CN112434703A - 一种基于改进Gauss模型的实时Harris角点提取方法 - Google Patents
一种基于改进Gauss模型的实时Harris角点提取方法 Download PDFInfo
- Publication number
- CN112434703A CN112434703A CN202011151405.7A CN202011151405A CN112434703A CN 112434703 A CN112434703 A CN 112434703A CN 202011151405 A CN202011151405 A CN 202011151405A CN 112434703 A CN112434703 A CN 112434703A
- Authority
- CN
- China
- Prior art keywords
- value
- point
- formula
- model
- real
- 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
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
- G06V10/44—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于改进Gauss模型的实时Harris角点提取方法,通过计算图像中某点的灰度变化,检测出角点位置,根据M计算角点响应值,当像素点R值大于阈值时,该点即为图像中的Harris角点。本发明提出了改进的高斯模型,让它更加适合逻辑计算,根据逻辑实现的特点对传统的高斯滤波模型进行优化,在保留角点提取精度的同时,让复杂的浮点数乘除卷积运算转换数据的移位,大大的减小了逻辑实现的难度。将传统的7×7浮点小数模型简化,在逻辑实现时可以很方便的利用数据的移位运算代替乘除运算,减少时钟延迟,提高角点提取速度。
Description
技术领域
本发明涉及图像匹配、目标识别和目标跟踪等领域,尤其是一种Harris角点提取方法。
背景技术
理论分析可知,高斯权重在所有定义域范围内都分布非负值,这样对图像做处理的时候就需要一个无限大的卷积核。但从图1中可以看出,主要的权重值分布在中心位置附近的定义域内。实际上,仅需取3倍方差内的权重值建立高斯核即可。图1选用的是σ2=1的高斯模型,所以可得如表1的传统7×7高斯核所示,所有权重值相加和为1。
表1传统7×7高斯核
根据如上高斯核可将该其绘制出如图2的离散7×7高斯响应图所示,其中折线的交叉点对应的z轴值即为滤波过程中像素点周围对应点灰度的权重值。从上面高斯核分布可以看出该高斯滤波模型存在很多的浮点数,这对于FPGA的实现时非常困难的。
发明内容
为了克服现有技术的不足,本发明提供一种基于改进Gauss模型的实时Harris角点提取方法。
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤1:通过计算图像I中某点(x,y)周围窗口与其移动(Δx,Δy)后点的周围窗口的灰度变化,检测出角点位置,该变化用自相关函数式(1)表示:
其中,w(u,v)为高斯加权函数,W(x,y)是以点(x,y)为中心的正方形窗口,将式(1)泰勒展开,去一阶近似得式(2):
其中M为二阶实对称矩阵,具体形式如下式(3)所示:
Gauss滤波模型具体形式如表2改进高斯核所示,其所有元素相加和为1;
表2改进7×7高斯核
步骤2:根据M计算角点响应值,如式(5)所示:
R=Det(M)-kTr2(M) (5)
其中Det(M)是M矩的行列式的值,Tr(M)是M矩的迹,k为系数,其中:
当像素点R值大于阈值时,该点即为图像中的Harris角点。
所述系数取值范围为0.04-0.06。
所述系取k=0.0625=1/24。
所述阈值采用1/26*Rmax_pre,其中Rmax_pre为前一帧图像R响应值的最大值。
本发明的有益效果在于提出了改进的高斯模型,让它更加适合逻辑计算。根据逻辑实现的特点对传统的高斯滤波模型进行优化,在保留角点提取精度的同时,让复杂的浮点数乘除卷积运算转换数据的移位,大大的减小了逻辑实现的难度。将传统的7×7浮点小数模型简化为7×72n(n=0,1,2,3,4,5,6)形式的模型,在逻辑实现时可以很方便的利用数据的移位运算代替乘除运算,减少时钟延迟,提高角点提取速度。
附图说明
图1是σ2=1连续高斯响应图。
图2是离散7×7高斯响应图。
图3改进离散7×7高斯响应图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
Harris角点提取算法的原理是:
步骤1:通过计算图像I中某点(x,y)周围窗口与其移动(Δx,Δy)后点的周围窗口的灰度变化,检测出角点位置,该变化用自相关函数式(1)表示:
其中,w(u,v)为高斯加权函数,W(x,y)是以点(x,y)为中心的正方形窗口,将式(1)泰勒展开,去一阶近似得式(2):
其中M为二阶实对称矩阵,具体形式如下式(3)所示:
其中G为滤波模型,利用改进Gauss模型代替传统高斯滤波模型进行计算;表示卷积计算,Ix、Iy分别为像素点在x、y方向的梯度变化,计算方法如式(4)所示,即为用像素点后面点的灰度值减去前面点的灰度值:
结合可编程逻辑门阵列FPGA处理数据的特点,提出了一种改进的Gauss滤波模型,具体形式如表2改进高斯核所示,其所有元素相加和为1。
表2改进7×7高斯核
从改进高斯核中可以看出权重系数的分子均为2n(n=0,1,2,3,4,5,6),在逻辑实现时可以很方便利用数据的移位运算代替乘除运算,减少时钟延迟,提高角点提取速度。根据上面高斯核可绘出改进后的离散高斯响应图如图3所示,各点响应权重值分布情况同7×7高斯滤波模型相似。
改进Harris角点提取算法是根据逻辑实现的特点对传统的Gauss滤波模型进行变换,在保留角点提取精度的同时,将复杂的浮点数乘除卷积运算转换为数据的移位,大大的减小了逻辑实现的难度。对传统Gauss模型的改进主要在于将模型中存在的浮点小数简化为2n(n=0,1,2,3,4,5,6)的的形式,在逻辑实现时很方便的利用数据的移位运算代替乘除运算,减少时钟延迟,提高角点提取速度。
步骤2:根据M计算角点响应值,如式(5)所示:
R=Det(M)-kTr2(M) (5)
其中Det(M)是M矩的行列式的值,Tr(M)是M矩的迹,k为系数,取0.04-0.06,为了方便逻辑实现,本设计取k=0.0625=1/24,其中:
根据Harris角点提取原理可知,当像素点R值大于阈值时,该点即为图像中的Harris角点,其中阈值通常取0.01倍的Rmax(图像R响应值的最大值)。但在逻辑实现时,想要对比R响应值与当前帧0.01倍Rmax的大小,需要缓存整幅R响应值图,占用大量储存空间。为了减少不必要资源浪费和除法器的使用,本设计采用1/26*Rmax_pre做为阈值对角点进行筛选,其中Rmax_pre为前一帧图像R响应值的最大值。
Claims (4)
1.一种基于改进Gauss模型的实时Harris角点提取方法,其特征在于包括下述步骤:
步骤1:通过计算图像I中某点(x,y)周围窗口与其移动(Δx,Δy)后点的周围窗口的灰度变化,检测出角点位置,该变化用自相关函数式(1)表示:
其中,w(u,v)为高斯加权函数,W(x,y)是以点(x,y)为中心的正方形窗口,将式(1)泰勒展开,去一阶近似得式(2):
其中M为二阶实对称矩阵,具体形式如下式(3)所示:
Gauss滤波模型具体形式如表2改进高斯核所示,其所有元素相加和为1;
表1 改进7×7高斯核
步骤2:根据M计算角点响应值,如式(5)所示:
R=Det(M)-kTr2(M) (5)
其中Det(M)是M矩的行列式的值,Tr(M)是M矩的迹,k为系数,其中:
当像素点R值大于阈值时,该点即为图像中的Harris角点。
2.根据权利要求1所述的一种基于改进Gauss模型的实时Harris角点提取方法,其特征在于:
所述系数取值范围为0.04-0.06。
3.根据权利要求1所述的一种基于改进Gauss模型的实时Harris角点提取方法,其特征在于:
所述系取k=0.0625=1/24。
4.根据权利要求1所述的一种基于改进Gauss模型的实时Harris角点提取方法,其特征在于:
所述阈值采用1/26*Rmax_pre,其中Rmax_pre为前一帧图像R响应值的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151405.7A CN112434703A (zh) | 2020-10-25 | 2020-10-25 | 一种基于改进Gauss模型的实时Harris角点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151405.7A CN112434703A (zh) | 2020-10-25 | 2020-10-25 | 一种基于改进Gauss模型的实时Harris角点提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434703A true CN112434703A (zh) | 2021-03-02 |
Family
ID=74696017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011151405.7A Pending CN112434703A (zh) | 2020-10-25 | 2020-10-25 | 一种基于改进Gauss模型的实时Harris角点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434703A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN104008542A (zh) * | 2014-05-07 | 2014-08-27 | 华南理工大学 | 一种针对特定平面图形的快速角点匹配方法 |
CN110309834A (zh) * | 2019-05-13 | 2019-10-08 | 电子科技大学成都学院 | 用于户外离线导航系统的改进orb-slam算法 |
-
2020
- 2020-10-25 CN CN202011151405.7A patent/CN112434703A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN104008542A (zh) * | 2014-05-07 | 2014-08-27 | 华南理工大学 | 一种针对特定平面图形的快速角点匹配方法 |
CN110309834A (zh) * | 2019-05-13 | 2019-10-08 | 电子科技大学成都学院 | 用于户外离线导航系统的改进orb-slam算法 |
Non-Patent Citations (1)
Title |
---|
闫小盼等: "Harris角点检测的FPGA快速实现方法", 《计算机应用研究》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | DRFN: Deep recurrent fusion network for single-image super-resolution with large factors | |
Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN107944556B (zh) | 基于块项张量分解的深度神经网络压缩方法 | |
CN108288270B (zh) | 一种基于通道修剪与全卷积深度学习的目标检测方法 | |
CN111161146B (zh) | 一种由粗糙到精细的单张图像超分辨率重建方法 | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
Guo et al. | Multiscale semilocal interpolation with antialiasing | |
Lo et al. | Fixed-point implementation of convolutional neural networks for image classification | |
CN111986085A (zh) | 一种基于深度反馈注意力网络系统的图像超分辨率方法 | |
CN116228789A (zh) | 一种基于DeepLabv3+网络的遥感图像分割方法 | |
CN112434703A (zh) | 一种基于改进Gauss模型的实时Harris角点提取方法 | |
CN102903104B (zh) | 一种基于减法聚类的快速图像分割方法 | |
CN110264482B (zh) | 基于中智集变换矩阵因子分解的活动轮廓分割方法 | |
CN113313655B (zh) | 一种基于显著性映射和梯度倒频谱技术的盲图像去模糊方法 | |
CN110895790B (zh) | 基于后验降质信息估计的场景图像超分辨方法 | |
CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 | |
Cheng et al. | Adaptive feature denoising based deep convolutional network for single image super-resolution | |
CN114170276A (zh) | 一种磁共振脑图像海马配准方法 | |
CN112149053A (zh) | 一种基于低秩关联分析的多视图图像表征方法 | |
CN110990462A (zh) | 一种用于提高电离层foF2机器学习精度的时间序列数据处理方法 | |
CN114022360B (zh) | 基于深度学习的渲染图像超分辨系统 | |
Lu et al. | A new template update scheme for visual tracking | |
Mousavi et al. | A Deep Curriculum Learner in an Active Learning Cycle for Polsar Image Classification | |
Guo et al. | Adaptive Light Field Contrast Enhancement using Efficient Feature Extraction |
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 |
Application publication date: 20210302 |
|
WD01 | Invention patent application deemed withdrawn after publication |