弱纹理况下的特征点匹配与检测.docVIP

弱纹理情况下的特征点匹配与检测 摘要：本文提出了一种 引言2 弱纹理特征点的检测5 由于在关于人体模型的图像中，存在着大量的特征不明显点，可以发现这些点具有弱纹理性质，即，在该点的某个领域内不存在角点，边界等显著的纹理特征，令表示图像中某个点的灰度值，则在弱纹理区域中，该点的灰度值具有以下特征： 因此，用传统的Hessian, Harris等特征检测算子无法提取该部分点的特征，这里存在着两个问题： 1.弱纹理区域有何特征。 2.是否存在某种算子可以对这些弱纹理点进行检测。 2.1 弱纹理检测算子 通过图1，我们可以发现这些弱纹理区域具有较强的对称性，且具有较强的各向同性。 图1 当已知一个图像结构，若要在图像中寻找与该结构匹配的区域或特征时通常采用某一算子计算已知图像结构特征与图像中各区域的结构特征来判断。即，可由以下目标函数判断： 其中，表示待匹配的图像，，分别表示已知图像与图像中某一区域, 表示特征提取算子， 表示相应的匹配算子。 实际中，可以通过两个向量之间的夹角来描述两个向量之间的匹配程度。 当=1时，表示两向量方向相同，当=-1时，表示两个向量的方向相反。在图像中，其表示为： 其中表示特征平均值，的目的是去除亮度对匹配的影响。 在图1中，我们可以看到弱纹理区域具有较强的镜像对称性，且对任意的对称轴，都具有对称性，即，对于区域中位置为的点和其关于的对称点，其像素值满足，，因此，我们采用文献[1]中的方法对弱纹理区域进行描述： 其中,表示对称轴的方向，，因此，. 该算子表示区域沿各个对称轴的平均对称性，, 且当时，表示区域为无纹理区域，当越接近0，则表示区域的非对称性越强，即，表示区域的纹理特征越强。图2显示了不同图像的对应的值大小。 图2 可以看出在相同半径下，不同的图像所具有的具有一定的规律性，其中，上面三幅图像为强纹理情况下的所得到的值，可以看出在强纹理情况下，值较小，因此, 表明对强纹理具有有效的检测作用，另一方面，在下面三幅图像中，其中，最左边的图像表示弱纹理区域，可以看出在该区域中值几乎接近最大值1，而中间的图像所得到的值也较大，但其不属于弱纹理区域，在最右边的图中，其得到的值较小，且可以看出该区域具有反对称性，综上，我们可以看出算子对于斑点型区域具有较强的检测能力（我们所说的弱纹理区域属于其中的一种）。 区域半径的选择 在实际中，同一点所包含的区域大小不同，则该点所得到的对称性值也不同，图3为同一幅图像在不同半径下所生成的每个点的对称性图。 原图像 图3 图像中亮度越大的地方表示其值越大，从图3可以看出，半径的变化对值的影响很大，对于小半径下值大的点，其值会随着半径的增大而减小，相反，对于小半径下值小的点，其值会随着半径的增大而增大。图4给出了，采用不同的半径所检测到的对称性点（这里，我 们在图中选取对称性最大的300个点）。 图4 总而言之，该实验说明了对称性检测算子在不同情况下得到不同的对称性检测图与图像中每点实际的对称性和区域半径有关，所以，我们自然会想到对不同的点采用不同的半径进行检测， 因此，我们提出一种机制，为图像中的每个点自动的选择区域半径。 我们所要达到的目标是：(i). 为每个点选取最优的半径来表达该点的对称性信息。(ii). 根据半径的选取，得到最佳对称性点的位置。特别的，对一些弱纹理性较强的点，尽可能选取大的半径，而对一些弱纹理性较小的点，则选取小的半径，并保证弱纹理性强的特征点被选出。且该机制必须能够随着特征点的不同，而采用变化的区域半径。 图5给出了不同图像中的同一点在不同半径下的值变化图。 图5 从图中可以看出，在对称性曲线中的拐点所对应的半径具有较明显的实际意义，为此，我们利用对区域半径进行检测，在连续情况下，可表示为 根据的公式我们可以得到其关于半径的导数如下。为简化起见，我们假设 且R具有一定的容错性。 此外，为了简化计算，我们采用文献[1]中的方法，将圆形区域转化为矩形区域， 实验结果： 基于梯度平方算子的弱纹理区域检测5 尽管基于半径自适应的对称性检测机制可以提取出每个点对应的合适半径，但该方法还会提取出我们所不需要的点，因此，我们需要借助于尺度空间来分析所提取出的点的纹理特征，并根据该特征删除纹理特征强的点。 3.1 线性尺度空间 根据文献[scale selection], 图像的尺度空间表示被定义为： （1） 且其初始条件