一种基于sift的场景物体实时配准方法
【技术领域】
[0001] 本发明设及一种计算机视觉领域中的物体识别技术，特别设及一种基于SIFT的 场景物体实时配准方法，主要应用于视频物体的实时识别。
【背景技术】
[0002] 图像匹配是计算机视觉领域之中的一项重要技术，同时也是其它许多图像分析技 术，如运动数据分析和融合、立体3d视觉等技术领域的基础。提取特征的技术是图像匹配 技术中最重要的组成部分，一幅图像中可W检测得到很多关键点，但是我们需要消除其中 部分不重要的点，留下具有较强的特征性的点，运些点可W用来进行图像的匹配。最后只要 合理地消除匹配错误点，就能得到比较好的匹配结果。另一方面，采用合适的优化W及筛选 技术，可W使得匹配效果更好。
【发明内容】
[0003] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于SIFT的场景物体 实时配准方法，该场景物体实时配准方法采用SIFT算子来提取特征点，然后利用RANSAC优 化算法和轮廓排除法来得到优化的匹配结果，匹配效果更好。
[0004] 本发明的目的通过下述技术方案实现：一种基于SIFT的场景物体实时配准方法， 包括W下步骤：
[00化]步骤1 :提取出视频中的帖图像并进行图像预处理；
[0006] 步骤2 :提取出步骤1中某一图像的特征点化及目标图像的特征点；
[0007] 步骤3 :构造步骤2中两幅图像的SIFT特征；
[0008] 步骤4 :利用RANSAC优化算法和轮廓排除法得到优化后的匹配结果；
[0009] 步骤5 :重复步骤2~4,直到得到实时匹配结果为止。
[0010] 本发明相对于现有技术具有如下的优点及效果：
[0011] 本发明通过提取视频中的图像数据，对图像提取SIFT特征，然后利用RANSAC优化 算法和轮廓排除法优化匹配结果，得到匹配的特征点对，并采用SIFT算子来提取特征点， 然后利用RANSAC优化算法和轮廓排除法来得到优化的匹配结果，匹配效果更好。
【附图说明】
[0012] 图1是本发明的方法流程图。
[0013] 图2是本发明的特征构造图。
【具体实施方式】
[0014] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。 阳〇1引实施例
[0016] 如图1所示，一种基于SIFT的场景物体实时配准方法，包括W下步骤：
[0017] 步骤1、提取出视频中的帖图像并进行图像预处理；所述图像预处理的具体做法 是：图像转换成灰度图像；调整图像大小；最后利用高斯平滑的方法简单平滑图像。
[001引步骤2、提取出步骤1中某一图像的特征点化及目标图像的特征点；步骤2具体包 括W下步骤：
[0019] 步骤2. 1、构造高斯尺度空间。按照下式对图像进行卷积：
[0020]
(I)
[0021] 其中，k为相邻两个尺度空间倍数的常数，K分别取不同的值，得到不同的尺度空 间，I(X，y)表示输入的图像，*是的卷积运算符，G(X，y，σ)表示高斯核，G(X，y，kσ)表示 尺度变化后的高斯核，L(x，y，σ)表示高斯核同图像卷积后产生的图像尺度空间的函数， L(x，y，kσ)表示尺度变化后的高斯核同图像卷积后产生的图像尺度空间的函数。
[0022] 步骤2. 2、找到尺度空间的极值点。在尺度空间中，若某像素点和它同尺度的8个 相邻点和上下两层相邻尺度对应的9个点比较，大于（或小于）其他点，则该像素点为初始 极值点。
[0023] 步骤2. 3、关键点的精确定位。为了选出更稳定更可靠的关键点，我们需要对尺度 空间的DOG函数进行曲线拟合。通过拟合Ξ维二次函数，可W精确定位关键点的位置，同时 可W去除对比度比较低的关键点和对边缘响应比较大的点，达到增强特征点的稳定性、提 高抗噪能力的效果。
[0024] 获取关键点处拟合函数，
阳0巧] 斌
[0026] 上式为DOG函数在空间尺度的泰勒展开式，D佩为DOG函数，
表示D矩阵的 转置对X求偏导，χτ表示X的转置
衰示D对X求二阶偏导。
[0027] 求导并让方程等于零，可W得到极值点：
[0028] '，'(3)
[0029] X'为似式求得的极值点的X的值。[0030] 对应极值点，方程的值为：
[0031] (4)
[0032] 其中，D狂'）为（3)式中求得的极值点X'，带入（2)式取前两项得到的方程的值。
[0033] 式（4)的作用是剔除对比度较低、不够稳定的关键点。实验显示，Id狂'）|<0. 04 的极值点都可W剔除掉。剔除对比度较低的关键点后，得到的是稳定性较好的特征点集。
[0034] 步骤2. 4、去除边界响应。主曲率可W通过计算在该点位置尺度的2X2的黑塞 化essian)矩阵得到，导数由采样点相邻差来估计：
[0035] CS)
[0036] 式中，Du表示DOG金字塔中某一尺度的图像X方向求导两次，D表示DOG金字塔 中某一尺度的图像先X方向求导后再y方向求导，Dyy表示DOG金字塔中某一尺度的图像y 方向求导两次，Η的特征值α和β分别代表X和y方向的梯度。
[0037] Tr(H) = Dxx+Dyy=曰+ β， (6) 阳03引 Det(H) =DxxDyy-值巧)2=αβ， (7)
[0039] 式中Tr做表示矩阵Η对角线元素之和，Det做表示矩阵Η的行列式，Du表示DOG 金字塔中某一尺度的图像X方向求导两次，Dyy表示DOG金字塔中某一尺度的图像先X方向 求导再y方向求导，Dyy表示DOG金字塔中某一尺度的图像y方向求导两次，Η的特征值α 和β分别代表X和y方向的梯度；假设α是较大的梯度值，而β是较小的梯度值，令α =rβ，则
[0040] (8) 阳OW 式中，Tr做表示矩阵Η对角线元素之和，Det做表示矩阵Η的行列式，α和β 分别代表X和y方向的梯度，r表示α于β之比。
[0042] 式8中，D的主曲率和Η的特征值成正比，令α为梯度最大值，β为提梯度最小 值，则公式（r+l)2/r的值在两个梯度值相等时最小，与r成正比例增长。为了去除边缘效 应，我们需要确定（r+l)7r的有效阀值，剔除值大于阀值的点。运里我们让r值取10。所 W我们只需检测
[0043]
[0044] 式中，Tr(H)表示矩阵Η对角线元素之和，Det(H)表示矩阵Η的行列式，r表示α 与0之比。
[0045] 可W让式子成立的关键点保留下来，去除不符合公式的关键点。
[0046] 步骤3、构造步骤2中两幅图像的SIFT特征；步骤3具体包括W下步骤：
[0047] 步骤3. 1、确定特征点的主方向，按照下列公式计算梯度幅度和梯度方向，梯度幅 值： W4 引
(9) W例式中，m(x，y)表示在像素点（x，y)处的梯度幅值，L代表二维图像的尺度空间，在L所用的尺度为每个关键点各自所在的尺度，（X+1，y)表示在原像素点（X，y)在X方向上 增加一个单位，（X- 1，y)表示在原像素点（X，y)在X方向上减少一个单位，（X，y+1)表示 在原像素点（X，y)在y方向上增加一个单位，（X，y-1)表示在原像素点（X，y)在y方向上 减少一个单位。
[0050] 梯度方向：
[0051]
(10) 阳05引式中，θ(X，y)表示在点（X，y)