专利名称：一种基于亚像素级特征点检测的图像匹配方法
技术领域：
本发明属于模式识别领域，涉及图像处理和计算机视觉等技术，特别是涉及特征 检测，物体识别，目标跟踪等。
背景技术：
图像特征检测是计算机视觉中的基本问题，稳定高效的图像特征检测算法为其他 问题的解决提供坚实的底层基础。随着技术的发展以及硬件设备价格的逐渐降低，照相机 和摄像机已经成为人们日常生活中广泛应用的器材之一。人们对场景感知的要求从原来的 二维感知转化为三维感知，即感知真实世界中物体的三维形态和场景的三维姿态。由于真 实世界中物体的变化多样，对实际物体直接进行三维建模或对场景进行空间标定消耗了大 量的人力物力资源。通过图像对三维物体建模或对三维场景进行重建是近年来备受关注的 前沿研究方向之一，它从照相机或摄像机捕捉的图像中检测、识别、跟踪物体和场景并对其 行为三维空间中的姿态进行估计。尽管目前已有的计算机三维重建技术已经被广泛的使 用，但其中几个重要的问题仍然值得探讨。这些问题是准确性，稳定性和高效性。因此，作 为计算机视觉中的底层问题，图像特征点检测在这三个问题上的研究尤为重要。针对这三 个问题，开发出一套准确性高，稳定性好，能够实时进行图像特征检测算法，对实际的应用 做好铺垫。图像中存在具有良好定位能力和区分能力的点。人们可以轻易的从图像中找出具 有代表性的这些点。但是，对计算机来说，图像中特征点的检测是个十分困难的问题。这些困难的问题一般可以归结为以下几个方面光照的变换，视角的表换，摄像机 引起的模糊，物体姿态引起的变化等等。近年来，针对视角变化的方法被人们广发的关注。 图像尺度的变换作为图像基本的变换之一，在计算机视觉中有着极为重要的研究价值。针 对图像的尺度变换所进行的特征检测对这个问题有着极为重要的意义。
发明内容
现有的图像尺度不变的特征检测子基于图像的局部高斯模型；对于图像中稳定的 尺度不变的特征点的求取，一般是建立在图像高斯金字塔的二阶差分矩阵上的；但是边缘 等不稳定的图像特征对图像特征点的提取有着较大的负面影响，如何在图像检测中有效的 避免边缘等不稳定的特征点有着极为重要的研究意义；为了解决现有技术的问题，本发明 的目的是提供一种基于图像局部高斯模型的尺度不变的亚像素级特征点检测的图像匹配 方法。为了实现上述目的，本发明提供一种基于亚像素级图像特征点检测的图像匹配方 法，该方法步骤包括步骤Sl 对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于 8个像素，获得降采样图像，再对每个降采样图像进行等比数列方差的高斯滤波，得到连续 的递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔；
步骤S2 对已建立待检测图像的高斯金字塔求取x方向的二阶导数Ixx，求取y方 向的二阶导数Iyy，求取xy方向的二阶导数Ixy ；步骤S3 求取待检测图像的高斯金字塔的海森(Hessian)矩阵即为[Ixx，Ixy ； Ixy，Iyy]，求取哈瑞斯(Harris)函数值为 C = IxxX Iyy-Ixy X Ixy-kX (Ixx+Iyy)2，其中 k 取值范围为W.04-0. 16]；步骤S4 求取待检测图像的高斯金字塔Harris函数值的所有局部极大值点；步骤S5 对待检测图像的高斯金字塔的Harris函数值上的每个局部极大值点和 其周围的26(3X3X3-1)邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点 数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有 特征点。其中，所述获得降采样图像的具体步骤如下步骤S11 对待检测图像进行平滑滤波进行噪声去除，得到去噪的图像；步骤S12 对去噪的图像进行降采样，得到降采样图像；步骤S13 对降采样图像重复步骤S11和步骤S12，直到降采样的图像的最小变长 小于8像素。其中，求取局部极大值点步骤步骤S31 检测待检测图像的高斯金字塔中的每一个点的值是否为其26 = 3X3X3-1邻域中的极大值，若是，此点坐标为一个特征点的初始坐标；步骤S32 将所有待检测的高斯图像金字塔中的特征点存入特征点队列。其中，亚像素级精度定位的具体步骤如下步骤S41 特征点队列中的每一个特征点x和其周围26邻域的点，在三维空间中 拟合一个二次函数为
T2Z)(X) = Z) + 1xh47”X;D为一个抽象的三维函数，x为这个三维函数的变量，
饭 2 &2
其中T为矩阵的转置；步骤S42 求此二次函数的极值点本身的位置夭=-等f，并更新原有特征点x 的坐标，其中义三维函数的极值点。本发明的有益效果本发明的方法是针对图像尺度的变化能够得到丰富的感兴趣 点，以便在之后的处理中获得大量的图像信息。本发明方法在尺度空间中寻找的点具有极 强的稳定性，对噪声，光照等影响具有抗干扰能力。图像特征检测是计算机视觉问题中的底 层问题，一般作为其他方法的底层信息支持，支撑上层算法，为上层算法提供具有区分能力 强，具有丰富语义的特征点。本发明的方法是易于实现和应用，主要可以应用于如下几个方(1)基于特征跟踪的监控系统，帮助系统对场景中的目标进行跟踪。获得场景中感 兴趣点的行为语义，从而对场景中的事件进行理解。(2)基于图像特征点匹配的三维物体建模系统，用于对复杂的三维物体进行形态 分析和三维重建，对虚拟现实有重大的作用(3)基于特征跟踪的增强现实系统，用于通过对图像中静态特征点的跟踪获得场 景的三维空间信息，从而通过虚拟的物体增强场景的内容。
(4)基于局部特征的物体识别和分类，对全局信息较不稳定的场景进行局部特征 提取，能够有效的应对遮挡，位置变化，尺度变化等问题。
图1示出基于图像金字塔的构建结果；图2示出Harris函数值结果；图3示出26邻域求局部极大值；图4是本发明方法的流程图。
具体实施例方式下面结合附图详细说明本发明技术方法中所涉及的各个细节问题。基于图像局 部高斯模型的特征检测算法提高了图像特征检测的稳定性，特征的丰富性和精确性。利用 哈瑞斯Harris函数对边缘的抑制，本发明实现了一个亚像素级图像特征检测和匹配系统， 如图1示出图像金字塔的建立，图2所示图像海森Harris函数值的求得，图3示出26邻域 求局部极大值，本发明的方法基于图像，建立图像的尺度金字塔；基于Hessian矩阵，求取 Harris函数值；进行非最大抑制，求取稳定的极值点；进行亚像素级特征点精确定位，如图 4示出本发明方法的流程，具体方法如下建立图像的高斯金字塔步骤对待检测图像进行降采样，直到图像的长和宽中较 小的一个小于8个像素，对每个降采样的图像进行等比数列方差的高斯滤波，得到连续的 递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔。求取Hessian矩阵和求Harris函数值金字塔步骤对已建立好的待检测图像的 高斯金字塔求取X方向的二阶导数Ixx，求取y方向的二阶导数Iyy，求取xy方向的二阶导 数Ixy。则求取待检测图像的高斯金字塔的Hessian矩阵为[Ixx，Ixy ;Ixy, Iyy]。求取 Harris 函数值为 C = IxxXIyy-IxyXIxy-kX (Ixx+Iyy)2，其中 k取值范围为
.求局部极大值步骤对Harris函数值金字塔求所有的局部极大值点，将局部最大 值点加入特征点队列；所述26邻域是3维空间中的邻域。亚像素级精度定位步骤S4 对对待检测图像的高斯金字塔的Harris函数值的每 个局部极大值点或称特征点和其周围的26个点共同拟合3维空间的二次函数，并将二次函 数的极值点的浮点数级位置作为极值点本身的位置，对极值点位置进行亚像素级精度定位 的修正。所述每个特征点周围的26个点是3维空间中的邻近点。本发明的方法需要的硬件最低配置为P43.0G CPU，512M内存的计算机。在此配 置水平的硬件上，采用C++语言编程实现本方法。下面对本发明的方法涉及的关键步骤进 行逐一详细说明，本发明的方法中的基本步骤相同，具体形式如下所述首先，图像高斯金字塔的建立原始图像大小为316X198像素。图像特征的提取主要是通过获得具有梯度稳定 的点来获得的。特征尺度空间和图像坐标空间中稳定的点是我们所关心的目标。为了获得 图像尺度空间的信息，我们需要建立图像的高斯金字塔，通过迭代的方式进行图像逐步高 斯模糊，建立图像金字塔，高斯模糊的方差从0. 5到2。并且对图像进行降采样，对降采样后 的图像同样进行逐步的高斯模糊，最终获得所有尺度上的图像。
对降采样后的图像按照原来图像的方法重复进行降采样，得到一组大小递减的图 像，对这些图像同样进行逐步的高斯模糊，如图1所示。降采样的最小一层大小保证图像的 最小变边长大于8像素即可其二，建立Harris特征函数值金字塔对图1中所有建立的图像求取x，y，xy三个方向的二阶导数，并使用Harris函数 求得函数值C = IxxXIyy-IxyXIxy-kX (Ixx+Iyy)2。结果如图 2 所示。其三，求局部极大值以获得稳定的特征点对所有图像中的每一个点求取非最大抑制，将所有是局部极大值的点保存到一个 队列中去。非最大抑制所使用的26邻域如图3所示。其四，求取局部极大值点的亚像素位置对Harris图像金字塔中的每个点和与其相邻的6个像素(三维空间的26邻域) 拟合二次函数； D为一个抽象的三维函数，x为这个三维函数的变量，
^ 2 dxZ
求此二次函数的极值点交=-^f-，用三维函数的极值点；更新原有特征点X的坐标，
使得X从整数精确化为浮点数。此即为所有特征点的亚像素精度级位置，其中T为矩阵的转置。总之，本发明提出了一种简单有效的基于图像局部高斯模型的亚像素级特征点检 测算法。在国际上的一些数据库上进行了大量的实验，验证了我们方法的有效性和稳定性。 本发明易于实现、性能稳定。本发明能够提高图像特征点检测的稳定性，本发明所检测的亚 像素级特征点对旋转，光照，尺度等变换均有很强的鲁棒性，对图像拼接，跟踪等计算机视 觉高层方法有良好的保障。以上所述，仅为本发明中的具体实施方式
，但本发明的保护范围并不局限于此，任 何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在 本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
权利要求
一种亚像素级图像特征点检测的图像匹配方法，其特征在于步骤S1对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于8个像素，获得降采样图像，再对每个降采样图像进行等比数列方差的高斯滤波，得到连续的递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔；步骤S2对已建立待检测图像的高斯金字塔求取x方向的二阶导数Ixx，求取y方向的二阶导数Iyy，求取xy方向的二阶导数Ixy；步骤S3求取待检测图像的高斯金字塔的海森(Hessian)矩阵即为[Ixx，Ixy；Ixy，Iyy]，求取哈瑞斯(Harris)函数值为C＝Ixx×Iyy-Ixy×Ixy-k×(Ixx+Iyy)2，其中k取值范围为
；步骤S4求取待检测图像的高斯金字塔Harris函数值的所有局部极大值点；步骤S5对待检测图像的高斯金字塔的Harris函数值上的每个局部极大值点和其周围的26(3×3×3-1)邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有特征点。
2.按权利要求1所述的图像特征点检测的图像匹配方法，其特征在于所述获得降采 样图像的具体步骤如下步骤S11 对待检测图像进行平滑滤波进行噪声去除，得到去噪的图像；步骤S12 对去噪的图像进行降采样，得到降采样图像；步骤S13 对降采样图像重复步骤S11和步骤S12，直到降采样的图像的最小变长小于 8像素。
3.按权利要求1所述的图像特征点检测的图像匹配方法，其特征在于求取局部极大 值点步骤步骤S31 检测待检测图像的高斯金字塔中的每一个点的值是否为其26 = 3X3X3-1 邻域中的极大值，若是，此点坐标为一个特征点的初始坐标；步骤S32 将所有待检测图像的高斯金字塔中的特征点存入特征点队列。
4.按权利要求1所述的图像特征点检测的图像匹配方法，其特征在于亚像素级精度 定位的具体步骤如下步骤S41 特征点队列中的每一个特征点x和其周围26邻域的点，在三维空间中拟合 一个二次函数为=+ |尸为一个抽象的三维函数，x为这个三维函数的变量，其中T& 2 dx2为矩阵的转置；步骤S42 求此二次函数的极值点本身的位置i 二-^-f，并更新原有特征点x的坐 标，其中义三维函数的极值点。
全文摘要
本发明公开一种基于亚像素级特征点检测的图像匹配方法，对待检测图像进行降采样，直到待检测图像的长和宽中较小的一个小于8个像素，获得并对每个降采样图像进行等比数列方差的高斯滤波，得到连续的递进高斯模糊的图像，方差的最大值为2，建立并获得待检测图像的高斯金字塔，求取x方向的二阶导数Ixx、y方向的二阶导数Iyy、xy方向的二阶导数Ixy；求取待检测图像的高斯金字塔的海森矩阵、哈瑞斯函数值的所有局部极大值点；对哈瑞斯函数值上的每个局部极大值点和其周围的26邻域点共同拟合三维的二次函数，并用二次函数的极值点的浮点数位置更新此极值点的位置，对极值点位置进行亚像素级精度定位的修正，最后输出所有特征点。
文档编号G06K9/46GK101877063SQ20091024154
公开日2010年11月3日 申请日期2009年11月25日 优先权日2009年11月25日
发明者余轶南, 谭铁牛, 黄凯奇 申请人:中国科学院自动化研究所