一种计算图像局部特征描述子的方法
【技术领域】
[0001] 本发明涉及图像的特征描述方法，具体地说是一种计算图像局部特征描述子的方 法。
【背景技术】
[0002] 图像特征是对图像特性或属性的描述。图像特征的提取和表示是图像处理的基 础，在对图像进行表示时，特征提取非常重要。当前，非常重要的一部分特征为图像的局部 特征。局部特征的提取包括特征点检测和特征点描述。目前存在大量的局部特征提取方法， 但是判断什么是好特征的标准依赖于应用，没有统一的标准来衡量。
[0003] 特征点检测主要目的是确定特征点的位置和尺度等参数。特征检测的输出是关 键点的集合，这些关键点指定了在相应尺度和方向下的抽取的像素的位置。关键点和特征 描述子是不一样的，特征描述子包含了关键点周围邻域像素的信息。为了表示检测到的点 和区域，需要对特征点进行描述。特征描述就是对特征信息进行表述，要求描述后的特征能 够对不同区域具有较好的区分性，并且对于光照和几何变换具有很好的不变性。目前，大 量的局部特征描述方法已经提出来了，大致可以分为基于分布的特征描述方法、基于滤波 的特征描述方法、基于变换的描述方法和生物学启发的特征描述方法。此外的研究还包括 如何在特征描述子中嵌入更多的空间信息以及如何通过机器学习的方法以使特征描述子 的性能更好。近年来，基于分布的特征描述方法受到广泛的关注和应用，理论和实验都证 明这是一种非常有效的方法。David Lowe于2004年提出的SIFT描述子是最有代表性的 一种。SIFT描述子将特征点周围的4 X 4窗口分割成16个子窗口，统计每个子窗口的8个 方向梯度直方图，最终形成128维的特征向量，具体详见David Lowe. Distinctive image features from scale invariant keypoints. IJCV 2004·。SIFT 描述子对于光照变化、背 景遮挡、旋转和尺度变换具有很好的不变性，被认为是性能最好的描述符之一。SIFT描述子 虽然能够很好的使用图像的旋转不变性和平移不变性，但是仍然有改进的余地。
【发明内容】
[0004] 本发明提供一种计算图像局部特征描述子的方法，其提高了图像的判别能力和鲁 棒性。
[0005] 为解决上述技术问题：本发明提出了一种面向计算机视觉的图像局部特征描述 子，一种计算图像局部特征描述子的方法，包括对图像提取SIFT特征描述子，对SIFT描述 子进行变换，获得图像局部特征描述子。
[0006] 优选的是，通过变换矩阵对SIFT描述子进行变换，获得图像局部特征描述子。
[0007] 在上述任一方案中优选的是，所述通过变换矩阵对SIFT描述子进行变换，具体过 程如下：
[0008] 把一个128维的SIFT特征变化成16x8的矩阵，对16x8的矩阵做如下处理：
[0009] spatial_feature = A*feature
[0010] 其中，A为变换矩阵。spatial_feature是一个16x8的矩阵，feature是上述的 16x8的矩阵。
[0011] 在上述任一方案中优选的是，所述获得图像局部特征描述子如下：把矩阵 spatial_feature变换成128维向量之后即为局部特征描述子。
[0012] 在上述任一方案中优选的是，所述变换矩阵求解如下：
[0013] (I) SIFT特征描述子中关键点周围存在16个区域块，把同一个方向的16个区域块 模拟成物理空间中排列的16个像素的小图像；
[0014] (2)对每个16个像素的小图像的像素位置进行标号；
[0015] (3)计算像素之间位置关联矩阵；
[0016] (4)计算变换矩阵。
[0017] 所述步骤⑴中有8个模拟小图像。
[0018] 所述〇取值为0.6。
[0019] 所述步骤（4)中对位置关联矩阵进行分解，分解得到矩阵为变换矩阵。
[0020] 所述步骤（4)中对位置关联矩阵进行cholesky分解。
[0021] 所述步骤⑷中所述像素之间位置关联矩阵是一个16x16的方阵。
[0022] 所述步骤⑷中像素之间位置关联矩阵G计算如下：
[0023] 其中，元素 Glj的计算公式如下：
[0024]
[0025] 其中，i e 1. .. 16, j e 1. .. 16, σ通过实验结果的好坏来确定，Glj的代表i位置 和j位置的距离关联度；
[0026] 所述步骤（4)中所述矩阵A是一个16x16的对角阵。
[0027] 所述步骤（2)中对每个16个像素的小图像的像素位置按着行序进行标号。
[0028] 在上述任一方案中优选的是，对图像提取SIFT特征描述子过程如下：提取图像的 SIFT特征描述子，并将图像的SIFT特征描述子保存在n*128维的特征矩阵中，其中η为图 像中提取的SIFT特征描述子的个数，128表示每个SIFT特征描述子为128维向量。
[0029] 按照本发明的方法概念简单，没有增加 SIFT描述子的维数。
[0030] 本发明方法融入了图像的空间信息，新的描述子具有更强的判别能力和鲁棒性。
【附图说明】
[0031] 图1是现有技术中SIFT特征描述子示意图。
[0032] 图2按照本发明的图像局部特征描述子的一实施例中八个方向中一个方向上的 模拟图像示意图。
[0033] 图3按照本发明的图像局部特征描述子的另一实施例中对十六个像素的小图像 的位置标号图。
【具体实施方式】
[0034] 下面结合附图对本发明作进一步详细描述，有必要在此指出的是，以下具体实施 方式只用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的 技术人员可以根据上述
【发明内容】
对本发明作出一些非本质的改进和调整。
[0035] 按照本发明的一种计算图像局部特征描述子的方法包括以下步骤：
[0036] 步骤一、对图像提取SIFT特征描述子
[0037] 提取图像的SIFT特征描述子，如图1所示，并将图像的SIFT特征描述子保存在 n*128维的特征矩阵中，其中η为图像中提取的SIFT特征描述子的个数，128表示每个SIFT 特征描述子为 128 维向量。具体详见 David Lowe.Distinctive image features from scale invariant keypoints. IJCV 2004.
[0038] 步骤二、计算变换矩阵
[0039] 变换矩阵的具体计算过程为：
[0040] (I)SIFT特征描述子中关键点周围存在16个区域块，如图1所示。把同一个方向 的16个区域块模拟看做物理空间中排列的16个像素的小图像，因为有8个方向，所以这样 就会有8个模拟小图像。以其中的一个方向为例，模拟的图像如图2所示。
[0041] (2)对每个16个像素的小图像的像素位置按着行序进行标号，如图3所示。
[0042] (3)计算位置关联矩阵G。
[0043] 像素的位置不同，像素之间的距离关联度也是不一样的。像素之间的位置关联矩 阵G，G是一个16x16的方阵，其中，元素 Glj的计算公式如下：
[0044]
[0045] 其中，i e L · · 16, j e L · · 16，义1是代表第i个位置的位置标号，1彡X1S 16，x j 是代表第j个位置的位置标号，I < 16, σ是需要确定的参数，该参数通过实验结果的 好坏来确定，经验值为〇. 6, G1,的代表i位置和j