基于SIFT和Hu特征融合算法研究.docVIP

基于SIFT和Hu特征融合算法研究 　　摘 要 基于SIFT和Hu特征融合的单目视觉识别算法是一种融合了局部特征和整体特征的不变矩融合算法。通过基于SIFT和Hu特征融合的单目视觉识别算法能够对三维物体图像的整体信息进行定义和把握，进而实现对物体的合理定位分析。另外，局部特征能够辅助全局特征对三维物体的特征进行更准去的定位和匹配。这种算法具有良好的伸缩能力、旋转能力、位移能力和抵抗能力，能够有效解决三维物体的匹配问题，同时提升系统的识别能力和工作效率，基于此，文章对SIFT和Hu特征融合的单目视觉识别算法进行研究。 　　【关键词】SIFT Hu 单目视觉识别 算法研究 　　单目视觉技术在现阶段被广泛应用在工业的在线识别系统中，为工业自动化的发展提供了良好的支持，得到了越来越多相关人士的重视，特别是在对物体识别和定位处理上有着广阔的应用前景。单目视觉技术中的目标识别定位大多以图像匹配技术为基础，按照不同匹配基元、匹配方法来对物体进行区域匹配、相位匹配以及特点匹配等。机器的单目视觉技术匹配识别算法由传统的实验室应用转为实际应用，比如利用该视觉识别方法对行人和车辆进行有效识别的实际应用。文章提出了一种基于SIFT和Hu融合的单目视觉识别算法，通过这种算法能够对物体目标在运动、声音、遮挡等因素干扰的情况下进行有效匹配，同时提升匹配的效率。因此有必要具体对此算法进行分析和研究。 　　1 基于SIFT和Hu特征融合的算法的总体设计 　　基于SIFT和Hu特征融合的算法流程是三维目标识别系统的关键，对其具体的工作方式有着决定性作用，步骤体现在以下几方面： 　　1.1 单目摄像机的标定标准 　　摄像机标定的目的是实现三维图像坐标和世界坐标之间关系的建立，继而有效识别三维目标，为接下来的抓取处理做铺垫。 　　1.2 实现对图像的采集 　　主要是利用单目摄像机来对三维物体的图像序列进行采集，以太网的作用下将其信息传输到计算机内部，并在视觉软件的应用下对其应用模式进行识别和处理。 　　2 基于SIFT和Hu特征融合的算法的分层设计研究 　　2.1 单目摄像机的标定 　　基于SIFT和Hu特征融合的算法中单目摄像机的标定是其算法检测领域中的关键问题，标定参数的精确程度对最后的测量结果有着直接的影响，因此，需要对单目摄像机的标定进行关注。单目摄像机的标定一般包括对摄像机几何模型的确定以及对模型参数设置两方面内同。摄像机的标定法多数应用的是棋盘格标定模板，利用摄像机拍摄的三种模板图像特点来确定最终的参数。 　　2.2 对Hu不变矩的确定 　　矩是由概率理论衍生出来的一种重要数字特征，具有直观的物体意义。Hu不变矩是由叫做Hu的人提出的一种二维不变矩理论，主要是用来对图像平移、图像大小、图像旋转等特征获取的方法。其匹配的实质是根据已有的图像特点来从目标测定的图像中寻找相似图像的过程。基于SIFT和Hu特征融合的三维物体特征获取主要使用的是Hu不变矩方法。这几种矩阵在平移、位移以及旋转的情况下保持了不变的特性。这种矩阵布局特征在总体上反映了三维物体图像的总体信息，包括对三维物体图像位置信息的全面确定。 　　2.3 SIFT目标识别 　　全局特征虽然在总体上对三维物体图像的整体信息进行了反应，且能够对特征进行匹配。但SIFT能够从不变的关键点中来提取出图像的特征信息，是相对于全局特征而言的一种局部特征提取算法。基于SIFT和Hu特征融合的单目视觉识别算法对SIFT目标识别的应用能够在搜索方式和对错输的剔除上进行改进，进而提升识别的及时性。 　　SIFT能够根据三维目标的信息来对局部信息进行匹配，进而有效提升识别算法的时间，具体包括以下几个步骤：首先，实现对尺度空间的构建，加强对极值点的检测，从而获得不变性的尺度。具体的空间定义公式如下所示，其中，I指的是二维图像，G指的是二维高斯函数，（x，y）是空间坐标。计算出的值越小则代表图像被平滑的可能性越小，对应的尺度也越小。计算出的小尺度一般用来对图像特征的检测，大尺度一般用来对图像概貌特征的检测。 　　DoG算子和尺度归一化的函数计算公式采用的是高斯金字塔方法，不同尺度因子的高斯核对图像卷积得到的图像尺度空间不同，通过层层依次类推能够得到最终的第三层高斯图像。之后将获得的高斯图像以层层递减的方式对每层图像相减。这种图像的函数和归一化的高斯拉普拉斯图像函数计算方法相似，因此能够从高斯差分结构图像中提出具有局部特征的点。将DoG尺度空间计算获得的点和相邻的尺度位置点进行比较，能够得到局部极值的具体位置点信息和对应的尺度。 　　3 总结 　　综上所述，基于SIFT和Hu特征融合的算法对三维物体特征的识别和研究具有重要的意义，通过这种融合算法能够有效完成三维物体识别的匹配任务，同时