CN113361545B - 图像特征提取方法、装置、电子设备和存储介质 - Google Patents

图像特征提取方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113361545B
CN113361545B CN202110677693.8A CN202110677693A CN113361545B CN 113361545 B CN113361545 B CN 113361545B CN 202110677693 A CN202110677693 A CN 202110677693A CN 113361545 B CN113361545 B CN 113361545B
Authority
CN
China
Prior art keywords
target feature
image
lookup table
feature points
point
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
CN202110677693.8A
Other languages
English (en)
Other versions
CN113361545A (zh
Inventor
赵博强
金凌鸽
冯宇红
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.)
Beijing Yihang Yuanzhi Technology Co Ltd
Original Assignee
Beijing Yihang Yuanzhi Technology Co Ltd
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 Beijing Yihang Yuanzhi Technology Co Ltd filed Critical Beijing Yihang Yuanzhi Technology Co Ltd
Priority to CN202110677693.8A priority Critical patent/CN113361545B/zh
Publication of CN113361545A publication Critical patent/CN113361545A/zh
Application granted granted Critical
Publication of CN113361545B publication Critical patent/CN113361545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请的实施例提供了一种图像特征提取方法、装置、电子设备和存储介质，该方法包括：根据原始图像和图像金字塔参数构建图像金字塔，所述图像金字塔参数包括图像金字塔层数和图像缩放比；基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子。本申请能够快速确定原始图像的目标特征点的角度和描述子，从而能够提高图像特征提取的速度，满足图像特征提取的实时性。

Description

图像特征提取方法、装置、电子设备和存储介质
技术领域
本申请的实施例涉及计算机视觉技术领域，尤其涉及一种图像特征提取方法、装置、电子设备和存储介质。
背景技术
目前常用的图像特征提取方法有SIFT、SURF和ORB等，其中SIFT和SURF由于计算复杂度高，实时性差，无法满足实际需求；ORB特征提取虽然计算复杂度有所降低，计算速度较快，但其在ARM、DSP等嵌入式平台中的表现依然无法满足实时性需求。
发明内容
本申请的实施例提供了一种图像特征提取方法、装置、电子设备和存储介质，能够解决现有图像特征提取方法速度较慢、在嵌入式平台无法满足实时性需求的问题。
在本申请的第一方面，提供了一种图像特征提取方法，包括：
根据原始图像和图像金字塔参数构建图像金字塔，所述图像金字塔参数包括图像金字塔层数和图像缩放比；
基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子；
其中，
构建完成的第一查找表用于确定是否提取所述图像金字塔中每层原始图像的特征点；
构建完成的第二查找表用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类；构建完成的第三查找表用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量。
在一种可能的实现方式中，所述基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子，包括：
根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点；
根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点；
确定所述有效目标特征点的角度作为所述目标特征点的角度，并根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子。
在一种可能的实现方式中，所述根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点，包括：
在所述图像金字塔的每层中：
以预设数量的像素为边长将所述原始图像划分为多个图像块；
遍历所有所述图像块并根据构建完成的第一查找表确定是否提取当前所述图像块的特征点；若是，则提取当前所述图像块的特征点作为所述待选目标特征点，并计算所述待选目标特征点的响应值；
其中，构建完成的第一查找表包括分别与图像金字塔中每层原始图像的每个所述图像块对应的定义值，所述定义值为0或1。
在一种可能的实现方式中，所述遍历所有所述图像块并根据构建完成的第一查找表确定是否提取当前所述图像块的特征点，包括：
遍历所有所述图像块和构建完成的所述第一查找表；
在当前所述图像块在构建完成的第一查找表中对应的定义值为1时，确定提取当前所述图像块的特征点，作为所述待选目标特征点；
在当前所述图像块在构建完成的第一查找表中对应的定义值为0时，确定不提取当前所述图像块的特征点。
在一种可能的实现方式中，所述根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点，包括：
在所述图像金字塔的每层中：
根据构建完成的第二查找表中该层的四叉树各叶节点在该层的角点坐标，将该层中所有所述待选目标特征点投射至对应的所述叶节点；
根据所述叶节点中所述待选目标特征点的数量确定有效目标特征点；
其中，构建完成的第二查找表包括所述图像金字塔中每层被四叉树法分割区域的角点坐标与四叉树叶节点的对应关系。
在一种可能的实现方式中，所述根据所述叶节点中所述待选目标特征点的数量确定有效目标特征点，包括：
若所述叶节点中所述待选目标特征点的数量等于0，则跳过所述叶节点；
若所述叶节点中所述待选目标特征点的数量等于1，则将所述待选目标特征点作为有效目标特征点，并更新有效目标特征点累加数值；
若所述叶节点中所述待选目标特征点的数量大于1，则将所述叶节点作为待分割节点并更新待分割节点累加数值；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和小于所述目标特征点的数量时，将所述待分割节点按照四叉树法进行分割，并将所述待分割节点中的所有所述待选目标特征点投射至新生成的四个叶节点中，再次根据每个叶节点中所述待选目标特征点的数量确定有效目标特征点，直至每个叶节点中所述待选目标特征点的数量小于等于1；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和大于或等于所述目标特征点的数量时，选取所述待分割叶节点中所述响应值最大的所述待选目标特征点作为所述有效目标特征点。
在一种可能的实现方式中，所述确定所述有效目标特征点的角度作为所述目标特征点的角度，包括：
定义所述有效目标特征点的矩如下：
mpq＝∑x,y∈rxpyqI(x,y)
其中，r为角度计算的patch半径，I(x,y)为点(x,y)的灰度值，p+q为矩的阶数；
该矩的质心坐标定义为：
所述有效目标特征点的矩的质心的角度即为该有效目标特征点的方向，其计算公式如下：
。
在一种可能的实现方式中，所述根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子，包括：
根据预设量化间隔对所述目标特征点的角度进行量化获得量化结果，所述量化结果为量化区间的中间值；
根据所述量化结果在构建完成的第三查找表中确定对应所述量化结果的256个点对的坐标在内存中存储地址偏移量；
根据所述256个点对的坐标在内存中存储地址偏移量获取图像灰度值，并计算所述目标特征点的描述子；
其中，构建完成的第三查找表包括所述量化结果和对应所述量化结果的256个点对的坐标在内存中存储地址偏移量。
在一种可能的实现方式中，构建第一查找表的方法包括：
根据掩码图像和所述图像金字塔参数生成掩码图像金字塔；
在所述掩码图像金字塔的每层中：
以所述预设数量的像素为边长将所述掩码图像划分为多个子图像；
根据每个所述子图像的掩码像素比例和预设比例阈值，将多个所述子图像分为感兴趣图像块和掩码图像块；
设定所述感兴趣图像块的定义值1、所述掩码图像块的定义值为0；
按照该层中所述掩码图像的像素排列顺序存储所述感兴趣图像块的定义值和所述掩码图像块的定义值形成第一查找表。
在一种可能的实现方式中，构建第二查找表的方法包括：
根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量；
根据所述图像金字塔每层目标特征点数量确定图像金字塔每层的四叉树叶节点数量，并确定图像金字塔中每层被四叉树法分割区域的角点坐标；
按照四叉树分支级别顺序存储所述角点坐标和与所述角点坐标对应的四叉树叶节点形成第二查找表。
在一种可能的实现方式中，所述根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量，包括：
采用下式来确定所述图像金字塔每层目标特征点数量：
其中，Fn为图像金字塔每层目标特征点数量，N为预设目标特征点数量，S为图像缩放比例，L为图像金字塔层数，n为图像金字塔层序数，n取值为0～L。
在一种可能的实现方式中，构建所述第三查找表的方法包括：
根据所述预设量化间隔将360°进行量化获得多个量化角度区间，并记录量化序数；
取所述量化角度区间的中间值作为量化结果；
根据所述量化结果和所述图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量；
按照所述量化序数的顺序存储所述量化结果和与所述量化结果对应的所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量形成第三查找表。
在一种可能的实现方式中，所述根据所述量化结果和所述图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量，包括：
采用下式确定目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量：
Xm＝Xp*cos(Am)-Yp*sin(Am)
Ym＝Xp*sin(Am)-Yp*cos(Am)
Qpmn＝Xm+Ym*Wn
其中，(Xp，Yp)为目标特征点的描述子点对坐标，Am为量化结果，m为量化序数，Wn*Hn为图像分辨率，n为图像金字塔序数，Qpmn为点(Xp，Yp)在内存中存储地址偏移量。
在本申请的第二方面，提供了一种图像特征提取装置，包括：
构建模块，用于根据原始图像和图像金字塔参数构建图像金字塔，所述图像金字塔参数包括图像金字塔层数和图像缩放比；
确定模块，用于基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子；
其中，
构建完成的第一查找表用于确定是否提取所述图像金字塔中每层原始图像的特征点；
构建完成的第二查找表用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类；
构建完成的第三查找表用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量。
在本申请的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法。
在一种可能的实现方式中，所述确定模块具体用于：
根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点；
根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点；
确定所述有效目标特征点的角度作为所述目标特征点的角度，并根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子。
在一种可能的实现方式中，所述确定模块具体还用于：
在所述图像金字塔的每层中：
以预设数量的像素为边长将所述原始图像划分为多个图像块；
遍历所有所述图像块并根据构建完成的第一查找表确定是否提取当前所述图像块的特征点；若是，则提取当前所述图像块的特征点作为所述待选目标特征点，并计算所述待选目标特征点的响应值；
其中，构建完成的第一查找表包括分别与图像金字塔中每层原始图像的每个所述图像块对应的定义值，所述定义值为0或1。
在一种可能的实现方式中，所述确定模块具体还用于：
遍历所有所述图像块和构建完成的所述第一查找表；
在当前所述图像块在构建完成的第一查找表中对应的定义值为1时，确定提取当前所述图像块的特征点，作为所述待选目标特征点；
在当前所述图像块在构建完成的第一查找表中对应的定义值为0时，确定不提取当前所述图像块的特征点。
在一种可能的实现方式中，所述确定模块具体还用于：
在所述图像金字塔的每层中：
根据构建完成的第二查找表中该层的四叉树各叶节点在该层的角点坐标，将该层中所有所述待选目标特征点投射至对应的所述叶节点；
根据所述叶节点中所述待选目标特征点的数量确定有效目标特征点；
其中，构建完成的第二查找表包括所述图像金字塔中每层被四叉树法分割区域的角点坐标与四叉树叶节点的对应关系。
在一种可能的实现方式中，所述确定模块具体还用于：
若所述叶节点中所述待选目标特征点的数量等于0，则跳过所述叶节点；
若所述叶节点中所述待选目标特征点的数量等于1，则将所述待选目标特征点作为有效目标特征点，并更新有效目标特征点累加数值；
若所述叶节点中所述待选目标特征点的数量大于1，则将所述叶节点作为待分割节点并更新待分割节点累加数值；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和小于所述目标特征点的数量时，将所述待分割节点按照四叉树法进行分割，并将所述待分割节点中的所有所述待选目标特征点投射至新生成的四个叶节点中，再次根据每个叶节点中所述待选目标特征点的数量确定有效目标特征点，直至每个叶节点中所述待选目标特征点的数量小于等于1；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和大于或等于所述目标特征点的数量时，选取所述待分割叶节点中所述响应值最大的所述待选目标特征点作为所述有效目标特征点。
在一种可能的实现方式中，所述确定模块具体还用于：
定义所述有效目标特征点的矩如下：
mpq＝∑x,y∈rxpyqI(x,y)
其中，r为角度计算的patch半径，I(x,y)为点(x,y)的灰度值，p+q为矩的阶数；
该矩的质心坐标定义为：
所述有效目标特征点的矩的质心的角度即为该有效目标特征点的方向，其计算公式如下：
。
在一种可能的实现方式中，所述确定模块具体还用于：
根据预设量化间隔对所述目标特征点的角度进行量化获得量化结果，所述量化结果为量化区间的中间值；
根据所述量化结果在构建完成的第三查找表中确定对应所述量化结果的256个点对的坐标在内存中存储地址偏移量；
根据所述256个点对的坐标在内存中存储地址偏移量获取图像灰度值，并计算所述目标特征点的描述子；
其中，构建完成的第三查找表包括所述量化结果和对应所述量化结果的256个点对的坐标在内存中存储地址偏移量。
在一种可能的实现方式中，所述确定模块具体用于：
根据掩码图像和所述图像金字塔参数生成掩码图像金字塔；
在所述掩码图像金字塔的每层中：
以所述预设数量的像素为边长将所述掩码图像划分为多个子图像；
根据每个所述子图像的掩码像素比例和预设比例阈值，将多个所述子图像分为感兴趣图像块和掩码图像块；
设定所述感兴趣图像块的定义值1、所述掩码图像块的定义值为0；
按照该层中所述掩码图像的像素排列顺序存储所述感兴趣图像块的定义值和所述掩码图像块的定义值形成第一查找表。
在一种可能的实现方式中，所述确定模块具体用于：
根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量；
根据所述图像金字塔每层目标特征点数量确定图像金字塔每层的四叉树叶节点数量，并确定图像金字塔中每层被四叉树法分割区域的角点坐标；
按照四叉树分支级别顺序存储所述角点坐标和与所述角点坐标对应的四叉树叶节点形成第二查找表。
在一种可能的实现方式中，所述确定模块具体还用于：
采用下式来确定所述图像金字塔每层目标特征点数量：
其中，Fn为图像金字塔每层目标特征点数量，N为预设目标特征点数量，S为图像缩放比例，L为图像金字塔层数，n为图像金字塔层序数，n取值为0～L。
在一种可能的实现方式中，所述确定模块具体用于：
根据所述预设量化间隔将360°进行量化获得多个量化角度区间，并记录量化序数；
取所述量化角度区间的中间值作为量化结果；
根据所述量化结果和所述图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量；
按照所述量化序数的顺序存储所述量化结果和与所述量化结果对应的所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量形成第三查找表。
在一种可能的实现方式中，所述确定模块具体还用于：
采用下式确定目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量：
Xm＝Xp*cos(Am)-Yp*sin(Am)
Ym＝Xp*sin(Am)-Yp*cos(Am)
Qpmn＝Xm+Ym*Wn
其中，(Xp，Yp)为目标特征点的描述子点对坐标，Am为量化结果，m为量化序数，Wn*Hn为图像分辨率，n为图像金字塔序数，Qpmn为点(Xp，Yp)在内存中存储地址偏移量。
在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。
在本申请的实施例提供的图像特征提取方法、装置、电子设备和存储介质中，根据原始图像和图像金字塔参数构建图像金字塔，并基于图像金字塔，结合用于确定是否提取所述图像金字塔中每层原始图像的特征点的第一查找表、用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类的第二查找表以及用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量的第三查找表，能够快速确定原始图像的目标特征点的角度和描述子，从而能够提高图像特征提取的速度，满足图像特征提取的实时性。
应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。
图1示出了根据本申请的实施例的图像特征提取方法的流程图。
图2示出了根据本申请的实施例的四叉树法分割结果的示意图。
图3示出了根据本申请的实施例的图像特征提取装置的方框图。
图4示出了适于用来实现本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的图像特征提取方法可以应用于计算机视觉技术领域，例如机器人定位与导航、场景恢复与三维重建等场景。但是，在上述场景中应用最重要的，同时也是最耗时的就是图像特征提取。因此，如何准确、快速的提取图像特征是一个很重要的技术问题。为解决这个技术问题，本申请的实施例提供了一种图像特征提取方法。在一些实施例中，该图像特征提取方法可以由电子设备执行。
图1示出了根据本申请的实施例的图像特征提取方法的流程图。参见图1，该图像特征提取方法包括以下步骤：
步骤110，根据原始图像和图像金字塔参数构建图像金字塔。
在本申请实施例中，原始图像可以由机器人定位与导航设备采集到的图像，也可以是场景恢复与三维重建设备采集到的图像，还可以是其他计算机视觉设备采集到的图像。图像金字塔参数例如可以包括图像金字塔层数L和图像缩放比S。那么，在得知原始图像的分辨率、图像金字塔层数L和图像缩放比S之后，可以获取得到图像金字塔中每层原始图像的分辨率。
步骤120，基于图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子。
在本申请实施例中，构建完成的第一查找表用于确定是否提取图像金字塔中每层原始图像的特征点。构建完成的第二查找表用于对图像金字塔中每层原始图像的待选目标特征点进行分类。构建完成的第三查找表用于获取图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量。
在确定原始图像的目标特征点的角度和描述子之前，首先需要构建第一查找表、第二查找表和第三查找表。
下面分别对如何构建第一查找表、第二查找表和第三查找表来进行说明。
构建第一查找表
在实际的计算机视觉应用场景中，首选需要确定所采集到的图像的感兴趣区域，并基于采集到的图像的感兴趣区域生成掩码(mask)图像，并按照图像金字塔参数生成掩码图像金字塔。
在生成掩码图像金字塔之后，在掩码图像金字塔的每层中，首先，以预设数量的像素为边长将掩码图像划分为多个子图像，示例地，可以将掩码图像划分为边长为b个像素的子图像。
然后，根据每个子图像的掩码像素比例和预设比例阈值，将多个子图像分为感兴趣(roi)图像块和掩码(mask)图像块，设定感兴趣图像块的定义值1、掩码图像块的定义值为0。示例地，预设比例阈值R为0.7，当子图像的掩码像素比例大于0.7时，将该子图像作为掩码图像块并定义其定义值为0；当子图像的掩码像素比例小于等于0.7时，将该子图像作为感兴趣图像块并定义其定义值为1。
最后，按照该层中掩码图像的像素排列顺序存储感兴趣图像块的定义值和掩码图像块的定义值形成第一查找表。示例地，可以按照掩码图像的像素行列顺序来存储上述的定义值。
需要说明的是，预设数量、预设比例阈值均可以由本领域技术人员来根据实际需要来进行设定。
构建第二查找表
在本申请实施例中，构建第二查找表过程中，采用了四叉树方法。在构建第二查找表时，需要确定图像金字塔中每层的四叉树叶节点的数量。图像金字塔中每层的四叉树叶节点的数量可以根据图像金字塔每层目标特征点数量来进行确定。
示例地，可以采用下式来确定图像金字塔每层目标特征点数量：
其中，Fn为图像金字塔每层目标特征点数量，N为预设目标特征点数量，S为图像缩放比例，L为图像金字塔层数，n为图像金字塔层序数，n取值为0～L。
在确定图像金字塔每层目标特征点数量后，可以根据图像金字塔每层目标特征点数量来确定图像金字塔中每层的四叉树叶节点的数量。示例地，采用四叉树方法对图像进行分割，在四叉树的叶节点的数量大于或等于该层目标特征点数量Fn时，停止分割，记录叶节点的数量Ln，并计算该层中被四叉树方法分割区域的角点坐标，按照四叉树分支级别顺序存储角点坐标和与角点坐标对应的四叉树叶节点形成第二查找表。示例地，可以按照四叉树分支级别由小到大的顺序来存储角点坐标和与角点坐标对应的四叉树叶节点。
示例地，参见图2，在采用四叉树方法对图像进行分割时，其分割结果如图2所示，其具有2级叶节点和3级叶节点，在存储角点坐标和与角点坐标对应的四叉树叶节点时，可以先存储2级叶节点和2级叶节点对应的角点坐标，再存储3级叶节点和3级叶节点对应的角点坐标。
构建第三查找表
将360°按照预设量化间隔(示例地，预设量化间隔为g)进行量化，量化为M个量化角度区间，那么M＝36。
取量化角度区间的中间值作为量化结果Am(m为量化序数)。示例地，预设量化间隔取12时，M为30，即360°被量化为30个量化角度区间，其量化结果为(6+m*12)°，此时m的取值为0～29。
图像分辨率Wn*Hn可以根据图像缩放比例来得到，其中n为金字塔层序数，其取值为0～L-1。
那么，可以根据量化结果和图像分辨率来确定目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量，并按照量化序数的顺序存储量化结果和与量化结果对应的目标特征点的描述子点对坐标在内存中存储地址偏移量对应的256个点对的坐标形成第三查找表。
示例地，目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量可以通过下式进行计算得到：
Xm＝Xp*cos(Am)-Yp*sin(Am)
Ym＝Xp*sin(Am)-Yp*cos(Am)
Qpmn＝Xm+Ym*Wn
其中，(Xp，Yp)为目标特征点的描述子点对坐标，Am为量化结果，m为量化序数，Wn*Hn为图像分辨率，n为图像金字塔序数，Qpmn为点(Xp，Yp)在内存中存储地址偏移量。
在构建完成第一查找表、第二查找表和第三查找表之后，可以根据构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表来确定原始图像的目标特征点的角度和描述子。
在一种可能的实现方式中，可以采用如下步骤来确定原始图像的目标特征点的角度和描述子：
步骤1201，根据图像金字塔和构建完成的第一查找表，确定图像金字塔中每层原始图像的待选目标特征点。
在图像金字塔的每层中，以b个像素为边长将原始图像划分为多个图像块，遍历所有图像块并根据构建完成的第一查找表确定是否提取当前图像块的特征点。若是，则提取当前图像块的特征点作为待选目标特征点，并计算待选目标特征点的响应值。示例地，可以计算待选目标特征点的Harris响应值。
具体地，遍历所有图像块和构建完成的第一查找表，在当前图像块在构建完成的第一查找表中对应的定义值为1时，确定提取当前图像块的特征点，作为待选目标特征点；在当前图像块在构建完成的第一查找表中对应的定义值为0时，确定不提取当前图像块的特征点。
在本申请实施例中，根据预设数量的像素将图像分成大小固定的图像块，根据感兴趣区域将这些图像块分为掩码图像块和感兴趣图像块，通过第一查找表只对感兴趣图像块提取特征点，这不仅可以加速特征点提取过程，也可以增加特征点的鲁棒性。
步骤1202，根据构建完成的第二查找表从待选目标特征点中选取有效目标特征点。
在图像金字塔的每层中，根据构建完成的第二查找表中该层的四叉树各叶节点在该层的角点坐标，将该层中所有待选目标特征点投射至对应的叶节点，根据叶节点中待选目标特征点的数量确定有效目标特征点。
具体地，在待选目标特征点投射至对应的叶节点之后，判断叶节点中待选目标特征点的数量。若叶节点中待选目标特征点的数量等于0，则跳过该叶节点。若叶节点中待选目标特征点的数量等于1，则将待选目标特征点作为有效目标特征点，并更新有效目标特征点累加数值Vn，即Vn加1。若叶节点中待选目标特征点的数量大于1，则将叶节点作为待分割节点并更新待分割节点累加数值Bn，即Bn加1。
将有效目标特征点累加数值Vn和待分割节点累加数值Bn之和记作VnBn，在VnBn小于目标特征点的数量Fn时，将待分割节点按照四叉树法进行分割，并将待分割节点中的所有待选目标特征点投射至新生成的四个叶节点中，再次根据每个叶节点中待选目标特征点的数量确定有效目标特征点，直至每个叶节点中待选目标特征点的数量小于等于1，此处不再赘述。
在VnBn大于或等于目标特征点的数量Fn时，选取待分割叶节点中Harris响应值最大的待选目标特征点作为有效目标特征点。
在本申请实施例中，可以根据预先设定的目标特征点数目，预先将图像按照四叉树分割成小的图像块，并将图像块边界信息存入表中，按照表中图像块的分布信息，均匀选取有效特征点，从而使得在满足特征点均匀化的同时加速了选取过程。
步骤1203，确定有效目标特征点的角度作为目标特征点的角度，并根据构建完成的第三查找表和目标特征点的角度确定目标特征点的描述子。
示例地，目标特征点的角度可以采用下述方式获得：
定义有效目标特征点的矩如下：
mpq＝∑x,y∈rxpyqI(x,y)
其中，r为角度计算的patch半径，I(x,y)为点(x,y)的灰度值，p+q为矩的阶数。
该矩的质心坐标定义为：
有效目标特征点的矩的质心的角度即为该有效目标特征点的方向，其计算公式如下：
。
示例地，在确定目标特征点的角度之后，根据预设量化间隔对目标特征点的角度进行量化获得量化结果，量化结果为量化区间的中间值；根据量化结果在构建完成的第三查找表中确定对应量化结果的256个点对的坐标在内存中存储地址偏移量；根据256个点对的坐标在内存中存储地址偏移量获取图像灰度值，并计算目标特征点的描述子。
在本申请实施例中，按照预设量化间隔对整个角度周期进行量化处理，根据量化处理结果和图像分辨率等信息，计算每个量化值对应的brief描述子点对坐标(pattern)值，并将其按照角度量化值大小依次存入表格。在计算描述子时，按照每个特征点的角度对应的角度量化值，通过第三查找表获取其量化后的描述子点对坐标(patternQ)值，用于描述子计算，从而能够显著加速描述子计算过程。
根据本申请的实施例，根据原始图像和图像金字塔参数构建图像金字塔，并基于图像金字塔，结合用于确定是否提取所述图像金字塔中每层原始图像的特征点的第一查找表、用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类的第二查找表以及用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量的第三查找表，能够快速确定原始图像的目标特征点的角度和描述子，从而能够提高图像特征提取的速度，满足图像特征提取的实时性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3示出了根据本申请的实施例的图像特征提取装置的方框图。参见图3，该图像特征提取装置包括构建模块310和确定模块320。
构建模块310，用于根据原始图像和图像金字塔参数构建图像金字塔，图像金字塔参数包括图像金字塔层数和图像缩放比。
确定模块320，用于基于图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子。
其中，构建完成的第一查找表用于确定是否提取图像金字塔中每层原始图像的特征点；构建完成的第二查找表用于对图像金字塔中每层原始图像的待选目标特征点进行分类；构建完成的第三查找表用于获取图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中存储地址偏移量。
在一些实施例中，确定模块320具体用于：根据图像金字塔和构建完成的第一查找表，确定图像金字塔中每层原始图像的待选目标特征点；根据构建完成的第二查找表从待选目标特征点中选取有效目标特征点；确定有效目标特征点的角度作为目标特征点的角度，并根据构建完成的第三查找表和目标特征点的角度确定目标特征点的描述子。
在一些实施例中，确定模块320具体还用于：在图像金字塔的每层中：以预设数量的像素为边长将原始图像划分为多个图像块；遍历所有图像块并根据构建完成的第一查找表确定是否提取当前图像块的特征点；若是，则提取当前图像块的特征点作为待选目标特征点，并计算待选目标特征点的响应值；其中，构建完成的第一查找表包括分别与图像金字塔中每层原始图像的每个图像块对应的定义值，所述定义值为0或1。
在一些实施例中，确定模块320具体还用于：遍历所有图像块和构建完成的第一查找表；在当前图像块在构建完成的第一查找表中对应的定义值为1时，确定提取当前图像块的特征点，作为待选目标特征点；在当前图像块在构建完成的第一查找表中对应的定义值为0时，确定不提取当前图像块的特征点。
在一些实施例中，确定模块320具体还用于：在图像金字塔的每层中：根据构建完成的第二查找表中该层的四叉树各叶节点在该层的角点坐标，将该层中所有待选目标特征点投射至对应的所述叶节点；根据叶节点中待选目标特征点的数量确定有效目标特征点；其中，构建完成的第二查找表包括图像金字塔中每层被四叉树法分割区域的角点坐标与四叉树叶节点的对应关系。
在一些实施例中，确定模块320具体还用于：若所述叶节点中所述待选目标特征点的数量等于0，则跳过所述叶节点；若所述叶节点中所述待选目标特征点的数量等于1，则将所述待选目标特征点作为有效目标特征点，并更新有效目标特征点累加数值；若所述叶节点中所述待选目标特征点的数量大于1，则将所述叶节点作为待分割节点并更新待分割节点累加数值；在所述有效目标特征点累加数值和所述待分割节点累加数值之和小于所述目标特征点的数量时，将所述待分割节点按照四叉树法进行分割，并将所述待分割节点中的所有所述待选目标特征点投射至新生成的四个叶节点中，再次根据每个叶节点中所述待选目标特征点的数量确定有效目标特征点，直至每个叶节点中所述待选目标特征点的数量小于等于1；在所述有效目标特征点累加数值和所述待分割节点累加数值之和大于或等于所述目标特征点的数量时，选取所述待分割叶节点中所述响应值最大的所述待选目标特征点作为所述有效目标特征点。
在一些实施例中，所述确定模块320具体还用于：定义所述有效目标特征点的矩如下：
mpq＝∑x，y∈rxpyqI(x，y)
其中，r为角度计算的patch半径，I(x，y)为点(x，y)的灰度值，p+q为矩的阶数；
该矩的质心坐标定义为：
所述有效目标特征点的矩的质心的角度即为该有效目标特征点的方向，其计算公式如下：
。
在一些实施例中，所述确定模块320具体还用于：根据预设量化间隔对所述目标特征点的角度进行量化获得量化结果，所述量化结果为量化区间的中间值；根据所述量化结果在构建完成的第三查找表中确定对应所述量化结果的256个点对的坐标在内存中存储地址偏移量；根据所述256个点对的坐标在内存中存储地址偏移量获取图像灰度值，并计算所述目标特征点的描述子；其中，构建完成的第三查找表包括所述量化结果和对应所述量化结果的256个点对的坐标在内存中存储地址偏移量。
在一些实施例中，所述确定模块320具体用于：根据掩码图像和所述图像金字塔参数生成掩码图像金字塔；在所述掩码图像金字塔的每层中：以所述预设数量的像素为边长将所述掩码图像划分为多个子图像；根据每个所述子图像的掩码像素比例和预设比例阈值，将多个所述子图像分为感兴趣图像块和掩码图像块；设定所述感兴趣图像块的定义值1、所述掩码图像块的定义值为0；按照该层中所述掩码图像的像素排列顺序存储所述感兴趣图像块的定义值和所述掩码图像块的定义值形成第一查找表。
在一些实施例中，所述确定模块320具体用于：根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量；根据所述图像金字塔每层目标特征点数量确定图像金字塔每层的四叉树叶节点数量，并确定图像金字塔中每层被四叉树法分割区域的角点坐标；按照四叉树分支级别顺序存储所述角点坐标和与所述角点坐标对应的四叉树叶节点形成第二查找表。
在一些实施例中，所述确定模块320具体还用于：采用下式来确定所述图像金字塔每层目标特征点数量：
其中，Fn为图像金字塔每层目标特征点数量，N为预设目标特征点数量，S为图像缩放比例，L为图像金字塔层数，n为图像金字塔层序数，n取值为0～L。
在一些实施例中，所述确定模块320具体用于：根据所述预设量化间隔将360°进行量化获得多个量化角度区间，并记录量化序数；取所述量化角度区间的中间值作为量化结果；根据所述量化结果和所述图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量；按照所述量化序数的顺序存储的所述量化结果和与所述量化结果对应的所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量形成第三查找表。
在一些实施例中，所述确定模块320具体还用于：采用下式确定目标特征点的描述子点对坐标对应的256个点对的坐标在内存中存储地址偏移量：
其中，(Xp,Yp)为目标特征点的描述子点对坐标，Am为量化结果，m为量化序数，Wn*Hn为图像分辨率，n为图像金字塔序数，Qpmn为点(Xp,Yp)在内存中存储地址偏移量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图4示出了适于用来实现本申请实施例的电子设备的结构示意图。如图4所示，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。可选地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

Claims (15)

1.一种图像特征提取方法，其特征在于，包括：
根据原始图像和图像金字塔参数构建图像金字塔，所述图像金字塔参数包括图像金字塔层数和图像缩放比；
基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子；
其中，
构建完成的第一查找表用于确定是否提取所述图像金字塔中每层原始图像的特征点；
构建完成的第二查找表用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类；
构建完成的第三查找表用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中的存储地址偏移量；
所述基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子，包括：
根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点；
根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点；
确定所述有效目标特征点的角度作为所述目标特征点的角度，并根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子。
2.根据权利要求1所述的方法，其特征在于，所述根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点，包括：
在所述图像金字塔的每层中：
以预设数量的像素为边长将所述原始图像划分为多个图像块；
遍历所有所述图像块并根据构建完成的第一查找表确定是否提取当前所述图像块的特征点；
若是，则提取当前所述图像块的特征点作为所述待选目标特征点，并计算所述待选目标特征点的响应值；
其中，构建完成的第一查找表包括分别与图像金字塔中每层原始图像的每个所述图像块对应的定义值，所述定义值为0或1。
3.根据权利要求2所述的方法，其特征在于，所述遍历所有所述图像块并根据构建完成的第一查找表确定是否提取当前所述图像块的特征点，包括：
遍历所有所述图像块和构建完成的所述第一查找表；
在当前所述图像块在构建完成的第一查找表中对应的定义值为1时，确定提取当前所述图像块的特征点，作为所述待选目标特征点；
在当前所述图像块在构建完成的第一查找表中对应的定义值为0时，确定不提取当前所述图像块的特征点。
4.根据权利要求2所述的方法，其特征在于，所述根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点，包括：
在所述图像金字塔的每层中：
根据构建完成的第二查找表中该层的四叉树各叶节点在该层的角点坐标，将该层中所有所述待选目标特征点投射至对应的所述叶节点；
根据所述叶节点中所述待选目标特征点的数量确定有效目标特征点；
其中，构建完成的第二查找表包括所述图像金字塔中每层被四叉树法分割区域的角点坐标与四叉树叶节点的对应关系。
5.根据权利要求4所述的方法，其特征在于，所述根据所述叶节点中所述待选目标特征点的数量确定有效目标特征点，包括：
若所述叶节点中所述待选目标特征点的数量等于0，则跳过所述叶节点；
若所述叶节点中所述待选目标特征点的数量等于1，则将所述待选目标特征点作为有效目标特征点，并更新有效目标特征点累加数值；
若所述叶节点中所述待选目标特征点的数量大于1，则将所述叶节点作为待分割节点并更新待分割节点累加数值；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和小于所述目标特征点的数量时，将所述待分割节点按照四叉树法进行分割，并将所述待分割节点中的所有所述待选目标特征点投射至新生成的四个叶节点中，再次根据每个叶节点中所述待选目标特征点的数量确定有效目标特征点，直至每个叶节点中所述待选目标特征点的数量小于等于1；
在所述有效目标特征点累加数值和所述待分割节点累加数值之和大于或等于所述目标特征点的数量时，选取所述待分割节点中所述响应值最大的所述待选目标特征点作为所述有效目标特征点。
6.根据权利要求1所述的方法，其特征在于，所述确定所述有效目标特征点的角度作为所述目标特征点的角度，包括：
定义所述有效目标特征点的矩如下：
其中，r为角度计算的patch半径，I(x,y)为点(x,y)的灰度值，p+q为矩的阶数；
该矩的质心坐标定义为：
所述有效目标特征点的矩的质心的角度即为该有效目标特征点的方向，其计算公式如下：
。
7.根据权利要求1所述的方法，其特征在于，所述根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子，包括：
根据预设量化间隔对所述目标特征点的角度进行量化获得量化结果，所述量化结果为量化区间的中间值；
根据所述量化结果在构建完成的第三查找表中确定对应所述量化结果的256个点对的坐标在内存中的存储地址偏移量；
根据所述256个点对的坐标在内存中的存储地址偏移量获取图像灰度值，并计算所述目标特征点的描述子；
其中，构建完成的第三查找表包括所述量化结果和对应所述量化结果的256个点对的坐标在内存中的存储地址偏移量。
8.根据权利要求2所述的方法，其特征在于，构建第一查找表的方法包括：
根据掩码图像和所述图像金字塔参数生成掩码图像金字塔；
在所述掩码图像金字塔的每层中：
以所述预设数量的像素为边长将所述掩码图像划分为多个子图像；
根据每个所述子图像的掩码像素比例和预设比例阈值，将多个所述子图像分为感兴趣图像块和掩码图像块；
设定所述感兴趣图像块的定义值1、所述掩码图像块的定义值为0；
按照该层中所述掩码图像的像素排列顺序存储所述感兴趣图像块的定义值和所述掩码图像块的定义值形成第一查找表。
9.根据权利要求4所述的方法，其特征在于，构建第二查找表的方法包括：
根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量；
根据所述图像金字塔每层目标特征点数量确定图像金字塔每层的四叉树叶节点数量，并确定图像金字塔中每层被四叉树法分割区域的角点坐标；
按照四叉树分支级别顺序存储所述角点坐标和与所述角点坐标对应的四叉树叶节点形成第二查找表。
10.根据权利要求9所述的方法，其特征在于，所述根据所述图像金字塔参数和预设目标特征点数量确定图像金字塔每层目标特征点数量，包括：
采用下式来确定所述图像金字塔每层目标特征点数量：
其中，Fn为图像金字塔每层目标特征点数量，N为预设目标特征点数量，S为图像缩放比例，L为图像金字塔层数，n为图像金字塔层序数，n取值为1～L。
11.根据权利要求7所述的方法，其特征在于，构建所述第三查找表的方法包括：
根据所述预设量化间隔将360°进行量化获得多个量化角度区间，并记录量化序数；
取所述量化角度区间的中间值作为量化结果；
根据所述量化结果和图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中的存储地址偏移量；
按照所述量化序数的顺序存储所述量化结果和与所述量化结果对应的所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中的存储地址偏移量形成第三查找表。
12.根据权利要求11所述的方法，其特征在于，所述根据所述量化结果和所述图像缩放比例确定所述目标特征点的描述子点对坐标对应的256个点对的坐标在内存中的存储地址偏移量，包括：
采用下式确定目标特征点的描述子点对坐标对应的256个点对的坐标在内存中的存储地址偏移量：
Xm＝Xp*cos(Am)-p*sin(Am)
Ym＝Xp*sin(Am)-p*cos(Am)
Qpmnn＝Xm+Ym**W
其中，(Xp,Yp)为目标特征点的描述子点对坐标，Am为量化结果，m为量化序数，Wn*Hn为图像分辨率，n为图像金字塔序数，Qpmn为点(Xp,Yp)在内存中存储地址偏移量。
13.一种图像特征提取装置，其特征在于，包括：
构建模块，用于根据原始图像和图像金字塔参数构建图像金字塔，所述图像金字塔参数包括图像金字塔层数和图像缩放比；
确定模块，用于基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子；
其中，
构建完成的第一查找表用于确定是否提取所述图像金字塔中每层原始图像的特征点；
构建完成的第二查找表用于对所述图像金字塔中每层原始图像的待选目标特征点进行分类；
构建完成的第三查找表用于获取所述图像金字塔中每层原始图像的量化结果对应的点对的坐标在内存中的存储地址偏移量；
所述构建模块具体用于所述基于所述图像金字塔、构建完成的第一查找表、构建完成的第二查找表以及构建完成的第三查找表，确定原始图像的目标特征点的角度和描述子，包括：
根据所述图像金字塔和构建完成的第一查找表，确定所述图像金字塔中每层原始图像的所述待选目标特征点；
根据构建完成的第二查找表从所述待选目标特征点中选取有效目标特征点；
确定所述有效目标特征点的角度作为所述目标特征点的角度，并根据构建完成的第三查找表和所述目标特征点的角度确定所述目标特征点的描述子。
14.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至12中任一项所述的方法。
15.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至12中任一项所述的方法。
CN202110677693.8A 2021-06-18 2021-06-18 图像特征提取方法、装置、电子设备和存储介质 Active CN113361545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677693.8A CN113361545B (zh) 2021-06-18 2021-06-18 图像特征提取方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677693.8A CN113361545B (zh) 2021-06-18 2021-06-18 图像特征提取方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113361545A CN113361545A (zh) 2021-09-07
CN113361545B true CN113361545B (zh) 2024-04-05

Family

ID=77535095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677693.8A Active CN113361545B (zh) 2021-06-18 2021-06-18 图像特征提取方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113361545B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326891A (zh) * 2015-06-30 2017-01-11 展讯通信(天津)有限公司 移动终端及其目标检测方法及装置
CN108171734A (zh) * 2017-12-25 2018-06-15 西安因诺航空科技有限公司 一种orb特征提取与匹配的方法及装置
CN110058602A (zh) * 2019-03-27 2019-07-26 天津大学 基于深度视觉的多旋翼无人机自主定位方法
WO2019222889A1 (zh) * 2018-05-21 2019-11-28 华为技术有限公司 一种图像特征提取方法及装置
CN111768332A (zh) * 2019-03-26 2020-10-13 深圳市航盛电子股份有限公司 一种车载环视实时3d全景图像的拼接方法及图形采集装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140225902A1 (en) * 2013-02-11 2014-08-14 Nvidia Corporation Image pyramid processor and method of multi-resolution image processing
CN106910210B (zh) * 2017-03-03 2018-09-11 百度在线网络技术（北京）有限公司 用于生成图像信息的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326891A (zh) * 2015-06-30 2017-01-11 展讯通信(天津)有限公司 移动终端及其目标检测方法及装置
CN108171734A (zh) * 2017-12-25 2018-06-15 西安因诺航空科技有限公司 一种orb特征提取与匹配的方法及装置
WO2019222889A1 (zh) * 2018-05-21 2019-11-28 华为技术有限公司 一种图像特征提取方法及装置
CN111768332A (zh) * 2019-03-26 2020-10-13 深圳市航盛电子股份有限公司 一种车载环视实时3d全景图像的拼接方法及图形采集装置
CN110058602A (zh) * 2019-03-27 2019-07-26 天津大学 基于深度视觉的多旋翼无人机自主定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Feature detection and description based on ORB algorithm for FPGA-based Image processing;Taksaporn Imsaengsuk et al;IEECON;全文 *
ORB:an efficient alternative to SIFT or SURF;Ethan Rublee et al.;ICCV;全文 *
基于DoG检测图像特征点的快速二进制描述子;刘凯;汪侃;杨晓梅;郑秀娟;;光学精密工程(02);全文 *

Also Published As

Publication number Publication date
CN113361545A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
US10803554B2 (en) Image processing method and device
CN109344899B (zh) 多目标检测方法、装置和电子设备
US10346996B2 (en) Image depth inference from semantic labels
CN111291768B (zh) 图像特征匹配方法及装置、设备、存储介质
WO2022127912A1 (en) Image segmentation method, network training method, electronic equipment and storage medium
JP5261501B2 (ja) 不変の視覚場面及び物体の認識
CN109712071B (zh) 基于航迹约束的无人机图像拼接与定位方法
CN109063776B (zh) 图像再识别网络训练方法、装置和图像再识别方法及装置
CN115526892B (zh) 基于三维重建的图像缺陷去重检测方法和装置
CN114359665A (zh) 全任务人脸识别模型的训练方法及装置、人脸识别方法
CN114155285B (zh) 基于灰度直方图的图像配准方法
JP2019504430A (ja) 画像処理方法及びデバイス
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113228105A (zh) 一种图像处理方法、装置和电子设备
CN114359352A (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
CN117522963A (zh) 棋盘格的角点定位方法、装置、存储介质及电子设备
CN113628259A (zh) 图像的配准处理方法及装置
CN113361545B (zh) 图像特征提取方法、装置、电子设备和存储介质
CN113420604B (zh) 多人姿态估计方法、装置和电子设备
CN116071418A (zh) 建盏尺寸测量方法、装置、计算机设备、存储介质和计算机程序产品
CN112085842A (zh) 深度值确定方法及装置、电子设备和存储介质
CN111860492B (zh) 一种车牌倾斜矫正方法、装置、计算机设备和存储介质
CN113191210A (zh) 一种图像处理方法、装置及设备
Moon et al. Fast image-matching technique robust to rotation in spherical images
CN111982152A (zh) 点云地图量化方法、装置、计算机设备和存储介质

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