的1/4。其采样周期如下式所示：
[0059] T(0) =T〇4。
[0060] 其中，T。是第一组图像的采样周期。结合图7(a)和上式可W看出，在处理第一组 图像的时候其他组处理过程中会有很多时间处于空闲状态，该就说明了图7(b)中所述时 序的问题在于浪费了过多的硬件资源。
[0061] 在图7(a)中的时序下，整个装置需要0个采样设备同时工作，效率非常低。而在 本发明图7(b)中的时序下，整个处理装置只需一个采样设备，提高了工作效率，减少了资 源的浪费。
[0062] 根据说明书图8、图9和图10具体说明本实施方式。实现差分高斯空间的局部极 值检测。此局部极值检测模块主要分类两部分：
[006引（1)灰度值大小比较模块；此模块在说明书附图10的中间部分，其功能是进行相 邻几层图像灰度值的比较，求出该几层中的极大极小值输入到后面的模块中。
[0064] 似判断模块；此模块为说明书附图10的flag部分，其功能是判别灰度值大小比 较模块输出的相邻层极大极小值是否来自于中间层。因为检测点要和它同尺度的8个相邻 点和上下相邻尺度对应的9X2个点共26个点进行比较。只有在邻域的该27个点里为极 大或极小值才能作为特征点输出。否则，判别模块会将其舍去。
【具体实施方式】 [0065] 二、本实施方式是对一所述的基于FPGA的卷积与时 序优化的图像关键点检测的方法的进一步说明，本实施方式中，步骤一中构造高斯尺度空 间函数L(x，y，0 )，将高斯尺度空间划分为0组，每组分为S层的过程为；通过公式：
[0066] L(x,y, 〇 ) =G(x,y, 〇 ) (x,y)
[0067]
[0068] 构造高斯尺度空间函数L(x，y，0)，其中，I(x，y)为待处理的图像函数；
[0069] 将高斯尺度空间L(x，y，0 )划分为0组，每组的一系列光滑图像包括不同的离散 的0值，对应的每一个0的高斯函数与图像的卷积后结果为该组的一层，0组图像中每组 图像均含有S层卷积结果；第0组的第S层对应的0值则为：
[0070]
[0071] 其中，0。为基本尺度标准差；对于0组图像，每组图像都是由前一组在高斯尺度 空间采用两倍降采样获得，即为建造高斯金字塔。
【具体实施方式】 [0072] S、本实施方式是对一所述的基于FPGA的卷积与时 序优化的图像关键点检测的方法的进一步说明，本实施方式中，去除对比度低的点和不稳 定的边缘响应点的方法为：
[0073] 计算差分高斯尺度空间函数D(X，y，0 )关于X的极值点D(.巧；
[0074]
[00巧]其中，i是差分高斯尺度空间函数D(x，y，0)取X方向极值点D(巧时X的取值；
[0076] 若|〇(刮>〇.〇3,保留该特征点，否则去除该特征点；
[0077] 去除不稳定的边缘响应点；一个高斯差分算子的极值在横跨边缘的地方的主曲率 大于在垂直边缘的方向的主曲率；
[007引通过一个2X2的黑塞矩阵H求出主曲率；
[0079]
[0080]D(X，y, 0 )XX、D(X，y, 0 )。、D(X，y, 0 )。和D(X，y, 0 )yy均由相邻采样点做差获得； D(x，y, 〇)u为差分高斯尺度空间函数D(x，y, 0)在X方向求二次偏导数，D(x，y, 0)。为差 分高斯尺度空间函数D(x，y, 0)先在X方向求导再在y方向求二次偏导数，D(x，y, 〇)xy，为 差分高斯尺度空间函数D(x，y，0)先在y方向求导再在X方向求二次偏导数，D(x，y，〇)" 为差分高斯尺度空间函数D(x，y，0)在y方向求二次偏导数；
[00引]D(x,y, 0 )的主曲率和H的特征值成正比，a和P均为特征值，且a>P，则；
[0082] Tr做=D(x,y, 0 ) 口+D(x,y, 0 )巧=a+P，
[0083] Det(H) =D(x,y,0)J)(x，y,0)巧-值（X，y,0)")2=曰e
[0084] 令曰=丫 0，则；
[0085]
[008引其中，丫为a与P的比例系数，Tr做为矩阵H的迹，Det做为矩阵H的行列 式；(r+l)2/r的值在两个特征值相等时最小，随着r的增大而增大，因此，根据公式：
[0087]
[0088] 检测主曲率是否在阔值r下；
[0089] 如果该特征点存在；
[0090]
[0091] 则去除该特征点。
【主权项】
1. 基于FPGA的卷积与时序优化的图像关键点检测的方法，其特征在于，该方法的步骤 为： 步骤一、构建高斯金字塔： 采用标准差σ不同的高斯函数G(x，y，〇)分别对待检测图像进行卷积处理，构造高斯 尺度空间函数L(x，y，〇 )，将高斯尺度空间划分为O组，每组分为s层；其中，X和y分别为 高斯函数的自变量和变量；〇、s均为正整数； 采用标准差σ不同的高斯函数G(x，y，〇)分别对待检测图像进行卷积处理的方法 为： 利用高斯核可分离的特性利用FPGA处理器，将二维卷积转化为横纵两个一维卷积对 图像进行处理；二维高斯核分解成为横纵两个一维高斯函数的卷积通过公式： G(x, y, σ ) = h(x, 〇 )*v(y, σ )并采用基于FPGA的行卷积模块对待检测图像进行行卷积处理，再经行列转换模块对 行卷积图像信息进行转换，转换后的图像信号经基于FPGA的列卷积模块对图像信息的列 卷积处理； 步骤二、构造差分高斯尺度空间函数； 高斯尺度空间的每组中相邻尺度图像层的差为差分高斯尺度空间函数D(x，y，〇); 步骤三、在差分高斯尺度空间中找到极值点； 采用基于FPGA的灰度值大小比较模块对每一个采样点的灰度值和它所有相邻的点灰 度值进行比较，若一个点的灰度值如果在差分高斯尺度空间本层以及上层和下层的邻域中 灰度值都是最大或最小值时，采用判断模块对基于FPGA的灰度值大小比较模块输出的最 大或最小值是否位于中间层进行判断，如果是，则该最大值或最小值点作为图像在该尺度 下的极值点输出，如果不是，删除该最大值或最小值点； 步骤四、筛选特征点； 在检测到的极值点中，去除对比度低的点和不稳定的边缘响应点，完成基于FPGA的卷 积与时序优化的图像关键点检测。2. 根据权利要求1所述的基于FPGA的卷积与时序优化的图像关键点检测的方法，其特 征在于，步骤一中构造高斯尺度空间函数L(x，y， 〇 )，将高斯尺度空间划分为0组，每组分 为s层的过程为：通过公式：构造高斯尺度空间函数L(x，y，〇)，其中，I(x，y)为待处理的图像函数； 将高斯尺度空间L(x，y，〇)划分为0组，每组的一系列光滑图像包括不同的离散的〇 值，对应的每一个σ的高斯函数与图像的卷积后结果为该组的一层，O组图像中每组图像 均含有S层卷积结果；第O组的第s层对应的〇值则为：其中，〇 ^为基本尺度标准差；对于〇组图像，每组图像都是由前一组在高斯尺度空间 采用两倍降采样获得，即为建造高斯金字塔。3.根据权利要求1所述的基于FPGA的卷积与时序优化的图像关键点检测的方法，其特 征在于，去除对比度低的点和不稳定的边缘响应点的方法为： 计算差分高斯尺度空间函数D(x，y，〇 )关于X的极值点/J(i);其中，i是差分高斯尺度空间函数D (X，y，σ )取X方向极值点/)(.?)时X的取值； 若|〇(幻| > 0.03，保留该特征点，否则去除该特征点； 去除不稳定的边缘响应点：一个高斯差分算子的极值在横跨边缘的地方的主曲率大于 在垂直边缘的方向的主曲率； 通过一个2X2的黑塞矩阵H求出主曲率：D (X，y, σ ) xx、D (X，y, σ ) xy、D (X，y, σ ) xjfl D (X，y, σ ) yy均由相邻采样点做差获得； D(x，y，〇)χχ为差分高斯尺度空间函数D(x，y, 〇)在X方向求二次偏导数，D(x，y, 〇)xy为差 分高斯尺度空间函数D(x，y, σ)先在X方向求导再在y方向求二次偏导数，D(x，y, 〇)xy，为 差分高斯尺度空间函数D(x，y，〇)先在y方向求导再在X方向求二次偏导数，D(x，y， 〇)yy 为差分高斯尺度空间函数D (x，y，〇)在y方向求二次偏导数； D(x, y, 〇 )的主曲率和H的特征值成正比，α和β均为特征值，且α > β，则： Tr(H) =D(x, y, 〇)xx+D(x, y, 〇)yy= α+β, Det(H) =D(x, y, 〇)xxD(x, y, 〇)yy-(D(x, y, o)xy)2= α β 令a = γ β，则：其中，γ为α与β的比例系数，Tr⑶为矩阵H的迹，Det(H)为矩阵H的行列式； (r+1) Vr的值在两个特征值相等时最小，随着r的增大而增大，因此，根据公式：检测主曲率是否在阈值r下； 如果该特征点存在：则去除该特征点。
【专利摘要】基于FPGA的卷积与时序优化的图像关键点检测的方法，涉及图像处理技术领域。解决了现有的基于软件的图像特征点检测方法由于计算量大导致无法实时进行图像处理的问题。本发明先构建高斯金字塔，然后，构造差分高斯尺度空间；在差分高斯尺度空间中找到极值点，最后筛选特征点完成基于FPGA的卷积与时序优化的图像关键点检测。本发明适用于进行图像关键点检测。
【IPC分类】G06T7/60, G06K9/46, G06T7/00
【公开号】CN104881877
【申请号】CN201510324631
【发明人】朱庆鹏, 白杨, 郭岩, 邹志国, 尹振东
【申请人】哈尔滨工业大学
【公开日】2015年9月2日
【申请日】2015年6月12日