基于颜色特征的特征提取方法与流程

本发明属于一种图像处理领域的特征提取方法。

背景技术：

特征提取是图像处理过程中的关键步骤，也是图像分析和图像识别过程中首先要面临的问题。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。颜色作为彩色图像的一个重要特征，在计算机视觉及模式识别领域有着至关重要的地位。随着彩色图像采集成本的降低、计算机处理能力的不断提高以及彩色图像应用的增加，颜色作为特征成为了图像处理领域的热点。以往的灰度图像中的特征提取方法已相当成熟，例如，尺度不变特征描述符(Scale Invariant Feature Descriptor,SIFT)算法被广泛应用于特征点的提取，其具有旋转和尺度不变性，但通常只对强纹理和恒定高亮度二维图像比较敏感，对于亮度变化和弱纹理对象会大大降低效果，且实时性不高。

由于彩色图像提供了比灰度图像更为丰富的信息，因此可以利用颜色作为特征进行全局匹配实现粗定位，再设置搜索窗口对目标进行精搜索实现精定位，使得在保证精确性的同时提高了实时性，本发明在图像特征提取领域将会具有更广阔的应用前景。

技术实现要素：

本发明的目的是为了克服传统的在灰度图上进行形状，角点等的特征提取，且提取效果不够精确，不能满足实时性要求等问题，提供一种利用比灰度图具有更丰富信息的彩色图像，将颜色作为全局特征进行粗定位，再对局部特征点进行精定位，实现高精度，实时的基于颜色特征的特征提取方法。

本发明的目的是这样实现的：

(1)粗定位过程包含以下步骤：

(1.1)对采集到的图像进行降采样，采样倍数为4倍；

(1.2)将图像由RGB颜色空间转换到LAB空间，并去掉L通道；

(1.3)建立颜色特征库，采集目标颜色信息并保存，对图像中的颜色利用K-means算法进行聚类分析；

(1.4)目标图像与颜色特征库进行匹配，确定最佳匹配位置，实现粗定位；

(2)精确定位过程包含以下步骤：

(2.1)得到粗定位过程中分割出的目标的感兴趣区域；

(2.2)在上述区域的聚类目标颜色中心设置10*10的窗口，进行精搜索；

(2.3)通过搜索窗口的搜索提取出特征点；

(2.4)将提取到的特征点进行匹配，实现精定位。

本发明的有益效果在于：本发明所述方法包括一种将图像粗定位和精确定位相结合的改进彩色图像特征匹配方法。粗定位中的金字塔降采样方法使得图像的分辨率降低了4倍，但图像中的颜色信息都还保留，彩色图像处理速率却大大提高，改善了以往彩色图像处理速度慢的缺点，实现了彩色图像处理的实时性；粗定位中采用的将图像由RGB颜色空间转换到LAB空间，并去掉L通道的方法降低了彩色图像对亮度的依赖，相比灰度图像处理常因为亮度的变化影响处理效果更具有稳定性；精定位过程中设置的10*10搜索窗口也提高了搜索结果的精度。本发明所述方法具有实时性强、稳定性好、精度高的特点，是一种新的有效的彩色图像处理方法。

附图说明

图1是本发明所述方法流程图。

图2是粗定位方法的基本框架图。

图3是精确定位方法的基本框架图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明解决其技术问题所采用的技术方案是：图1所示的方法流程图简明的介绍了整个特征提取过程：相机以10fps的帧速率采集图像，在实时传输的视频中抓拍图像，在图像上提取颜色特征进行颜色匹配，此过程为粗定位；粗定位过程大致分割出目标所在的感兴趣区域，再在此区域中对目标特征点进行提取，将提取到的特征点与源图像匹配，此过程为精确定位。粗定位与精定位相结合实现整个特征提取的总流程。

其中，粗定位过程细化包含以下步骤，如图2所示：

步骤一：对采集到的图像进行降采样，采样倍数为4倍。

步骤二：将图像由RGB颜色空间转换到LAB空间，并去掉L通道，以减少亮度对颜色特征的影响。

步骤三：建立颜色特征库，采集目标颜色信息并保存，对图像中的颜色利用K-means算法进行聚类分析。

步骤四：目标图像与颜色特征库进行匹配，确定最佳匹配位置，实现粗定位。

精确定位过程细化包含以下步骤，如图3所示：

步骤一：得到粗定位过程中分割出的目标的感兴趣区域。

步骤二：在上述区域的聚类目标颜色中心设置10*10的窗口，进行精搜索。

步骤三：通过搜索窗口的搜索提取出特征点。

步骤四：将提取到的特征点进行匹配，实现精定位。

相机以10fps的帧速率采集图像，在实时传输的视频中抓拍图像。图像分为源图像及目标图像，源图像作为采集颜色特征的图像；目标图像为实时图像与源图像进行匹配。在图像上提取颜色特征进行颜色匹配，此过程成为粗定位；粗定位过程大致分割出目标所在的感兴趣区域，再在此区域中对目标特征点进行提取，将提取到的特征点与源图像匹配，此过程为精确定位。粗定位与精定位相结合实现整个特征提取的总流程。

其中，粗定位过程细化包含以下步骤，如图2所示：

步骤一：采集的图像分辨率为1116*1956，为了满足实时输出的要求，对图像进行金字塔降采样，采样倍数为4倍。经过降采样后的图像分辨率变为279*489，但图像中的颜色信息未发生变化，图像处理的速率却得到了提高。

步骤二：将图像由RGB颜色空间转换到Lab空间，Lab颜色空间选取三个互相垂直的坐标轴,L轴体现明度，白处于顶端，黑处于底端；彩色的特性由a轴与b轴一起表达，红色的变化用a轴正方向体现，绿色的变化则是负方向体现；黄色的变化用b轴正方向体现，蓝色的变化用负方向。去掉L通道，只保留a、b两个表示颜色信息的通道，以减少亮度对颜色特征的影响。

步骤三：建立颜色特征库，在源图像中反复提取目标颜色信息并保存，等待与目标图像进行匹配。如目标颜色有k种，即提取k种颜色模板，同时对图像中的颜色模板利用K-means算法进行聚类分析。提取时应注意将目标颜色提取完整，避免因颜色信息的缺失导致匹配错误。

步骤四：目标图像与源图像的颜色特征库进行匹配，确定最佳匹配位置，并得到聚类中心。如目标颜色有k种，即得到k+1个聚类中心，实现粗定位。

精确定位过程细化包含以下步骤，如图3所示：

步骤一：得到粗定位过程中分割出的目标的感兴趣区域和聚类中心。

步骤二：在上述区域的聚类目标颜色中心设置10*10的窗口，进行精搜索。

步骤三：通过搜索窗口的搜索提取出特征点，特征点包括角点，中心点，重心点等。

步骤四：将提取到的特征点与源图像中的特征点进行匹配，实现精定位。