49]20.根据所述的特征点属性进行计算各个特征点的harris响应值，并根据该 harris响应值对所述的特征点进行堆排序；
[0050] 30.根据所述的堆排序结果进行特征点筛选，得到关键特征点；
[0051] 40.根据所述的特征点属性得到所述的关键特征点的位置信息，并根据该位置信 息构建所述的关键特征点邻域位置的蒙版图；
[0052] 50.根据所述的蒙版图在所述序列图像中提取所述关键特征点的特征点描述子；
[0053] 60.根据所述的特征点描述子的相似性对所述的序列图像的进行配准。
[0054] 所述的步骤10中，进一步包括：
[0055] 11.对所述的序列图像进行灰度化处理，生成灰度图；
[0056] 12.对灰度图像进行降采样，得到一组不同尺度下的灰度图，组成一个灰度图金字 塔；
[0057] 13.对不同尺度的灰度图进行FAST特征点检测，得到特征点的位置属性和尺度属 性。
[0058]其中，FAST即FeaturesfromAcceleratedSegmentTest。很多传统的算法都 很耗时，而且特征点检测算法只是很多复杂图像处理里中的第一步，得不偿失。FAST特征 点检测是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以得到特征 点，简单，有效。如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大， 则认为该候选点为一个特征点。
[0059] 所述的步骤12中的不同尺度下的灰度图金字塔的生成方法为，金字塔每一层图 像以缩放因子S的进行图像缩小图像获得上一层数据，金字塔底层为原始的待处理序列 图像，从而得到不同尺度灰度图金字塔。本发明中缩放因子S取值在1.0至1.5的范围之 间，金字塔层数为5层。这组参数在实验中可以获得比较好的效果。本发明在对不同尺度的 灰度图进行FAST特征点检测后，记录其对应所在检测尺度作为其特征点尺度属性，其目的 是在后续进行特征点筛选的计算过程中确定该特征点是否为所在尺度空间下的有效角点。
[0060] 所述的步骤20中，根据harris响应值对所述的特征点进行堆排序，是通过构建 小根堆，并计算不同尺度灰度图中的对应特征点的harris响应值，在计算harris响应值的 过程的同时对小根堆进行更新。
[0061] 其中，特征点的harris响应值的计算方法为：
[0062] stepl:对于每一个特征点计算以特征点位置为中心，加权累加其长度为7的图像 块范围内每一点的X和y方向的sobel卷积值，分别记为、和Iy，权值分布为半径为3,标 准差为1的二维高斯分布权值表。
[0063] step2 :通过IJPI￥构建其响应矩阵M，Μ的具体表达式为：
[0064]
[0065]step3 :计算Μ的行列式值det (Μ)及其迹trace (Μ);
[0066]step4:计算出角点响应R:
[0067] R = det (M) -k (trace (Μ))2；
[0068] 实验中系数k的取值在0. 03至0. 08的范围之间可以获得比较理想的效果；
[0069]step5:对候选点按特征点响应值构建小根堆，在计算角点响应量的同时对小根堆 进行更新，从而筛选出前K个响应量最大的特征点。
[0070] 所述的步骤30中根据所述的堆排序结果进行特征点筛选，是根据预设的期望特 征点的数量K，提取堆排序后的前K个harriS响应值较大的特征点，得到关键特征点。
[0071] 所述的步骤40中，构建所述的关键特征点邻域位置的蒙版图，是根据特征点检测 位置构造检测点位置的蒙版图detectionmask，只对detectionmask中区域进行局部滤波 处理，减少对全局金字塔图像处理的时间，其进一步包括：
[0072] 41 :设置特征点描述子的邻域检测尺寸的宽度W和高度Η ;
[0073] 42:根据所述的关键特征点所在尺度空间下的尺度灰度图中的位置信息，换算出 对应在该尺度空间下的关键特征点的蒙版位置信息；
[0074] 43:遍历所有的关键特征点，重复步骤42,形成最终一组不同尺度空间下的检测 蒙版图，组成相应的蒙版图金字塔。
[0075] 其中蒙版图金字塔中每一层中形成不同尺度空间下的二值蒙版图，本实施例中， 检测块的宽度W在30至40的范围之间，检测块的高度Η也在30至40的范围之间，可以得 到比较好特征点描述子。
[0076] 所述的步骤50中，根据所述的蒙版图在所述序列图像中提取所述关键特征点的 特征点描述子，即Brief描述子，其进一步包括：
[0077] 51.根据所述的关键特征点的蒙版图对所述的序列图像进行局部的快速高斯模糊 处理，得到局部模糊图像；
[0078] 52.根据灰度质心法计算出所述的关键特征点的响应主方向；
[0079] 53.根据所述的关键特征点的响应主方向在所述的局部模糊图像中提取该关键特 征点所对应的特征点描述子。
[0080] 所述的步骤51中，对所述的序列图像进行局部的快速高斯模糊处理，从而增加描 述子对于局部噪声的抑制作用，增加描述子的鲁棒性，且提高了描述子的生成速度；其具体 处理步骤包括：
[0081]step-a:指定模糊半径r和标准差s。构建一维高斯算子k，长度为2*r_l ;
[0082]step-b:对step-a中一维高斯算子k进行像素值为p的0-255相乘的表格；由于 一维高斯算子是对称的，所以只需要计算出1到r位置的r张表即可；
[0083]step-c:分别对X和y方向进行一维高斯滤波，这样相当于对图像进行了二维的 高斯滤波，且降低了一维计算复杂度；其中卷积计算可以使用step-a中的表格进行查表计 算，快速计算出蒙版图mask对应像素位置的高斯模糊结果。
[0084] 实验中发现r在3至6范围之间时，且s在1至3范围之间时可以获得比较理想 的去噪结果。
[0085] 所述的步骤52中，特征点响应主方向计算是为了保证特征点描述子的旋转不变 性，在描述子生成过程中，需要通过主方向来确定区域的插值位置，从而使得描述子具有旋 转不变性。图像中某特征点点邻域的p+q阶矩的定义式为：
[0086]
[0087] rJ=r 1? ,r'. Α?Λ r .
yj\j. u\j :·:
[0088]
[0089] 则质心的方向定义为：
[0090]
[0091] 将θ定为该特征点的主方向，则可根据此方向来提取BRIEF描述子。
[0092] 所述的步骤60中，根据所述的特征点描述子的相似性对所述的序列图像的进行 配准，是通过计算所述的序列图像中对应的关键特征点的特征点描述子之间的汉明距离 或者欧式距离，并对该距离与预设阈值进行比较计算来判断所述的特征点描述子的相似程 度。
[0093] 所述的步骤60中对所述的序列图像的进行配准，还包括：
[0094] 61.根据特征点位置，限定其匹配范围，从而减少层次聚类的分支数；
[0095] 62.对结果进行层次聚类，得到特征点匹配对；
[0096] 63.利用RANSAC算法得到单应性矩阵，配准完毕。
[0097] 其中，所述的步骤61中，由于前后两帧的序列图像之间的位移通常会比较小，可 以通过限定当前帧匹配到的特征点相对于前一帧对应特征点的偏移，使其范围在图像宽高 的20%以内，可以获得准确且快速的匹配结果。
[0098] 如图2所示，本发明还根据以上方法相应的提供了一种视频序列图像的实时配准 系统100,其包括：
[0099] 特征点检测模块101，用于对待处理的序列图像进行特征点检测，得到特征点属 性；
[0100] 特征点排序模块102,其根据所述的特征点属性进行计算各个特征点的harris响 应值，并根据该harris响应值对所述的特征点进行堆排序；
[0101] 特征点筛选模块103,其根据所述的堆排序结果进行特征点筛选，得到关键特征 占.
[0102] 蒙版图构建模块104,根据所述的特征点属性得到所述的关键特征