一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法
【专利摘要】本发明公开了一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法，其采用一种能够自动确定类别数的惩罚控制竞争学习聚类算法得到参考特征集和待匹配特征集的聚类结果，然后用参考特征集中的所有中心单元构建一个父层K-D树，用每个类中的每个样本作为节点组成一个子层K-D树，进行匹配时将待匹配特征集的每个类的中心单元作为父查询目标在父层K-D树中找出最近邻节点，再将待匹配特征集的每个类中的每个样本作为子查询目标，在该类对应的父查询目标的最近邻节点所属类的子层K-D树中找出该类对应的每个子查询目标的最近邻节点，将每个子查询目标与其最近邻节点作为一个特征匹配对；优点是特征匹配对的数目不多，降低了计算复杂度，提高了图像匹配效率。
【专利说明】-种基于惩罚控制竞争学习聚类算法的特征分层匹配方法
【技术领域】
[0001] 本发明涉及一种图像匹配技术，尤其是涉及一种基于惩罚控制竞争学习聚类算法 的特征分层匹配方法。
【背景技术】
[0002] 图像匹配用于将不同传感器在不同时间、不同成像条件下获取的关于同一目标或 背景的两幅或多幅图像在空间上对准（主要体现在几何意义上），或根据已知模式到另一 幅图像中找到相应的模式。
[0003] 图像匹配是计算机视觉的一个重要研究内容，图像匹配己经成为图像处理、模式 识别、信号检测与估计等多种理论和技术交叉而产生的一门学科分支，对人工智能、图像拼 接、医学诊断等领域起着重要的作用。
[0004] 在过去几十年内很多学者在该领域做了大量的工作，针对不同的研究领域提出了 许多不同的研究方法。这些方法有着各自不同的特点，根据不同的准则可以进行不同的分 类。总的来说，大致可以分为以下三类：第一类是基于像素的图像匹配方法，该类方法根据 匹配的图像间的相关函数、变换关系等来计算相应的匹配参数，其中最简单也是最常见的 方法就是窗口模板匹配方法。第二类是基于特征的图像匹配方法，该类方法根据待匹配图 像的重要特征之间的几何关系确定匹配的图像间的匹配参数，主要过程分为特征提取和特 征匹配两步，首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集，然后 通过寻找特征集之间的关系求出匹配的图像间的匹配参数。第三类是基于模型的图像匹配 方法，该类方法是根据图像失真的数学模型对图像进行非线性校准的匹配，主要用于非刚 体图像，如人脸和医学图像的匹配，其关键在于模型的选择。上述前两类方法对应于全局几 何变换，通常假定图像中的对象仅是刚性的改变位置和姿态等，而第三类方法对应于局部 几何变换，适合图像中的对象之间的局部的非刚性变换的情形。
[0005] 基于像素的图像匹配方法由于需要把匹配点周围区域的像素点的灰度都考虑进 来进行计算，因此匹配计算量大，匹配速度慢。而基于特征的图像匹配方法由于提取了图像 的显著特征，因此大大压缩了图像信息，计算量小。在基于特征的图像匹配方法中，常见的 特征点检测算法有Moravec算子、Harris算子、SUSAN算子、MIC算子、SIFT算子等等。其中， SIFT算子是比较有代表性的特征提取方法，通过该算子提取的特征具有良好的尺度与旋转 不变性，对图像的仿射变换、三维视觉变化、噪声干扰、光照改变等有较强的鲁棒性，因此被 广泛运用和研究。然而，现有的基于SIFT特征的图像匹配方法存在以下问题：在对两幅图 像的SIFT特征进行配对的过程中，通常需要使用参考图像的特征集作为输入来构建K-D 树，然后将每个待匹配特征作为查询点，在K-D树中使用最近邻搜索算法进行搜索配对，但 是，如果图像的内容比较丰富，则提取出来的特征数量就会增加，使得构建出的K-D树结构 变大，从而延长了搜索时间，特征配对的计算量也会随之上升，造成匹配效率低下。
【发明内容】
[0006] 本发明所要解决的技术问题是提供一种基于惩罚控制竞争学习聚类算法的特征 分层匹配方法，其计算复杂度低，且匹配效率高。
[0007] 本发明解决上述技术问题所采用的技术方案为：一种基于惩罚控制竞争学习聚类 算法的特征分层匹配方法，其特征在于包括以下步骤 ：
[0008] ①选取不同时间、不同成像条件下获取的包含同一目标对象的尺寸大小一致的两 幅图像，随机选择其中一幅图像作为参考图像，将另一幅图像作为待匹配图像；
[0009] ②利用SIFT算子提取参考图像和待匹配图像的所有SIFT特征，将由参考图像的 所有SIFT特征构成的集合定义为参考特征集，将由待匹配图像的所有SIFT特征构成的集 合定义为待匹配特征集，其中，每个SIFT特征为一个128X1维向量；
[0010] ③采用惩罚控制竞争学习聚类算法，分别对参考特征集和待匹配特征集进行聚类 操作，得到参考特征集和待匹配特征集各自的最终的类别数以及每个类的中心单元和每个 类各自拥有的样本；
[0011] ④根据参考特征集的每个类的中心单元和每个类中的所有样本，利用K-D树构建 方法构建得到参考特征集对应的父层K-D树和每个类对应的子层K-D树，然后将待匹配特 征集的每个类的中心单元作为一个父查询目标在父层K-D树中找出对应的最近邻节点，再 将待匹配特征集的每个类中的每个样本作为一个子查询目标，在该类对应的父查询目标的 最近邻节点所属类的子层K-D树中找出该类对应的每个子查询目标的最近邻节点，将每个 子查询目标与其最近邻节点作为待匹配图像与参考图像之间的一个特征匹配对，完成特征 分层匹配。
[0012] 所述的步骤③的具体过程为：
[0013] ③-1、将参考特征集中的每个SIFT特征中的梯度信息作为一个样本，每个样本为 一个128X1维的向量；
[0014] ③-2、令K表示类别数，假设K的初始值为KQ，Ktl e [10, 50];令m表示迭代次数， m的初始值为1 ;
[0015] ③-3、从所有样本中随机选取Ktl个样本，将选取的每个样本作为一个种子单元，假 定每个种子单元代表一个类的中心单元；
[0016] ③-4、将第c个种子单元y。作为获胜单元，然后从所有样本中随机抽取1个样本， 假设该样本为第t个样本，则将该样本记为x t，接着计算除获胜单元y。外的每个种子单元 与Xt之间的欧氏距离，将最小的欧氏距离值对应的种子单元作为竞争单元，假设该竞争单 元为所有种子单元中的第r个种子单元κ，再执行步骤③-5 ;其中，I < c < Ktl, c的初始值 为1，I < t < T，T表示参考特征集对应的所有样本的总个数，I < r < K，r尹c ;
[0017] ③-5、根据获胜单元y。在本次迭代前的获胜次数n。，计算获胜单元y。在本次迭代 中的学习率，记为α。：
【权利要求】
1. 一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法，其特征在于包括以下步 骤： ① 选取不同时间、不同成像条件下获取的包含同一目标对象的尺寸大小一致的两幅图 像，随机选择其中一幅图像作为参考图像，将另一幅图像作为待匹配图像； ② 利用SIFT算子提取参考图像和待匹配图像的所有SIFT特征，将由参考图像的所有 SIFT特征构成的集合定义为参考特征集，将由待匹配图像的所有SIFT特征构成的集合定 义为待匹配特征集，其中，每个SIFT特征为一个128X1维向量； ③ 采用惩罚控制竞争学习聚类算法，分别对参考特征集和待匹配特征集进行聚类操 作，得到参考特征集和待匹配特征集各自的最终的类别数以及每个类的中心单元和每个类 各自拥有的样本； ④ 根据参考特征集的每个类的中心单元和每个类中的所有样本，利用K-D树构建方法 构建得到参考特征集对应的父层K-D树和每个类对应的子层K-D树，然后将待匹配特征集 的每个类的中心单元作为一个父查询目标在父层K-D树中找出对应的最近邻节点，再将待 匹配特征集的每个类中的每个样本作为一个子查询目标，在该类对应的父查询目标的最近 邻节点所属类的子层K-D树中找出该类对应的每个子查询目标的最近邻节点，将每个子查 询目标与其最近邻节点作为待匹配图像与参考图像之间的一个特征匹配对，完成特征分层 匹配。
2. 根据权利要求1所述的一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法， 其特征在于所述的步骤③的具体过程为： ③-1、将参考特征集中的每个SIFT特征中的梯度信息作为一个样本，每个样本为一个 128X1维的向量； ③-2、令K表示类别数，假设K的初始值为Ktl,KtlE[10, 50];令m表示迭代次数，m的 初始值为1 ; ③-3、从所有样本中随机选取Ktl个样本，将选取的每个样本作为一个种子单兀，假定每 个种子单元代表一个类的中心单元； ③-4、将第c个种子单元y。作为获胜单元，然后从所有样本中随机抽取1个样本，假设 该样本为第t个样本，则将该样本记为xt，接着计算除获胜单元y。外的每个种子单元与Xt 之间的欧氏距离，将最小的欧氏距离值对应的种子单元作为竞争单元，假设该竞争单元为 所有种子单元中的第r个种子单元κ，再执行步骤③-5 ;其中，I<c<Ktl,c的初始值为1， I<t<T，T表示参考特征集对应的所有样本的总个数，I<r<K，r尹C; ③-5、根据获胜单元y。在本次迭代前的获胜次数n。，计算获胜单元y。在本次迭代中的 学习率，记为α。，《,.= ，其中，nc的初始值为0,const为平衡参数；然后对获胜单 const + nc 元y。进行更新学习以使获胜单元y。朝xt移动靠近，将更新学习后的获胜单元记为y。11?，y。11? =yc+αC(XtIc);再令 =ycnew，并令 =nc+l,其中，=ycnew 和nc =nc+l中的"="为 赋值符号； 同样，根据竞争单元^在本次迭代前的获胜次数IV计算竞争单元^在本次迭代中的 惩罚率，记为ay=cwnY+w，其中，nr的初始值为〇,const为平衡参数；然后对竞争单 元L进行惩罚以使竞争单元L进行反向移动远离xt，将惩罚后的竞争单元记为y，w，y，w =yr_P(xt-yr)，其中，P=arXDisRatio, ~，符号" | | | | " 为求欧氏距 IK->v| 离符号；再令yr =yrn?，其中，yr =y广中的"="为赋值符号； ③-6、令c=c+1，如果OKtl，则执行步骤③-7,如果c彡Ktl，则返回步骤③-4继续执 行； ③-7、从所有样本中随机抽取1个样本，假设该样本为第t个样本，则将该样本记为xt， 然后计算每个种子单元与Xt之间的距离，接着将最小的距离值对应的种子单元作为获胜单 元，假设该获胜单元为所有种子单元中的第c个种子单元y。，将值次小的距离对应的种子 单元作为竞争单元，假设该竞争单元为所有种子单元中的第r个种子单元再执行步骤 ③-8 ;其中，1彡c彡Κ〇，1彡r彡K。； ③-8、根据获胜单元y。在本次迭代前的获胜次数n。，计算获胜单元y。在本次迭代中的 学习率，记为A，义+ '其中，nc的初始值为0,const为平衡参数；然后对获胜单 元y。进行更新学习以使获胜单元y。朝Xt移动靠近，将更新学习后的获胜单元记为y。11?，y。11? =yc+αC(XtIc);再令 =ycnew，并令nc =nc+l,其中，yc =ycnew 和nc =nc+l中的"="为 赋值符号； 同样，根据竞争单元^在本次迭代前的获胜次数IV计算竞争单元^在本次迭代中的 惩罚率，记为α=c伽对+ "，其中，nr的初始值为0,const为平衡参数；然后对竞争单 元L进行惩罚以使竞争单元L进行反向移动远离xt，将惩罚后的竞争单元记为y^w，y^w Ik-vIl2 =yr-p (Xt-yr)，其中，P=arXDisRatio, ~，符号"I I I| " 为求欧氏距 Ih-兄.| 离符号；再令yr =yrn?，其中，yr =y广中的"="为赋值符号； ③-9、重复执行步骤③-7至步骤③-8共T-Kci次；然后令m=m+Ι，如果m>50,则结束 迭代，再执行步骤③-10,如果m< 50,则令η。= 0, = 0,再返回步骤③-4继续执行，其 中，m=m+Ι中的"="为赋值符号； ③-10、将获胜次数小于次的种子单元剔除；然后统计剩余的种子单元的个数， 将统计得到的个数作为参考特征集最终的类别数，并将剩余的每个种子单元重新确定为一 个类的中心单元；接着计算参考特征集对应的每个样本与重新确定的各个类的中心单元之 间的欧氏距离,将每个样本相对应的多个欧氏距离值中最小的欧氏距离值对应的中心单元 的类标签作为该样本的类标签，从而得到各个类各自拥有的样本； 按照步骤③-1至步骤③-10的操作过程，以相同方式获取待匹配特征集的最终的类别 数，并确定每个类的中心单元，再确定待匹配特征集对应的每个样本的类标签。
3. 根据权利要求2所述的一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法， 其特征在于所述的步骤③-7中种子单元与Xt之间的距离的获取过程为：假设该种子单 元为所有种子单元中的第k个种子单元yk，则将第k个种子单元yk与Xt之间的距离记为 ε(xt,yk), γΑ-IKhll'其中，I<k<Κ,nk表示yk在本次迭代前的获胜次 Luk^Xtlk 数，nk的初始值为0,符号"|II|"为求欧氏距离符号。
4. 根据权利要求3所述的一种基于惩罚控制竞争学习聚类算法的特征分层匹配方法， 其特征在于所述的平衡参数const的取值为1000。
5. 根据权利要求1至4中任一项所述的一种基于惩罚控制竞争学习聚类算法的特征分 层匹配方法，其特征在于所述的步骤④的具体过程为： ④-1、将参考特征集的每个类的中心单元作为一个输入，利用K-D树构建方法构建得 到参考特征集对应的父层K-D树，该父层K-D树中的每个节点代表一个类的中心单元； ④-2、将参考特征集的每个类中的每个样本作为一个输入，利用K-D树构建方法构建 得到该类对应的子层K-D树，该子层K-D树中的每个节点代表该类中的一个样本； ④-3、将待匹配特征集当前待处理的类定义为当前类； ④-4、将当前类的中心单元作为当前的父查询目标，利用BBF搜索方法在父层K-D树中 找出当前的父查询目标的最近邻节点； ④-5、将当前类中的每个样本作为一个子查询目标，利用BBF搜索方法在当前的父查 询目标的最近邻节点所属类的子层K-D树中找出每个子查询目标的最近邻节点，将每个子 查询目标与其最近邻节点作为待匹配图像与参考图像之间的一个特征匹配对； ④-6、将待匹配特征集下一个待处理的类作为当前类，然后返回步骤④-4继续执行， 直至待匹配特征集的所有类处理完毕，完成特征分层匹配。
【文档编号】G06T7/00GK104240238SQ201410439917
【公开日】2014年12月24日 申请日期:2014年9月1日 优先权日:2014年9月1日
【发明者】张锋, 赵杰煜, 文顺, 钟意伟 申请人:宁波大学