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 PDF

Info

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
Application number
CN202011151405.7A
Other languages
English (en)
Inventor
王浩
郭许生
姚群磊
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.)
Luoyang Institute of Electro Optical Equipment AVIC
Original Assignee
Luoyang Institute of Electro Optical Equipment AVIC
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 Luoyang Institute of Electro Optical Equipment AVIC filed Critical Luoyang Institute of Electro Optical Equipment AVIC
Priority to CN202011151405.7A priority Critical patent/CN112434703A/zh
Publication of CN112434703A publication Critical patent/CN112434703A/zh
Pending legal-status Critical Current

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

一种基于改进Gauss模型的实时Harris角点提取方法
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
传统的Harris角点提取过程利用的是经典的Gauss模型对图像灰度信息的偏导计算进行模糊处理的，根据二维Gauss的计算式
Figure BDA0002741426300000011
可得σ2＝1的连续高斯响应如图1所示。
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
Figure BDA0002741426300000012
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：
Figure BDA0002741426300000021
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)：
Figure BDA0002741426300000022
其中M为二阶实对称矩阵，具体形式如下式(3)所示：
Figure BDA0002741426300000023
其中G为滤波模型，
Figure BDA0002741426300000024
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：
Figure BDA0002741426300000025
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
Figure BDA0002741426300000026
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：
Figure BDA0002741426300000031
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：
Figure BDA0002741426300000032
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)：
Figure BDA0002741426300000033
其中M为二阶实对称矩阵，具体形式如下式(3)所示：
Figure BDA0002741426300000041
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；
Figure BDA0002741426300000044
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：
Figure BDA0002741426300000042
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
Figure BDA0002741426300000043
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：
Figure BDA0002741426300000051
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：
Figure FDA0002741426290000011
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)：
Figure FDA0002741426290000012
其中M为二阶实对称矩阵，具体形式如下式(3)所示：
Figure FDA0002741426290000013
其中G为滤波模型，
Figure FDA0002741426290000014
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：
Figure FDA0002741426290000015
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
Figure FDA0002741426290000016
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：
Figure FDA0002741426290000021
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。
CN202011151405.7A 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 Pending CN112434703A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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