CN113627446A - 基于梯度向量的特征点描述算子的图像匹配方法及系统 - Google Patents

Abstract

本发明公开了一种基于梯度向量的特征点描述算子的图像匹配方法及系统，通过采集原图像与目标图像并检测原图像与目标图像中特征点，利用梯度向量分别构建原图像特征点描述算子与目标图像特征点描述算子，并根据原图像特征点描述算子与目标图像特征点描述算子计算原图像与目标图像间特征点距离，并根据计算的特征点距离完成原图像与目标图像间匹配；本发明采用特征点间梯度值构建梯度向量，结合描述算子具有的旋转不变性，有效解决了图像有旋转时低匹配精度的问题，并利用归一化向量点积有效判断原图像与目标图像的相关性，简化算子计算，提高计算精准性以及图像匹配准确性。

Description

基于梯度向量的特征点描述算子的图像匹配方法及系统

技术领域

本发明涉及图像检测领域，具体涉及一种基于梯度向量的特征点描述算子的图像匹配方法及系统。

背景技术

图像的特征点通常是图像中的极值点，如边缘点、角点、拐点等。利用图像中的特征点，可以实现基于特征点的匹配，从而实现包括图像拼接、识别、分类以及定位等图像处理任务。但是，检测出特征点只是实现上述任务的第一步，还需要对特征点进行描述，生成特征点描述算子，通过描述算子来判断不同图像中的特征点是否代表相同的对象，从而实现上述图像处理任务。描述算子一般为n元一维向量。因此，可以采用向量之间的距离来判断是否特征点之间的关系。好的描述算子应该具备尺度、旋转以及光照不变性。而且，描述算子是对不同图像上相同特征点的排他性描述，判别性高。由此才能够利用描述算子实现各种图像处理任务。

SIFT算子是比较经典的包括特征点检测和描述的算子，该算子具有旋转不变性、尺度不变性等特点。SIFT算子的描述算子首先取16×16大小的邻域，然后对邻域再次划分为4×4的小块，在每个小块内计算每个像素点的梯度方向，将360°方向平均划分为8个方向，最后将计算出的梯度方向根据角度大小归为8个方向中的某一个，并且将计算出来的梯度幅值作为该方向的权重。该描述算子的判别性较高，能够实现基于特征点的各种图像处理任务。但是，生成该描述算子比较耗时，无法满足实时性要求。SURF算子是SIFT算子的改进，其描述算子采用了haar小波特征，但是该描述算子的判别性有所下降。此外，该算法在时间复杂度上虽然有所改进，但还算是比较耗时。BRIEF算子采用高斯随机采样得到特征点领域内的点，然后通过比较采样点两两之间的大小得到只包含“0”和“1”的向量作为描述算子，通过计算向量之间的汉明距离来判断是否是相同特征点，该算子虽然计算速度很快，但是，不具有旋转不变性，适应范围有限。ORB算子是在BRIEF算子的基础上加上了旋转不变性，但由此又降低了描述算子的判别性。BRISK算子和FREAK算子为了保证匹配的时间，也采用了与BRIEF算子类似的方法生成描述算子。只是采样点的方式不同，BRISK算子在圆上进行采样，FREAK算子更接近人眼视网膜接收图像信息的采样模型。但是，这两个描述算子的判别性也不高。

通过对比当前各种描述算子的性能，虽然当前SIFT和SURF算子的性能最好，但是时间复杂度太高，而其他的描述算子虽然计算时间快，但是性能不够。尤其是当图像存在旋转变化、光照变化和尺度变化时，无法满足基于特征点的匹配要求。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配方法及系统。

为了达到上述发明目的，本发明采用的技术方案为：

一方面，一种基于梯度向量的特征点描述算子的图像匹配方法，包括以下步骤：

S1、采集原图像与目标图像，并检测原图像与目标图像中特征点；

S2、根据步骤S1中原图像与目标图像中特征点，分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

S3、根据步骤S2中原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

S4、根据步骤S3中特征点距离进行原图像与目标图像的匹配。

本发明具有以下有益效果：

本发明通过采集原图像与目标图像中特征点，并检测原图像与目标图像中特征点，并分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子，通过采用特征点间梯度值构建梯度向量，使描述算子具有旋转不变性，有效解决了图像有旋转时低匹配精度的问题，并利用原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离，结合利用归一化向量点积有效判断原图像与目标图像的相关性，并简化算子计算，提高计算精准性，提高匹配准确性，提升图像检测精准性，利用特征点距离进行原图像与目标图像的匹配，匹配准确性强，提高了图像检测的准确性。

进一步地，所述步骤S2具体包括以下分步骤：

S21、根据步骤S1中检测出的原图像与目标图像特征点，构建以各特征点为中心的预设大小的特征点邻域；

S22、计算步骤S21中特征点邻域内各邻域点在各方向上的梯度幅值，表示为：

其中，

为特征点邻域内各邻域点在i方向上对应的梯度幅值，p_i为特征点邻域内各邻域点在i方向上像素值，p_c为特征点邻域内邻域中心点像素值；

S23、选择步骤S22中各邻域点在各方向上的梯度幅值大小前两位组成各邻域点的梯度向量；

S24、遍历原图像与目标图像中特征点邻域内各邻域点，根据步骤S23中梯度向量分别构建特征点描述算子，表示为：

V＝(d₁,…,d_m)

其中，V为特征点描述算子，d_m为特征点邻域内各邻域点的梯度向量，m为特征邻域内邻域点总数。

该进一步方案具有以下有益效果：

通过梯度值组成梯度向量，根据描述算子的旋转不变形，有效解决了图像有旋转时匹配精度低的问题。

进一步地，所述步骤S3具体为：

依次计算步骤S2中原图像各特征点描述算子与目标图像中所有特征点描述算子间向量点积，并对计算结果进行归一化，得到原图像内各特征点与目标图像中所有特征点间特征点距离。

该进一步方案具有以下有益效果：

采用归一化的向量点积判断原图像与目标图像的相似性，有效解决了图像存在部分遮挡时匹配精度低的问题。

进一步地，所述步骤S3中对原图像各特征点描述算子与目标图像中所有特征点描述算子的归一化向量点积的计算方式表示为：

其中，s_k为原图像与目标图像中各特征点间描述算子的归一化向量点积，n为描述算子向量维度，V_s为原图像中各特征点描述算子，V_d为目标图像中各目标图像特征点描述算子，d_sl与d_dl分别为原图像和目标图像中特征点描述算子中第l维向量，

分别表示第l维向量中原图像的最大梯度数值与第二大梯度数值；

和

分别表示第l维向量中目标图像的最大梯度数值与第二大梯度数值。

该进一步方案具有以下有益效果：

描述算子的获取过程简单，简化了计算过程，有效解决图像检测中实时性的问题。

进一步地，所述步骤S4具体为：

根据步骤S3中原图像内各特征点与目标图像中所有特征点间特征点距离，选择最大特征点距离对应的目标图像中特征点作为原图像中各特征点的匹配点，完成原图像各特征点与目标图像中特征点的匹配。

该进一步方案具有以下有益效果：

通过判别性高的描述算子实现原图像与目标图像间的匹配，提高了图像检测的准确性。

第二方面，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配系统，包括：

特征点检测模块用于采集原图像与目标图像，并检测原图像与目标图像中特征点；

特征点描述算子构建模块用于根据梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

特征点距离计算模块用于根据原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

特征点匹配模块用于根据特征点距离对原图像与目标图像进行匹配。

第三方面，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配设备，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述的基于梯度向量的图像特征点描述方法的步骤。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于梯度向量的图像特征点描述方法的步骤。

本发明具有以下有益效果：

1、通过梯度值组成梯度向量，依据描述算子的旋转不变形，有效解决了图像有旋转时匹配精度低的问题；

2、采用归一化的向量点积判断原图像与目标图像的相似性，有效解决了图像存在部分遮挡时匹配精度低的问题；

3、根据预设特征点邻域，解决了不同尺度下匹配精度不高的问题；

4、描述算子的获取过程简单，简化了计算过程，有效解决图像检测中实时性的问题；

5、算子判别性高，匹配准确性强，提高了图像检测的准确性。

附图说明

图1为本发明提供的一种基于梯度向量的特征点描述算子的图像匹配方法的步骤示意图；

图2为本发明中步骤S2的分步骤示意图；

图3为本发明供的一种基于梯度向量的特征点描述算子的图像匹配系统的结构示意图；

图4为本发明供的一种基于梯度向量的特征点描述算子的图像匹配设备的结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，本发明提供一种基于梯度向量的特征点描述算子的图像匹配方法，包括以下步骤S1-步骤S4：

S1、采集原图像与目标图像，并检测原图像与目标图像中特征点；

实际中，采集原图像与目标图像后可利用目前已有的任意一种特征点检测算法，获取原图像与目标图像中特征点。

S2、根据步骤S1中原图像与目标图像中特征点，分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

如图2所示，本实施例中，步骤S2具体包括以下分步骤：

S21、根据步骤S1中检测出的原图像与目标图像特征点，构建以各特征点为中心的预设大小的特征点邻域；

实际中，本发明对于已经检测出的原图像与目标图像间特征点，构建以各特征点为中心，大小为15*15的邻域，也可根据实际图像大小增大或减少图像邻域。

S22、计算步骤S21中特征点邻域内各邻域点在各方向上的梯度幅值，表示为：

其中，

为特征点邻域内各邻域点在i方向上对应的梯度幅值，特征点邻域内各邻域点方向有8个，即i＝1,2,…,8，p_i为特征点邻域内各邻域点在i方向上像素值，p_c为特征点邻域内邻域中心点像素值；

实际中，梯度大小是相对于离散图像而言，可以用差分来表示。

实际中，原图像特征点邻域中各邻域点在各方向上的梯度幅值，可表示为：

其中，

为原图像特征点邻域中各邻域点在i方向上对应的梯度幅值，p_si为原图像特征点邻域内各邻域点在i方向上像素值，p_sc为原图像特征点邻域内邻域中心点像素值。

目标图像特征点邻域中各邻域点在各方向上的梯度幅值，可表示为：

其中，

为目标图像特征点邻域中各邻域点在i方向上对应的梯度幅值，p_di为目标图像特征点邻域中各邻域点在i方向上像素值，p_dc为目标图像特征点邻域内邻域中心点像素值。

S23、选择步骤S22中各邻域点在各方向上的梯度幅值大小前两位组成各邻域点的梯度向量；

实际中，选择邻域点各方向上最大的梯度幅值以及第二大的梯度幅值组成各邻域点的梯度向量，表示为：

为最大的梯度幅值，

为第二大的梯度幅值。

S24、遍历原图像与目标图像中特征点邻域内各邻域点，根据步骤S23中梯度向量分别构建特征点描述算子，表示为：

V＝(d₁,…,d_m)

其中，V为特征点描述算子，d_m为特征点邻域内各邻域点的梯度向量，m为特征点邻域内邻域点总数。

实际中，遍历原图像中各特征点邻域，根据梯度向量构建原图像特征点描述算子，表示为：

V_s＝(d_s1,…,d_sm)

其中，V_s为原图像特征点描述算子，d_sm为原图像特征点邻域内第m个邻域点的梯度向量，m为原图像特征点邻域内邻域点总数。

实际中，假定原图像特征点邻域内邻域点的数量为m，依次对每个原图像特征点邻域内各邻域点计算其最大梯度幅值和第二大梯度幅值，得到该邻域点的梯度向量，组合这些原图像特征点邻域邻域内各邻域点的梯度向量，可构成为一个n元一维向量，数值上m＝n，即为原图像特征点描述算子，对于梯度向量d_sm包含则两个梯度幅值，分别对应该原图像特征点的最大梯度幅值与第二大梯度幅值。

实际中，目标图像特征描述算子的构建方式与原图像特征描述算子的构建方式一致，通过目标图像检测的特征点构建目标图像特征邻域，并计算目标图像特征点邻域内各邻域点在各个方向上的梯度幅值，并根据计算得到的各方向上梯度数值，选择最大的梯度幅值与第二大的梯度幅值构建梯度向量，可构成为一个n元一维向量，数值上m＝n，即为目标检测特征点描述算子，可表示为：

V_d＝(d_d1,…,d_dm)

其中，V_d为目标图像特征点描述算子，d_dm为目标图像特征点邻域内第m个邻域点的梯度向量，m为目标图像特征点邻域内邻域点数量。

S3、根据步骤S2中原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

本实施例中，步骤S3具体为：

依次计算步骤S2中原图像各特征点描述算子与目标图像中所有特征点描述算子间向量点积，并对计算结果进行归一化，得到原图像内各特征点与目标图像中所有特征点间特征点距离，其中对原图像各特征点描述算子与目标图像中所有特征点描述算子的归一化向量点积计算方式表示为：

其中，sk为原图像与目标图像中各特征点间描述算子的归一化向量点积，n为描述算子向量维度，V_s为原图像中各特征点描述算子，V_d为目标图像中各目标图像特征点描述算子，d_sl与d_dl分别为原图像和目标图像中特征点描述算子中第l维向量，

分别表示第l维向量中原图像的最大梯度数值与第二大梯度数值；

和

分别表示第l维向量中目标图像的最大梯度数值与第二大梯度数值。

实际中，计算原图像中各特征点与目标图像中所有特征点之间的描述算子点积，即为原图像特征点描述算子与目标特征点描述算子间特征点距离。

S4、根据步骤S3中特征点距离进行原图像与目标图像的匹配。

本实施例中，步骤S4具体为：

根据步骤S3中原图像内各特征点与目标图像中所有特征点间特征点距离，选择最大特征点距离对应的目标图像中特征点作为原图像中各特征点的匹配点，完成原图像各特征点与目标图像中特征点的匹配。

实际中，原图像各特征点与目标图像中所有特征点间特征点距离最大值，即为原图像与目标图像间描述算子向量点积的最大值，获得原图像该特征点在目标图像中匹配的特征点，完成原图像各特征点与目标图像中特征点的匹配。

如图3所示，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配系统，包括：

特征点检测模块用于采集原图像与目标图像，并检测原图像与目标图像中特征点；

特征点描述算子构建模块用于根据梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

特征点距离计算模块用于根据原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

特征点匹配模块用于根据特征点距离对原图像与目标图像进行匹配。

本发明实施例提供的基于梯度向量的特征点描述算子的图像匹配系统具有上述基于梯度向量的特征点描述算子的图像匹配方法的有益效果。

如图4所示，本发明提供了一种基于梯度向量的特征点描述算子的图像匹配设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的基于梯度向量的特征点描述算子的图像匹配方法的步骤。

本发明实施例提供的基于梯度向量的特征点描述算子的图像匹配设备具有上述基于梯度向量的特征点描述算子的图像匹配方法的有益效果。

本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述的基于梯度向量的特征点描述算子的图像匹配方法的步骤。

本发明实施例提供的计算机可读存储介质具有上述基于梯度向量的特征点描述算子的图像匹配方法的有益效果。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，包括以下步骤：

S1、采集原图像与目标图像，并检测原图像与目标图像中特征点；

S2、根据步骤S1中原图像与目标图像中特征点，分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

S3、根据步骤S2中原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

S4、根据步骤S3中特征点距离进行原图像与目标图像的匹配。

2.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、根据步骤S1中检测出的原图像与目标图像特征点，构建以各特征点为中心的预设大小的特征点邻域；

S22、计算步骤S21中特征点邻域内各邻域点在各方向上的梯度幅值，表示为：

其中，

为特征点邻域内各邻域点在i方向上对应的梯度幅值，p_i为特征点邻域内各邻域点在i方向上像素值，p_c为特征点邻域内邻域中心点像素值；

S23、选择步骤S22中各邻域点在各方向上的梯度幅值大小前两位组成各邻域点的梯度向量；

S24、遍历原图像与目标图像中特征点邻域内各邻域点，根据步骤S23中梯度向量分别构建特征点描述算子，表示为：

V＝(d₁,…,d_m)

其中，V为特征点描述算子，d_m为特征点邻域内各邻域点的梯度向量，m为特征邻域内邻域点总数。

3.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S3具体为：

依次计算步骤S2中原图像各特征点描述算子与目标图像中所有特征点描述算子间向量点积，并对计算结果进行归一化，得到原图像内各特征点与目标图像中所有特征点间特征点距离。

4.根据权利要求3所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S3中对原图像各特征点描述算子与目标图像中所有特征点描述算子的归一化向量点积的计算方式表示为：

其中，s_k为原图像与目标图像中各特征点间描述算子的归一化向量点积，n为描述算子向量维度，V_s为原图像中各特征点描述算子，V_d为目标图像中各目标图像特征点描述算子，d_sl与d_dl分别为原图像和目标图像中特征点描述算子中第l维向量，

分别表示第l维向量中原图像的最大梯度数值与第二大梯度数值；

和

分别表示第l维向量中目标图像的最大梯度数值与第二大梯度数值。

5.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S4具体为：

根据步骤S3中原图像内各特征点与目标图像中所有特征点间特征点距离，选择最大特征点距离对应的目标图像中特征点作为原图像中各特征点的匹配点，完成原图像各特征点与目标图像中特征点的匹配。

6.一种基于梯度向量的特征点描述算子的图像匹配系统，应用权利要求1至权利要求5任一所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，包括：

特征点检测模块用于采集原图像与目标图像，并检测原图像与目标图像中特征点；

特征点描述算子构建模块用于根据梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

特征点距离计算模块用于根据原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

特征点匹配模块用于根据特征点距离对原图像与目标图像进行匹配。

7.一种基于梯度向量的特征点描述算子的图像匹配设备，应用权利要求1至权利要求5任一所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至权利要求5任一项所述的基于梯度向量的特征点描述算子的图像匹配方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至权利要求5任一项所述的基于梯度向量的特征点描述算子的图像匹配方法的步骤。

Images