基于ＤＯＧ特征点的序列图像匹配算法.docVIP

基于ＤＯＧ特征点的序列图像匹配算法 　　摘要：针对实时匹配的要求，提出一种基于DOG特征点的快速图像匹配算法，用以匹配只存在平移和较小旋转的序列图像。该算法通过求高斯差分算子在尺度空间上的局部极大值和极小值提取特征点，然后根据圆旋转不变特性生成20维的旋转不变特征描述子，并充分利用特征点的区域特征和灰度特征进行匹配，最后根据序列图像对应特征点之间的距离基本保持不变的特性剔除错误的匹配点。实验结果表明该算法快速有效。而且对噪声影响不敏感，具有很强的实用性。 　　关键词：图像匹配；特征描述子；尺度空间；高斯差分算子 　　中图分类号：TP391 　　文献标识码：B 　　文章编号：1004―373X(2008)02―128―03 　　 　　1 引 言 　　 　　图像匹配就是将从同一目标录取的各幅图像在空间上对准。目前，该技术已广泛应用于机器人视觉、图像镶嵌、目标识别、虚拟现实等众多领域当中。已有的图像匹配算法大致可以分为2类：基于象素灰度值的匹配和基于几何特征的匹配。前者直接利用图像象素值进行匹配，匹配精度较高，但计算量很大；后者计算量较小，易于实现实时匹配，且对噪声不太敏感。本文主要研究利用特征点及其特征描述子进行匹配的算法。 　　基于特征点的匹配算法通常先从待匹配的图像中提取特征点，然后利用特征点的特征描述子将待匹配图像中的特征点对应起来，进而实现图像的匹配，因此提取特征点和依据特征描述子建立特征点的对应关系是这类算法的主要步骤。MOPs(Muti－scale Oriented Patches)算法将Harris角点作为特征点，用64维的旋转不变特征描述子进行匹配，对图像旋转有一定的适应性，但特征点提取及描述子生成均须大量计算；改进的MOPs算法克服MOPs算法在处理旋转图像方面的不足，提出一种97维的特征描述子，而且描述子生成过程较为简单，但由于用Harris算法提取特征点，整个匹配过程的运算量依然较大；SIFT(Scale Invariant Feature Transform)算法通过求高斯差分算子在尺度空间上的局部极大值和极小值提取特征点，用128维的SIFT特征描述子进行图像匹配，对图像旋转、缩放、视角变化均有很好的匹配效果，而且对噪声不敏感，但SIFT描述子生成过程十分复杂，速度较慢。而上述几种算法的共同问题是特征描述子维数过高，不利于硬件实现。 　　因此，本文提出了一种低维且易生成的特征描述子进行匹配的算法，该算法充分利用序列图像的特点，可以快速有效地实现序列图像的匹配。 　　 　　2　DOG特征点算法描述 　　 　　本文算法首先快速提取DOG特征点，然后根据圆的旋转不变性生成20维的特征描述子，结合序列图像的特点快速确定特征点的对应关系，进而实现图像的匹配。 　　 　　2.1 DOG特征点提取 　　经过详细的实验，Mikolajczy发现尺度归一化LOG(Laplaeian Of Gaussian)算子的极值点是十分稳定的特征点，而DOG算子与尺度归一化的LOG算子很接近，且计算简单有效，所以可以用DOG算子代替尺度归一化的LOG算子提取特征点。此外，DOG特征点检测算法还具有检测范围广，抗噪声能力强，检测方式灵活的特点。因此本文采用DOG算子提取特征点。 　　由于受拍摄角度、自然环境变化、摄像机自身缺陷等诸多因素的影响，拍摄的图像存在灰度畸变，因此首先要对待匹配的图像进行高斯滤波预处理。然后用4个高斯卷积核分别与二维图像I(x，y)卷积，得到4幅具有不同尺度的图像L(x，y，σk)，即： 　　 　　由于高斯差分算子对边缘响应很敏感，少量的噪声即可产生不稳定的特征点，因此为了提取较稳定的特征点，必须去除边缘响应。定义不好的高斯差分算子的极值点在沿边缘方向有较大的主曲率，在垂直边缘方向有较小的主曲率，而该点的主曲率与其Hessian矩阵的特征值成正比，因此只需去除Hessian矩阵的特征值之比大于阈值T2的点，即可提取出较为稳定的特征点。 　　 　　2.2特征描述子生成 　　提取出特征点之后，需要找出一种能够很好刻画特征点的特征描述子，进而依据相似性度量实现点对点的匹配。图2表示DOG特征点及其周围的一个圆形邻域，其中圆心为DOG特征点。当图像发生旋转后，以特征点为圆心的每个圆环内的象素值基本保持不变，只是位置发生了改变，因此将每个圆环内的象素值排序，这个序列值在图像旋转后基本上不会发生改变，本文正是依据这一性质在图像L(x，y，σ2)上提取特征描述子。 　　首先生成1×97的特征向量，特征点的象素值为特征向量的第一个元素，将第一个圆环内8个采样点的象素值排序后作为特征向量的第2至第9个元素，余下的以此类推，直至将第5个圆环内28个采样点的象素值排序后作为特征向量的第