地，检测模块基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：检测模块用于基于图像金字塔分层算法将所述原图像分为预设数量层子图像；对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点；由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

可选地，检测模块获取所述角点对应的特征描述符包括：所述检测模块用于对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符。检测模块获取所述角点在所述原图像中的位置信息包括：所述检测模块用于获取所述角点在相应的子图像中的位置信息；获取所述相应的子图像与所述原图像之间的转换规则；基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

可选地，检测模块基于Harris角点检测算法检测所述子图像中符合预定条件的角点包括：检测模块用于基于Harris角点检测算法计算所述子图像中任一像素点的Harris响应值，选取Harris响应值高于预设阈值的像素点作为候选角点；基于非极大值抑制算法对所述候选角点进行过滤，得到符合预定条件的角点。

可选地，上述装置还包括掩膜处理模块，用于根据所述原图像中的目标对象生成图像掩膜；基于图像金字塔分层算法将所述图像掩膜分为与所述预设数量层子图像对应的预设数量层子掩膜。检测模块基于Harris角点检测算法检测所述子图像中符合预定条件的角点还包括：用于在基于非极大值抑制算法对所述候选角点进行过滤后，利用所述子图像对应的子掩膜对过滤后的候选角点进行处理，筛除子图像中分布于目标对象之外的背影区域的候选角点，将剩余的候选角点作为符合预定条件的角点。

可选地，上述装置还包括第二获取模块，用于获取所述角点对应的方向参数。描述模块通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点包括：描述模块用于利用所述位置信息、相应的特征描述符以及相应的方向参数表征所述原图像中的特征点。

本公开的另一方面提供了一种计算机设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1示意性示出了根据本公开的实施例的图像特征提取方法和装置的应用场景；

图2示意性示出了根据本公开的实施例的图像特征提取方法的流程图；

图3A示意性示出了根据本公开的实施例的Harris角点检测算法的原理图；

图3B示意性示出了根据本公开的另一实施例的Harris角点检测算法的原理图；

图3C示意性示出了根据本公开的实施例的预设数量层子图像的示意图；

图4示意性示出了根据本公开的另一实施例的图像特征提取方法的流程图；

图5示意性示出了根据本公开的实施例的图像特征提取装置的框图；

图6示意性示出了根据本公开的另一实施例的图像特征提取装置的框图；

图7示意性示出了根据本公开的另一实施例的图像特征提取装置的框图；以及

图8示意性示出了根据本公开实施例的计算机设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

本公开的实施例提供了一种图像特征提取方法以及相应的装置。该方法包括原图像获取过程、特征检测过程和特征描述过程。在原图像获取过程获取待处理的原图像，然后，在特征检测过程中，基于Harris角点检测算法检测所述原图像中符合预定条件的角点，获取所述角点对应的特征描述符和位置信息，进而在特征描述过程中，可以基于相对应的特征描述符和位置信息表征原图像中的特征点，即完成原图像的特征提取和描述。

图1示意性示出了根据本公开的实施例的图像特征提取方法和装置的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，该应用场景展示了用户101使用增强现实(AR)显示设备102的场景，在此场景下，用户101通过该增强现实(AR)显示设备102不仅可以看到实际物体的画面，还可以看到叠加在实际物体上的其他信息，如用户101佩戴增强现实(AR)显示设备102参观博物馆，对于每个展品，用户101通过该增强现实(AR)显示设备102不仅可以看到展品本身，还可以看到叠加在展品上的相关介绍信息。

对于此场景，需要识别出目标物体，然后才能准确地计算出目标物体相对相机的位姿，再根据位姿信息做进一步的虚实叠加处理。显然，三维物体识别是非常核心的一个环节，因为只有正确地识别出目标物体信息，才能进行下一步的操作，同时，我们还得准确地计算出物体相对相机的位姿，否则虚实叠加就会出现错乱。而在三维物体识别中，首先需要进行的就是特征提取，特征的好坏直接影响到识别的准确率。

应该理解，本公开的实施例的图像特征提取方法还可以应用于如物体识别、目标匹配、目标跟踪、三维重建等场景，特征提取的准确性和稳定性直接影响各场景下的作业精度，在此不一一进行说明。

图2示意性示出了根据本公开的实施例的图像特征提取方法的流程图。

如图2所示，该方法包括操作S201～S203。

在操作S201，获取待处理的原图像。

在操作S202，基于Harris角点检测算法检测所述原图像中符合预定条件的角点，获取所述角点对应的特征描述符，获取所述角点在所述原图像中的位置信息。

本操作所使用的Harris角点检测算法提出了应用邻近像素点灰度差值进行角点检测的概念，其原理相当于利用移动的窗口在图像中检测灰度变化进而确认角点。

图3A示意性示出了根据本公开的实施例的Harris角点检测算法的原理图。

如图3A所示，人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

由于在Harris角点计算中使用了微分算子对图像进行微分运算，而微分运算对图像亮度的提高或下降不敏感，所以基于Harris角点检测算法检测所述原图像中符合预定条件的角点对亮度变化不敏感；此外，在Harris角点计算中使用的是角点附近的区域灰度二阶矩矩阵，Harris响应值取决于矩阵的特征值，当矩阵发生旋转时，特征值并不改变，因此，基于Harris角点检测算法检测所述原图像中符合预定条件的角点还具有旋转不变性。

在操作S203，通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

上述提取出的特征点可以与原图像在数据库中对应存储，数据库中可存储大量原图像及其相应的特征点信息，在进行物体识别、目标匹配、目标跟踪、三维重建等应用时，获得待检测物体的图像，将待检测物体的图像与数据库中的各原图像的特征点进行匹配，当目标对象的图像与一个原图像的特征点相匹配时，可以通过原图像的相关信息来表征目标对象。

可见，图2所示的方法将Harris角点检测算法用于图像特征提取中的特征点提取过程，将基于Harris角点检测算法检测出的原图像中符合预定条件的角点作为提取出的原图像的特征点，通过角点的位置信息和特征描述符来描述特征点，与现有技术中利用FAST算法进行特征点提取的方案相比，本公开实施例依赖于Harris角点检测算法所具有的对图像亮度和对比度变化不敏感、具有旋转不变性等特性，在基本不降低速度的前提下能够提取出更为精确、稳定的图像的特征点，可以被广泛应用于物体识别、目标匹配、目标跟踪、三维重建等场景中进行特征点匹配，提高这些场景下的作业精度和稳定程度。

上文中已提到Harris角点检测算法的原理，基于此原理还可推知Harris角点检测算法的另一个特性。

图3B示意性示出了根据本公开的另一实施例的Harris角点检测算法的原理图。

如图3B所示，当原图像(图中曲线)从左图缩小为右图时，在检测窗口尺寸不变的前提下，在窗口内所包含图像的内容是完全不同的。左侧的图像可能被检测为边缘或曲线，而右侧的图像则可能被检测为一个角点。

则可以知道Harris角点检测算法不具备尺度不变性，为避免图像的尺度变化对图2所示的图像特征提取方法的影响，在本公开的一个实施例中，图2所示方法的操作S202基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：基于图像金字塔分层算法将所述原图像分为预设数量层子图像，对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点，由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

图3C示意性示出了根据本公开的实施例的预设数量层子图像的示意图。

如图3C所示，预设数量层子图像构成图像金字塔，设预设数量为N，图像金字塔是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。金字塔的底部是待处理图像的高分辨率表示，而顶部是低分辨率的近似。将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。

具体地，可以设置一个大于0且小于1的比例因子d，按照从下至上的顺序，最底层子图像等于原图像，接着是原图像乘以比例因子d得到的子图像，再接着是原图像乘以比例因子α的平方得到的子图像，再然后是原图像乘以比例因子d的三次方得到的子图像，以此类推，直至得到预设数量层子图像。

对于每一层子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点，由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点，由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点作为原图像中的特征点。

也就是说，原图像中的特征点包括原图像在各种尺度下时对应的特征点，同一个原图像不会因为尺寸不变而提取出不同的特征点，即本公开实施例所提供的图像特征提取方案具备尺度不变性，具有更高的精度和稳定性，在基于提取出的特征点进行物体识别、目标匹配、目标跟踪、三维重建等应用时，待检测物体的图像的尺度的变化不会影响到对该图像的特征点的匹配。

在此基础上，作为一个可选的实施例，图2所示方法的操作S202在检测到角点后，获取所述角点对应的特征描述符包括：对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符。

Brief特征描述算法计算出来的是一个二进制串的特征描述符。它是在一个特征点的邻域内，选择n对像素点pi、qi(i＝1，2，...，n)。然后比较每个点对的灰度值的大小。如果I(pi)＞I(qi)，则生成二进制串中的1，否则为0。所有的点对都进行比较，则生成长度为n的二进制串。一般n可以取128、256或512，opencv默认为256。另外，值得注意的是为了增加特征描述符的抗噪性，算法首先需要对图像进行高斯平滑处理。可选地在这个地方进行了改进，在使用高斯函数进行平滑后，又用了其他操作，使其更加的具有抗噪性。关于在特征点SxS的邻域内选取点对的方法，经验表明基于p和q都符合(0，8²/25)的高斯分布的原则进行采样可以取得较好的匹配结果。

以及，图2所示方法的操作S202在检测到角点后，获取所述角点在所述原图像中的位置信息包括：获取所述角点在相应的子图像中的位置信息，获取所述相应的子图像与所述原图像之间的转换规则，基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

也就是说，对于从每个子图像提取出的每个符合条件的角点，该角点作为原图像中的一个特征点，以该角点在相应子图像中的特征描述符作为该特征点的特征描述符，以该角点从相应子图像转换至原图像后的位置信息作为该特征点的位置信息，共同用于描述该特征点。

在本公开的具体实施例中，上述基于Harris角点检测算法检测所述子图像中符合预定条件的角点包括：基于Harris角点检测算法计算所述子图像中任一像素点的Harris响应值，选取Harris响应值高于预设阈值的像素点作为候选角点；基于非极大值抑制算法对所述候选角点进行过滤，得到符合预定条件的角点。

例如，基于Harris角点检测算法检测所述子图像中符合预定条件的角点共分以下几步：首先，计算子图像I(x，y)在X和Y两个方向的梯度I_x和I_y，然后，再计算子图像两个方向梯度的乘积。

I_x ²＝I_x*I_x，I_y ²＝I_y*I_y，I_xy＝I_x*I_y

接着，使用高斯函数对I_x ²、I_y ²和I_xy进行高斯加权，生成矩阵M的元素A、B和C，根据矩阵M计算每个像素的Harris响应值R，并对小于某一阈值t的R置为零。最后，在预定范围的邻域内进行非最大值抑制，局部最大值点即为子图像中的角点。使用非极大值抑制算法可以去除临近位置多个特征点的问题，在比较临近的特征点中，保留响应值较大的特征点，删除其余的特征点。可以看到，上述过程中用非极大值抑制算法对局部密集的特征点进行筛除，使得提取出的特征点分布更均匀。

进一步地，为了进一步提高图像特征提取的精度，在本公开的一个实施例中，图2所示的方法还包括：根据所述原图像中的目标对象生成图像掩膜，基于图像金字塔分层算法将所述图像掩膜分为与所述预设数量层子图像对应的预设数量层子掩膜。

上述基于Harris角点检测算法检测所述子图像中符合预定条件的角点还包括：在基于非极大值抑制算法对所述候选角点进行过滤后，利用所述子图像对应的子掩膜对过滤后的候选角点进行处理，筛除子图像中分布于目标对象之外的背影区域的候选角点，将剩余的候选角点作为符合预定条件的角点。

可见，本实施例对于每层子图像，利用该层子图像对应的图像掩膜过滤掉分布于除目标对象之外的背景区域的角点，将剩余的分布于目标对象区域的角点作为原图像的特征点，即只对原图像中目标对象区域的特征点进行提取，去掉不必要的干扰角点，进一步提高精度。

虽然本公开实施例所采用的Harris角点检测算法具有旋转不变性，若希望进一步巩固提高本公开实施例所提取的特征点的旋转不变性，在本公开的一个实施例中，还可以对提取出的每个特征点定义一个特征点方向，以此来实现特征点的旋转不变性，即，图2所示的方法还包括：获取所述角点对应的方向参数，该方向参数用于表征特征点方向。上述通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点包括：利用所述位置信息、相应的特征描述符以及相应的方向参数表征所述原图像中的特征点。

例如，特征点的旋转不变性。可以使用矩(moment)法来确定角点的方向，也就是说通过矩来计算角点以r为半径范围内的质心，角点坐标到质心形成一个向量作为该角点的方向，即根据所述向量确定角点对应的方向参数。

可见，本实施例对特征点加上了方向参数，进一步加强提取出的特征点的旋转不变性，即提取出来的特征能够与各种旋转角度的原图像相匹配。

下面参考图4，结合具体实施例对图2所示的方法做进一步说明。

图4示意性示出了根据本公开的另一实施例的图像特征提取方法的流程图。

如图4所示，该方法包括操作S401～S410。

在操作S401，获取待处理的原图像。

在操作S402，初始化图像特征提取的相关参数，包括设置特征点总数M、金字塔分层算法的层数N、比例因子α、原图像对应的图像掩膜mask等。

其中，原图像对应的图像掩膜用于滤除原图像中除目标对象区域之外的背景区域。

在操作S403，为了实现尺度不变性，对原图像以及原图像对应的图像掩膜mask进行金字塔分层处理，将原图像分为N层子图像，将图像掩膜mask分为与N层子图像分别相对应的N层子掩膜。

接着对每一层子图像，基于Harris角点检测算法进行角点检测，具体地，从i＝0开始，对于第i层子图像，执行操作S404～S407：

在操作S404，判断i是否小于金字塔层数N，即判断第i层子图像是否属于原图像的N层子图像，是则执行操作S405，否则执行操作S408。

在操作S405，根据Harris角点的定义，计算第i层子图像中每一个像素点的Harris响应值。

在操作S406，对所有像素点的Harris响应值进行排序，结合所需的特征点总数M找到一个阈值。

在操作S407，将Harris响应值高于阈值的像素点作为候选角点，对候选角点进一步筛选使其分布均匀，经过筛选剩余的候选角点作为第i层子图像中的角点。

接着i自增1，重复上述在操作S404～在操作S407，直至完成第N层子图像中的角点的检测。

在操作S408，计算每一个角点的BRIEF描述子。

在操作S409，计算每一个角点相对于原图像的位置信息。

在操作S410，利用BRIEF描述子和相应的位置信息描述原图像中的特征点。

至此，原图像中的特征点提取完毕。

图5示意性示出了根据本公开的实施例的图像特征提取装置的框图。

如图5所示，图像特征提取装置500包括第一获取模块510、检测模块520和描述模块530。该图像特征提取装置500可以执行上面参考图2～图4描述的方法，能在保证速度较高的前提下实现从图像中提取出更准确、稳定的特征点。

第一获取模块510用于获取待处理的原图像。

检测模块520用于基于Harris角点检测算法检测所述原图像中符合预定条件的角点，获取所述角点对应的特征描述符，以及获取所述角点在所述原图像中的位置信息。

描述模块530用于通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

在本公开的一个实施例中，检测模块520基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：检测模块520用于基于图像金字塔分层算法将所述原图像分为预设数量层子图像；对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点；由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

在本公开的一个实施例中，检测模块520获取所述角点对应的特征描述符包括：检测模块520用于对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符。以及，检测模块520获取所述角点在所述原图像中的位置信息包括：检测模块520用于获取所述角点在相应的子图像中的位置信息，获取所述相应的子图像与所述原图像之间的转换规则，基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

具体地，作为一个可选的实施例，检测模块520基于Harris角点检测算法检测所述子图像中符合预定条件的角点包括：基于Harris角点检测算法计算所述子图像中任一像素点的Harris响应值，选取Harris响应值高于预设阈值的像素点作为候选角点，基于非极大值抑制算法对所述候选角点进行过滤，得到符合预定条件的角点。

图6示意性示出了根据本公开的另一实施例的图像特征提取装置的框图。

如图6所示，图像特征提取装置600包括第一获取模块510、检测模块520、描述模块530和掩膜处理模块540。该图像特征提取装置600可以执行上面参考图2～图4描述的方法，能在保证速度较高的前提下实现从图像中提取出更准确、稳定的特征点。

其中，第一获取模块510、检测模块520和描述模块530在上文中已有说明，重复的部分不再赘述。

掩膜处理模块540用于根据所述原图像中的目标对象生成图像掩膜；基于图像金字塔分层算法将所述图像掩膜分为与所述预设数量层子图像对应的预设数量层子掩膜。

检测模块520基于Harris角点检测算法检测所述子图像中符合预定条件的角点还包括：用于在基于非极大值抑制算法对所述候选角点进行过滤后，利用所述子图像对应的子掩膜对过滤后的候选角点进行处理，筛除子图像中分布于目标对象之外的背影区域的候选角点，将剩余的候选角点作为符合预定条件的角点。

图7示意性示出了根据本公开的另一实施例的图像特征提取装置的框图。

如图7所示，图像特征提取装置700包括第一获取模块510、检测模块520、描述模块530、掩膜处理模块540和第二获取模块550。该图像特征提取装置600可以执行上面参考图2～图4描述的方法，能在保证速度较高的前提下实现从图像中提取出更准确、稳定的特征点。

其中，第一获取模块510、检测模块520、描述模块530和掩膜处理模块540在上文中已有说明，重复的部分不再赘述。

第二获取模块550用于获取所述角点对应的方向参数。描述模块通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点包括：描述模块用于利用所述位置信息、相应的特征描述符以及相应的方向参数表征所述原图像中的特征点。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块510、检测模块520、描述模块530、掩膜处理模块540和第二获取模块550中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、检测模块520、描述模块530、掩膜处理模块540和第二获取模块550中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、检测模块520、描述模块530、掩膜处理模块540和第二获取模块550中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图8示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，计算机设备800包括处理器810和计算机可读存储介质820。该计算机设备800可以执行根据本公开实施例的方法。

具体地，处理器810例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器810还可以包括用于缓存用途的板载存储器。处理器810可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

计算机可读存储介质820，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。

计算机可读存储介质820可以包括计算机程序821，该计算机程序821可以包括代码/计算机可执行指令，其在由处理器810执行时使得处理器810执行根据本公开实施例的方法或其任何变形。

计算机程序821可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序821中的代码可以包括一个或多个程序模块，例如包括821A、模块821B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器810执行时，使得处理器810可以执行根据本公开实施例的方法或其任何变形。

根据本发明的实施例，第一获取模块510、检测模块520、描述模块530、掩膜处理模块540和第二获取模块550中的至少一个可以实现为参考图8描述的计算机程序模块，其在被处理器810执行时，可以实现上面描述的相应操作。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims

1.一种图像特征提取方法，包括：

获取待处理的原图像；

基于Harris角点检测算法检测所述原图像中符合预定条件的角点；

获取所述角点对应的特征描述符；

获取所述角点在所述原图像中的位置信息；

通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

2.根据权利要求1所述的方法，其中，基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：

基于图像金字塔分层算法将所述原图像分为预设数量层子图像；

对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点；

由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

3.根据权利要求2所述的方法，其中：

获取所述角点对应的特征描述符包括：对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符；

获取所述角点在所述原图像中的位置信息包括：

获取所述角点在相应的子图像中的位置信息；

获取所述相应的子图像与所述原图像之间的转换规则；

基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

4.根据权利要求2所述的方法，其中，基于Harris角点检测算法检测所述子图像中符合预定条件的角点包括：

基于Harris角点检测算法计算所述子图像中任一像素点的Harris响应值，选取Harris响应值高于预设阈值的像素点作为候选角点；

基于非极大值抑制算法对所述候选角点进行过滤，得到符合预定条件的角点。

5.根据权利要求4所述的方法，其中：

所述方法还包括：

根据所述原图像中的目标对象生成图像掩膜；

基于图像金字塔分层算法将所述图像掩膜分为与所述预设数量层子图像对应的预设数量层子掩膜；

基于Harris角点检测算法检测所述子图像中符合预定条件的角点还包括：在基于非极大值抑制算法对所述候选角点进行过滤后，利用所述子图像对应的子掩膜对过滤后的候选角点进行处理，筛除子图像中分布于目标对象之外的背影区域的候选角点，将剩余的候选角点作为符合预定条件的角点。

6.根据权利要求1所述的方法，其中：

所述方法还包括：获取所述角点对应的方向参数；

通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点包括：利用所述位置信息、相应的特征描述符以及相应的方向参数表征所述原图像中的特征点。

7.一种图像特征提取装置，包括：

第一获取模块，用于获取待处理的原图像；

检测模块，用于基于Harris角点检测算法检测所述原图像中符合预定条件的角点；获取所述角点对应的特征描述符；以及获取所述角点在所述原图像中的位置信息；

描述模块，用于通过所述位置信息和相应的所述特征描述符表征所述原图像中的特征点。

8.根据权利要求7所述的装置，其中，所述检测模块基于Harris角点检测算法检测所述原图像中符合预定条件的角点包括：

所述检测模块，用于基于图像金字塔分层算法将所述原图像分为预设数量层子图像；对于任一子图像，基于Harris角点检测算法检测所述子图像中符合预定条件的角点；由各子图像中符合预定条件的角点构成所述原图像中符合条件的角点。

9.根据权利要求8所述的装置，其中：

所述检测模块获取所述角点对应的特征描述符包括：所述检测模块，用于对于任一子图像，基于Brief特征描述算法计算该子图像中所述角点对应的特征描述符；

所述检测模块获取所述角点在所述原图像中的位置信息包括：所述检测模块，用于获取所述角点在相应的子图像中的位置信息；获取所述相应的子图像与所述原图像之间的转换规则；基于所述转换规则将所述角点在相应的子图像中的位置信息转换为所述角点在所述原图像中的位置信息。

10.一种计算机设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的图像特征提取方法。