的解决了自然特征的匹 配问题。
[0026] 将摄像机坐标系中的重屯、方向依据摄像机成像模型投射到图像平面，得到特征点 的重屯、方向，对特征点沿重屯、方向对齐，计算重屯、方向与特征点邻域像素亮度的主方向之 间夹角，将其作为特征点的一个描述。带重屯、方向的特征点匹配时，首先进行夹角相似性判 定，设定一个阔值，判断夹角差的绝对值小于该个阔值；再进行传统的最短距离捜索。它在 一定程度上克服了传统特定点检测方法对于相似结构的特征点难W区分的缺点，也节省了 描述算子匹配时间，在性能上优于传统的方法。
[0027] 普通的智慧医疗终端带有；加速度传感器、姿态传感器，和巧螺仪等传感设备。加 速度传感器为每一图像图像提供了重屯、方向，用S维的矢量表示，如g = [gx，gy，gz]T，通常 在摄像机坐标系中对g进行正则化II g II =1，并将重屯、矢量投影到图像所在二维平面上， 计算投影平面的图像像素点P重屯、方向图像中点P = [U，V，1]T处的重屯、方向矢量为d = P' -P，
[00測其中d =[屯，dv，0]T为点P处的重屯、方向，P'由下式计算得出；
[0029] P' = [Wu'，Wv'，W] T = P+Kg
[0030] 其中K =为终端照相机的内参矩阵。d也可W通过一种计算量较小的近似方法求 得：
[0031 ] d = [gx (Pu_U) +fugx，gx (Pv_V) +fvgy，0] T
[0032] 由d可计算出图像中像素点重屯、方向的角度为
[003引 日 g= arctan(dv/du)
[0034] 其中[Pu，Py]T是主点坐标，f u、fy是水平与垂直方向的焦距。
[0035] 在本发明又一实施例中，为了实现实时目标跟踪，并适应目标尺度的变化，利用动 态自适应随机测量矩阵提取各尺度样本的尺度不变压缩特征矢量，W描述多尺度目标特征 点。
[0036] 假设起始图像中，目标尺寸为wXh，并规定初始状态下目标的尺度S为1。初始图 像对应的原始高维正则化矩形特征矢量U = (Ui，U2，…，i〇T，维数n = (wh)2。构造初始 随机测量矩阵R0 e R-xn，m为压缩特征矢量维度。R0由初始目标尺寸确定，在识别的起始 阶段构造，在跟踪过程中保持不变。由于R0十分稀疏，因此只需要存储和计算随机矩阵中 的非零元素（包括非零元值、非零元所对应的正则化矩形特征值相应矩形的左上角顶点坐 标、宽度和高度信息），降低了算法的时间和空间复杂度。
[0037] 对尺度为S的样本z,G Rswxsh，其对应的原始正则化矩形特征矢量U' = (U' 1， u'2,…，uV)T，维数n'= (s2wh)2。首先，依据样本尺度S，对R0作变换得到尺度S下相应 的随机测量矩阵氏G R-xn'。假设R0中某个非零元对应于矩形区域（c'，r'，w'，h')， C'和r'为矩形左上角顶点坐标，W'和h'为矩形尺寸。那么，转换后氏中的相应非零元值 rSy.与r"相同，但相应矩形参数变为（C' ? s，r' ? s，w' ? s，h' ? S)。利用转换后的随机 矩阵氏，得到相应尺度下的目标样本的m维压缩特征矢量V =邮'，由于氏同样稀疏，因此 只需利用积分图计算非零元所对应的U'中的正则化矩形特征值。当S取n/4时，可W看出， 随机测量矩阵R0及氏中每行最多有C个非零元（C《4)，实际实现中，提取某样本特征的 计算复杂度仅为〇(c ? m)，且利用积分图方法使得每个正则化矩形特征值仅需要一次乘法 和3次加法运算即可得到。
[003引可选地，在图像特征点的描述中，本发明选用计算速度更快、内存负载更低的，鲁 椿性更好的SURF描述算子。SURF是一种二值描述算子，采用固定的采样模式，W特征点为 中屯、的较近邻域内放置的采样点密度较大，而且每个采样点的高斯核参数较小；而离特征 点较远的边缘区域，采样点的密度小而且高斯核参数较大。该与我们平日感受中的距离视 野中屯、越远的物像越模糊的主观经验相符。
[0039] SURF特征主方向的计算使用局部梯度来表示特征主方向，计算梯度的采样点对的 选取，使用简单的相对于中屯、点对称的几组采样点对。
[0040] 特征主方向的梯度
[0041]
【主权项】
1. 一种目标实时识别方法，其特征在于，包括： 使用基于尺度空间的角点检测方法检测医疗终端所捕获图像的特征点； 利用动态自适应随机测量矩阵提取各尺度样本的尺度不变压缩特征矢量，W此描述多 尺度目标特征点； 建立描述算子的多级索引结构，完成相似描述算子的快速捜索。
2. 根据权利要求1所述的方法，其特征在于，所述检测医疗终端所捕获图像的特征点， 进一步包括： 首先在图像离散尺度空间中每一层捜索突出性的角点，使用像素亮度作为比较指标， 衡量待测点的突出性，作为候选特征点；如果中屯、点与邻域点的亮度差小于预定义灰度阔 值，则确定为中屯、点与邻域亮度相近，将纳入候选特征点中，然后对候选特征点集，在其尺 度空间相邻的上下两层的邻域内实行非极大值抑制，剔除非极大值的点，保留在尺度空间 的邻域中具有独特性的唯一的特征点。
3. 根据权利要求2所述的方法，其特征在于，利用动态自适应随机测量矩阵提取各尺 度样本的尺度不变压缩特征矢量，W此描述多尺度目标特征点，进一步包括： 若起始图像目标尺寸为WX h，并设定初始状态下目标的尺度S为1，则初始图像对应的 原始高维正则化矩形特征矢量u= (Ui，U2,…，i〇T，维数n= (wh)2,构造初始随机测量矩 阵R0 G rxn，其中m为压缩特征矢量维度，R0由初始目标尺寸确定，在识别的起始阶段构 造的R0在目标跟踪过程中保持不变，只存储和计算随机矩阵中的非零元素，所述非零元素 包括非零元值、非零元所对应的正则化矩形特征值相应矩形的左上角顶点坐标、宽度和高 度信息； 对尺度为S的样本z,G Rswxsh，其对应的原始正则化矩形特征矢量U' = (u'i，u'2,…， u\.)T，维数n' = (s2wh)2,在向量提取过程中，首先，依据样本尺度S，对R0作变换得到尺 度S下相应的随机测量矩阵氏G R-xn'，若R0中某个非零元对应于矩形区域（C'，r'， w'，h' )，c'和r'为矩形左上角顶点坐标，W'和h'为矩形尺寸，则转换后氏中的相应非零 元值与r"相同，相应矩形参数变为（C' -s，r' -s，w' -s，h' -S)，利用转换后的随 机矩阵氏，得到相应尺度下的目标样本的m维压缩特征矢量V =氏U'，利用积分图仅计算非 零元所对应的U'中的正则化矩形特征值，仅通过一次乘法和3次加法运算得到每个正则化 矩形特征值。
4. 根据权利要求3所述的方法，其特征在于，该方法还包括： 当完成查询图像的描述算子匹配W后，判断相似特征点的数量占样本图像和查询图像 本身的比重是否大于设定的阔值来决定是否捜索到成功匹配的样本， 计算查询图像的特征矢量集与样本图像库中所有特征矢量集的匹配点数量，选定匹 配点数量最多的一张图像，并测试匹配率，当匹配率大于设定一个阔值为匹配成功的图像， 即： 若匹配率阔值为Mth，查询图像A与选定匹配点数量最多的样本图像B的特征点数量分 别为ki和k 2,匹配点数量为m，如果满足m/ki〉Mth且m/k 2〉Mth，则A和B两张图像的匹配成 功，该样本图像B即为对应的匹配目标。
【专利摘要】本发明提供了一种目标实时识别方法，该方法包括：使用基于尺度空间的角点检测方法检测医疗终端所捕获图像的特征点；利用动态自适应随机测量矩阵提取各尺度样本的尺度不变压缩特征矢量，以此描述多尺度目标特征点；建立描述算子的多级索引结构，完成相似描述算子的快速搜索。本发明提出的目标实时识别方法，识别速度快，内存的占用量少，识别准确率也较高，适合移动平台的视觉搜索。
【IPC分类】G06T7-00
【公开号】CN104616302
【申请号】CN201510058136
【发明人】谢叔阳
【申请人】四川中科腾信科技有限公司
【公开日】2015年5月13日
【申请日】2015年2月4日