基于尺度化缓存插值结构的鲁棒特征点提取系统的制作方法
【技术领域】
[0001] 本发明设及计算机及电子信息技术领域，特别设及一种基于尺度化缓存插值结构 的鲁棒特征点提取系统。
【背景技术】
[0002] 基于图像特征点匹配的图像分析工作是图像处理的重要内容之一，特征点提取则 是特征点匹配工作中的重要基础内容。特征点提取算法的主要目的是在两幅类似场景或物 体的图像中，寻找到相关的区域，W供匹配；同时还要能够克服来自如环境亮度变化、视场 角度变化、甚至图像传感器引入的噪声等的干扰。特征点提取工作包括特征点定位和特征 点描述两部分。特征点定位通过检测图像中的特定特征，如角点、边缘点、亮区中的暗点、暗 区中的亮点等，获得运些特征点的坐标信息。特征点描述则为特征点计算相应的描述符，使 得两幅图中相同景物的特征点具有一定的不变性，进而克服干扰，完成特征点匹配。
[0003] 洲RF(Speed-Up Robust Feature,鲁棒特征点提取）算法的主要步骤包括积分图 计算、特征点定位、特征点方向计算和特征点描述符向量计算。
[0004] 积分图数据是SURF算法的基础数据。积分图的计算公式为：
[0005]
[0006] 其中，b(x，y)为位于x(x，y)的积分图值，I(i，j)为W图像原点(一般为左上角)和 点x(x，y)为顶点所形成的竖直矩形区域内的图像像素值。则任意竖直矩形区域abed内的像 素值的和（图像积分)可W通过使用四个顶点的积分图值A、B、C和D进行简单加减法得到，即 Isabcd=(lsa+lsd)-(lsb+lsc)。
[0007] SURF算法在进行特征点定位时，通过尺度空间分析来获得特征点尺度不变性。图 像按不同的降采样进行分组，每组内使用4个尺度S不同的盒子滤波模板D做卷积，得到4层 卷积层。D共有xx、yy、xy^个方向。通过使用积分图，卷积计算得到了大幅简化。SURF算法通 过计算化SS ian矩阵獄徐游行列式的极大值来寻找图像的极值位置。Hess ian矩阵的定义为：
[000引
[0009] 若某个卷积层S中的坐标位置(x，y)的行列式值为在包括其相邻卷积层在内的Ξ 层内，周边共3 X 3 X 3个行列式值中的极大值，则将该坐标位置及其所在卷积层S合记为一 个特征点位置x(x，y，s)。在将特征点位置按尺度放大得到特征点在原图中的位置时，还需 要计算位置坐标的小数部分S，计算公式为：
[0010]
[0011] SURF算法为保证特征点具有旋转不变性，为特征点计算了特征方向。在W特征点 为中屯、，半径为6s的圆形邻域内，共109个间距为s的邻域点。为每个邻域点做尺寸为4s的 化ar小波变换，得到向量巧aarX，化arY)，记为邻域点方向向量。使用一个扇形滑窗统计落 入滑窗内的所有邻域点的化ar向量的基于高斯权重的和，取和向量的长度最长时的和向量 角度记为特征点的方向。
[001引SURF算法在计算特征点描述符向量时，对W特征点为中屯、，W特征方向为正方向， 边长为24s的正方形邻域内的共576个特征点，分别做尺寸为2s的化ar小波变换，得到向量 (化arX，化arY)，并将化ar向量旋转至特征点方向上，得到邻域点方向向量(dx，dy)。对正方 向邻域划分为4 X 4个子邻域，则每个子邻域包含9 X 9个邻域点（相邻两个子邻域包含四行 重叠的邻域点）。将每个子邻域内邻域点的方向向量进行基于高斯权重的累加，分别得到Σ 山、Σ(1γ、Σ |dx|、Σ |dy|。16个子邻域共得?J4X4X4 = 64维特征描述符向量，经过向量单位 化后，得到SURF算法的特征描述符输出结果。
[0013] SURF算法在实现为数字系统计算程序时，不得不面对数字系统的量化误差问题， 如真实连续图像经过图像传感器采集得到的数字图像被离散量化为像素。在计算各类点的 坐标时，坐标被定点截断为整数等。运些因素都会导致SURF数字系统算法将相比其数学理 论算法存在一定的误差，进而降低了 SURF算法的精度，限制了 SURF算法的应用。
[0014] SURF算法在CPU等数字串行通用计算平台中实现时，由于算法的高计算复杂度和 高存储复杂度，导致SURF算法运行性能较低，仅能做实验室研究，无法进行实时计算和对高 分辨率视频做支持。
[0015] 在硬件平台上利用高度的并行性来设计专用的加速硬件结构是解决运类高复杂 度问题的有效方法。如FPGA(Fie 1 d - Programmab 1 e Gate Array，现场可编程口阵列）平台 在功耗和灵活性上可W取得不错的平衡。然而现有的基于FPGA平台的SUW硬件算法尚未有 能同时满足完整、实时、支持高分辨率的方案，运仍然无法让SURF算法得到有效应用。另外， SURF算法对计算和存储资源的高占用问题也仍未得到解决，使得SURF在单片FPGA忍片中难 W与其他复杂的图像算法共存，运也限制了 SURF的实际应用。
【发明内容】
[0016] 本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0017] 为此，本发明的目的在于提出一种基于尺度化缓存插值结构的鲁棒特征点提取系 统，该系统提高了鲁棒特征点提取算法的计算精度和计算性能，降低了资源占用。
[0018] 为了实现上述目的，本发明的实施例提出了一种基于尺度化缓存插值结构的鲁棒 特征点提取系统，包括:积分图计算模块，所述积分图计算模块用于读取预先缓存的输入图 像，并计算得到所述输入图像的积分图数据;特征点定位模块，所述特征点定位模块与所述 积分图计算模块相连，用于根据所述积分图数据得到符合预设条件的特征点的亚像素位 置，其中，所述亚像素位置包括亚像素坐标及所在尺度;尺度化缓存插值模块，所述尺度化 缓存插值模块与所述积分图计算模块相连，用于对所述积分图数据进行多尺度化缓存，W 得到整数坐标数据组，并对所述整数坐标组进行插值;特征点方向计算模块，所述特征点方 向计算模块分别与所述特征点定位模块和所述尺度化缓存插值模块相连，用于根据每个所 述特征点的亚像素位置及所述尺度化缓存插值模块输出的插值结果确定每个特征点的特 征方向；特征点描述符向量计算模块，所述特征点描述符向量计算模块分别与所述特征点 方向模块和所述尺度化缓存插值模块相连，用于根据所述特征点的亚像素位置、所述插值 结果和特征点方向，计算得到特征点描述符向量;单位向量计算模块，所述单位向量计算模 块与所述特征点描述符向量计算模块相连，用于对所述特征点描述符向量进行单位化，W 得到预设小数精度的特征点单位向量描述符向量。
[0019] 另外，根据本发明上述实施例的基于尺度化缓存插值结构的鲁棒特征点提取系统 还可W具有如下附加的技术特征：
[0020] 在一些示例中，所述尺度化缓存插值模块用于:将特征点方向计算所需的邻域点 作为积分图数据插值，并将所述积分图数据插值存储于尺度化积分图缓存组中；W及将特 征点描述符向量计算所需的邻域点作为化ar小波向量数据插值，并将所述化ar小波向量数 据插值分别存储于第一尺度化缓存组和第二尺度化缓存组中。
[0021 ]在一些示例中，所述尺度化缓存插值模块输出的插值结果包括亚像素积分图数据 和亚像素化ar小波向量数据。
[0022] 在一些示例中，所述特征点方向计算模块用于根据每个特征点的亚像素位置计算 对应的多个邻域点所复用的多个积分图数据的亚像素坐标，并从所述尺度化缓存插值模块 中读取所述亚像素积分图数据，通过化ar计算后得到化ar小波向量，并根据所述化ar小波 向量确定每个特征点的特征方向。
[0023] 在一些示例中，所述特征点描述向量计算模块用于根据所述特征点的亚像素位置 和特征点方向，计算对应的多个邻域点的亚像素坐标，并从所述尺度化缓存插值模块中读 取所述亚像素化ar小波向量数据，并通过高斯累加后得到所述特征点描述符向量。
[0024] 在一些示例中，所述尺度化积分图缓存组、第一尺度化缓存组和第二尺度化缓存 组均包括第一至第四尺度化缓存，所述第一至第四尺度化缓存分别包括第五至第八尺度化 子缓存，所述第五至第八尺度化子缓存分别根据数据的坐标信息的奇偶性对数据进行存 储。
[0025] 在一些示例中，所述第一至第四尺度化缓存的尺度各不相同。
[0026] 在一些示例中，其中，所述尺度化缓存插值模块还用于:在所述特征点方向计算模 块和特征点描述符向量计算模块将亚像素坐标信息传入时，根据坐标信息分别从所述第五 至第八尺度化子缓存中读取相应的数据，W构成亚像素数据插值所需的整数坐标数据组。
[0027] 在一些示例中，所述整数坐标数据组包括:左上、右上、右下和左下四个整数坐标。
[0028] 根据本发明实施例的基于尺度化缓存插值结构的鲁棒特征点提取系统，充分利用 了在计算化ar小波向量时，基于亚像素坐标插值的图像信息还原能力，获得了更接近于理 论算法