专利名称：图像特征点检测方法及装置的制作方法
技术领域：
本发明涉及图像处理技术，尤其涉及一种图像特征点检测方法及装置。
背景技术：
图像配准(Image Registration)指的是对同一场景获取的多幅图像中两两分析 并找出相对应的区域，即在空间关系上进行匹配的一种图像分析与处理技术。当图像由不 同的传感器或者不同的时间、不同的视角获取时，通常需要进行图像配准。图像配准广泛应 用于导航与制导技术、地理图像镶嵌、图像融合、图像检索、目标识别等许多领域。图像配准中一个重要的步骤就是寻找待匹配的图像的特征信息，例如边缘特征、 区域特征和点特征，图像的边缘特征对于旋转、缩放等几何畸变的适应能力不强，图像的区 域特征的提取不易达到一致性，而图像的点特征的提取则容易达到高稳定性和高精度，所 以图像的特征点检测是获取图像特征信息的一种常用方法。现有技术中提供一种基于多尺度金字塔思想的图像特征点检测方法，首先构建多 尺度图像金字塔，图像金字塔分成多组，每组包括多层，下一组的图像由上一组图像降采样 得到，然后进行高斯差分(Difference of Gaussian，简称DOG)计算，利用已经获得的图像 金字塔，在每一组由邻近的两层相减得到该组的一个DOG金字塔数据，重复该过程，从而产 生多尺度DOG金字塔。然后确定特征点，具体为将每层图像的每个点和该点的相邻点(即 本层与该点相邻的8个点以及上层与该点相邻的9个点和下层与该点相邻的9个点)比较， 将DOG值为极大值或极小值的点作为特征点。发明人在实现本发明的过程中发现现有技术中基于多尺度金字塔思想的图像特 征点检测方法至少存在以下问题⑴占用大量内存；⑵将DOG值为极大值或极小值的点 作为特征点，检测到特征点的准确性不高。
发明内容
本发明实施例针对现有技术存在的问题，提供一种图像特征点检测方法及装置， 能够减小内存占用，提高检测到图像特征点的准确性。本发明实施例提供了一种图像特征点检测方法，包括对于待匹配的图像的图像金字塔中第M组图像中的第S层图像，计算第S层图像 中每个点的高斯拉普拉斯值，S、M为自然数；将每个点的高斯拉普拉斯值，与该点的η X η邻域点的高斯拉普拉斯值比较，选择 出第一初始候选特征点，以所述第一初始候选特征点为中心的ηΧη区域中，所述第一初始 候选特征点的高斯拉普拉斯值为极值，所述极值为极大值或极小值；将最佳极值模板与以所述第一初始候选特征点为中心的(η+2) X (η+2)区域的点 的高斯拉普拉斯值卷积，获取所述第一初始候选特征点的卷积值，比较每个第一初始候选 特征点的卷积值和每个第一初始候选特征点的ηΧη邻域点的卷积值，选择出精确候选特 征点，以所述精确候选特征点为中心的ηΧη区域中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足r{i/*F}^r{F}，H为最佳极值模板，Γ表示极值点的集合，F 为以所述第一初始候选特征点为中心的ηΧη区域中各点的高斯拉普拉斯值组成的ηΧη矩 阵，η为奇数，Γ {F}表示在F中的极值点；剔除所述精确候选特征点中的边缘点，从所述精确候选特征点中选择出所述第S 层图像的特征点。本发明实施例还提供了一种图像特征点检测装置，包括计算模块，用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中 每个点的高斯拉普拉斯值，S、M为自然数；第一选择模块，用于将所述计算模块计算得到的所述每个点的高斯拉普拉斯值与 该点的ηΧη邻域点的高斯拉普拉斯值比较，选择出第一初始候选特征点，以所述第一初始 候选特征点为中心的ηΧη区域中，所述第一初始候选特征点的高斯拉普拉斯值为极值，所 述极值为极大值或极小值；第二选择模块，用于将最佳极值模板与以所述第一选择模块选择出的所述第一初 始候选特征点为中心的(n+幻X (η+2)区域的点的高斯拉普拉斯值卷积，获取所述第一初 始候选特征点的卷积值，比较每个第一初始候选特征点的卷积值和每个第一初始候选特征 点的ηΧη邻域点的卷积值，选择出精确候选特征点，以所述精确候选特征点为中心的ηΧη 区域中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足，Η 为最佳极值模板，Γ表示极值点的集合，F为以所述第一初始候选特征点为中心的ηΧη区 域中各点的高斯拉普拉斯值组成的ηΧη矩阵，η为奇数，Γ {F}表示在F中的极值点；第三选择模块，用于剔除所述第二选择模块选择出的所述精确候选特征点中的边 缘点，从所述精确候选特征点中选择出所述第S层图像的特征点。本发明实施例提供的图像特征点检测方法，首先计算出图像金字塔中各组图像中 任意一层图像中各点的LOG值，然后选择出初始候选特征点，再在初始候选特征点中选择 出精选候选特征点；在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的 点，减少了后续选择精选特征点的运算量，减小内存占用。并且，由于LOG值的极值是高斯 差分(DOG)值的极值的近似估计，将LOG值为极大值或极小值的点作为初始候选特征点，与 现有技术中将DOG值为极大值或极小值的点作为特征点的方法相比，能够提高检测到特征 点的准确性，另外，采用最佳极值模板获取初始候选特征点的卷积值，通过卷积值选取精确 候选特征点，进一步提高了检测到特征点的准确性。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1所示为本发明图像特征点检测方法实施例一流程图；图2所示为本发明实施例中获得最佳极值模板的一种流程图；图3所示为经过步骤202之后获取的特征点、邻域点及次邻域点示意图；图4所示为本发明图像特征点检测装置实施例结构示意图。
具体实施例方式如图1所示为本发明图像特征点检测方法实施例一流程图，包括
步骤101、对于待匹配的图像的图像金字塔中第M组图像中的第S层图像，计算第 S层图像中每个点的高斯拉普拉斯(LOG)值，S、M为自然数。步骤102、将每个点的高斯拉普拉斯值，与该点的nXn邻域点的LOG值比较，选择 出第一初始候选特征点，以第一初始候选特征点为中心的nXn区域中，第一初始候选特征 点的LOG值为极值，极值为极大值或极小值。其中，每个点作为中心点，与其周围相邻的点 可以组成nXn区域，nXn区域中除中心点之外的点称作nXn邻域点。步骤103、将最佳极值模板与以第一初始候选特征点为中心的(η+2) X (η+2)区域 的点的LOG值卷积，获取第一初始候选特征点的卷积值，比较每个第一初始候选特征点的 卷积值和每个第一初始候选特征点的nXn邻域点的卷积值，选择出精确候选特征点，以精 确候选特征点为中心的nXn区域中，精确候选特征点的卷积值为极值；最佳极值模板满足 r{//*F}^r{F}，H为最佳极值模板，Γ表示极值点的集合，F为以第一初始候选特征点为 中心的nXn区域中各点的LOG值组成的nXn矩阵，η为奇数，Γ {F}表示在F中的极值点。步骤104、剔除精确候选特征点中不稳定的点，从精确候选特征点中选择出所述第 S层图像的特征点。其中，不稳定的点可以是精确候选特征点终端边缘点。本发明实施例提供的图像特征点检测方法，首先计算出图像金字塔中各组图像中 任意一层图像中各点的LOG值，然后选择出初始候选特征点，再在初始候选特征点中选择 出精选候选特征点；在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的 点，减少了后续选择精选特征点的运算量，减小内存占用。并且，由于LOG值的极值是高斯 差分(DOG)值的极值的近似估计，将LOG值为极大值或极小值的点作为初始候选特征点，与 现有技术中将DOG值为极大值或极小值的点作为特征点的方法相比，能够提高检测到特征 点的准确性，另外，采用最佳极值模板获取初始候选特征点的卷积值，通过卷积值选取精确 候选特征点，进一步提高了检测到特征点的准确性。下面详细介绍每个步骤的具体实现方式。在进行图像特征点检测之前，可以先建立图像金字塔。具体可以是基于 Linderberg提出的多尺度图像金字塔，尺度变换可以采用公式(1)G(X，y，σ ) = g(X，y，σ )*I(X，y) (1)ι公式(1)中，g(w，cr) = ^^e & g(x, y，σ)为尺度可变高斯函数，I (χ,2πσ,y)为图像函数，将图像函数I(x，y)与g(x，y，σ )卷积可以得到一层图像，g(x，y，σ)中 σ取不同的值，就可以得到一组多层图像。将一组图像降采样，可以得到下一组图像，从而 得到图像金字塔。图像金字塔可以包括M组，每组可以包括S层，S、M可以是自然数。例 如，图像金字塔中每组图像可以包括3层，从底层到高层依次称作S-I层、S层和S+1层。 as,l=y[2a = 2as+l,gs2 = g^, gj = gs，可以取=1.6λ/^便于层间同一位置的点的高斯 变换的递归处理。本发明实施例中以检测图像金字塔一组图像中第S层图像的特征点为例，说明图 像特征点的检测方法，对于其他组图像，或者其他层图像，可以采用相同的处理方式。步骤101具体可以是，取高斯拉普拉斯算子如下
权利要求
1.一种图像特征点检测方法，其特征在于，包括对于待匹配的图像的图像金字塔中第M组图像中的第S层图像，计算第S层图像中每 个点的高斯拉普拉斯值，S、M为自然数；将每个点的高斯拉普拉斯值，与该点的nXn邻域点的高斯拉普拉斯值比较，选择出第 一初始候选特征点，以所述第一初始候选特征点为中心的nXn区域中，所述第一初始候选 特征点的高斯拉普拉斯值为极值，所述极值为极大值或极小值；将最佳极值模板与以所述第一初始候选特征点为中心的(η+2)Χ(η+2)区域的点的高 斯拉普拉斯值卷积，获取所述第一初始候选特征点的卷积值，比较每个第一初始候选特征 点的卷积值和每个第一初始候选特征点的nXn邻域点的卷积值，选择出精确候选特征点， 以所述精确候选特征点为中心的nXn区域中，所述精确候选特征点的卷积值为极值；所述 最佳极值模板满足Γ{//* F} g r{F}，H为最佳极值模板，Γ表示极值点的集合，F为以所述 第一初始候选特征点为中心的nXn区域中各点的高斯拉普拉斯值组成的nXn矩阵，η为 奇数，Γ {F}表示在F中的极值点；剔除所述精确候选特征点中不稳定的点，从所述精确候选特征点中选择出所述第S层 图像的特征点。
2.根据权利要求1所述的方法，其特征在于，剔除所述精确候选特征点中不稳定的点， 从所述精确候选特征点中选择出所述第S层图像的特征点具体包括将所述精确候选特征点中满足[Dx, Dy] =
；DxxDyy-Dxy2 > 0 ；和Tr2 (/Z1) / DetiHl) < +r这三个条件的点作为特征点；Dx、Dy是图像中任意一个精确候选特征点的一阶偏导，Dxx,Dxy,Dyy是图像中任意一个精D Dτ τ Γ XX xy -t确候选特征点的二阶偏导，仏=[D D ] Det(H1) =DXX+Dyy，r为固定值；砂 yy ,将所述精确特征点中不满足这三个条件的剔除。
3.根据权利要求1所述的方法，其特征在于，还包括采用离线方式获取初始极值模板 H。，具体包括选取已正确匹配的多个图像对，对于所述正确匹配的图像对中任意一个图像的图像金 字塔中第M组图像中的第S层图像，计算所述第S层图像中每个点的高斯拉普拉斯值；将每个点的高斯拉普拉斯值，与以该点为中心的nXn邻域中的点的高斯拉普拉斯值 比较，选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像 的第二初始候选特征点，以所述第二初始候选特征点为中心的nXn区域中，所述第二初始 候选特征点的高斯拉普拉斯值为极值；以所述第二初始候选特征点为特征点进行图像匹配，获取正确匹配的特征点对，记录 所有正确匹配的特征点的高斯拉普拉斯值、所述正确匹配的特征点的nXn邻域点的高斯 拉普拉斯值、所述正确匹配的特征点的次邻域点的高斯拉普拉斯值以及所述正确匹配的特 征点的极值符号；所述正确匹配的特征点的次邻域点为所述正确匹配的特征点的nXn邻域点的nxn邻域点；获取矩阵Amxn， 所述矩阵Amxn的行元素为
4.根据权利要求3所述的方法，其特征在于，将所述初始极值模板Htl作为所述最佳极 值模板。
5.根据权利要求3所述的方法，其特征在于，n= 3；结合约束条件\ = X4, X3 = X7以及& = &，将所述初始极值模板简化Htl，得到简化后 的极值模板应，将所述简化后的模板泠作为所述最佳极值模板H。
6.一种图像特征点检测装置，其特征在于，包括计算模块，用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中每个 点的高斯拉普拉斯值，S、M为自然数；第一选择模块，用于将所述计算模块计算得到的所述每个点的高斯拉普拉斯值与该点 的nXn邻域点的高斯拉普拉斯值比较，选择出第一初始候选特征点，以所述第一初始候选 特征点为中心的nXn区域中，所述第一初始候选特征点的高斯拉普拉斯值为极值，所述极 值为极大值或极小值；第二选择模块，用于将最佳极值模板与以所述第一选择模块选择出的所述第一初始候 选特征点为中心的(n+幻X (η+2)区域的点的高斯拉普拉斯值卷积，获取所述第一初始候 选特征点的卷积值，比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的 nXn邻域点的卷积值，选择出精确候选特征点，以所述精确候选特征点为中心的nXn区域 中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足，H为最 佳极值模板，Γ表示极值点的集合，F为以所述第一初始候选特征点为中心的nXn区域中 各点的高斯拉普拉斯值组成的nXn矩阵，η为奇数，Γ {F}表示在F中的极值点；第三选择模块，用于剔除所述第二选择模块选择出的所述精确候选特征点中不稳定的 点，从所述精确候选特征点中选择出所述第S层图像的特征点。
7.根据权利要求6所述的装置，其特征在于，所述第三选择模块具体用于将所述第二 选择模块选择出的所述精确候选特征点中满足这三个条件的点作为特征点；Dx、Dy是图像中任意一个精确候选特征点的一阶偏导，Dxx,Dxy,Dyy是图像中任意一个精Dxx Dxy确候选特征点的二阶偏导，H1 =[D D ] Det(H1) =DXX+Dyy，r为固定值；xy yy ，将所述精确特征点中不满足这三个条件的剔除。
8.根据权利要求7所述的装置，其特征在于，还包括第一获取模块，用于通过离线方式 获取初始极值模板Htl，具体包括选取已正确匹配的多个图像对，对于所述正确匹配的图像 对中任意一个图像的图像金字塔中第M组图像中的第S层图像，计算所述第S层图像中每 个点的高斯拉普拉斯值；将每个点的高斯拉普拉斯值，与以该点为中心的nXn邻域中的点的高斯拉普拉斯值 比较，选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像 的第二初始候选特征点，以所述第二初始候选特征点为中心的nXn区域中，所述第二初始 候选特征点的高斯拉普拉斯值为极值；以所述第二初始候选特征点为特征点进行图像匹配，获取正确匹配的特征点对，记录 所有正确匹配的特征点的高斯拉普拉斯值、所述正确匹配的特征点的nXn邻域点的高斯 拉普拉斯值、所述正确匹配的特征点的次邻域点的高斯拉普拉斯值以及所述正确匹配的特 征点的极值符号；所述正确匹配的特征点的次邻域点为所述正确匹配的特征点的nXn邻 域点的nXn邻域点；获取矩阵Amxn， 所述矩阵Amxn的行元素为 ^=^,1^,2^ JjXN-mJjfiJuN+i)nL ,U’N-^] 'P e [l，M]，q ε [1, N], M = T X (N-I), N = nXn，i为所述正确匹配的特征点的编号，T为所述正确匹配的特征点的数目，i e [1， T]，j为所述正确匹配的特征点的邻域点相对于所述正确匹配的特征点的编号，每个正确匹配的特征点的邻域点的编号均为1，2，......j，......，N-l，k为所述次邻域点相对于每个邻域点的编号，相对于每个邻域点，次邻域点的编号均为
9.根据权利要求8所述的装置，其特征在于，还包括第二获取模块，用于接收所述第一 获取模块获取的初始极值模板，并将所述初始极值模板作为最佳极值模板发送给所述第二CN 102054269 A权利要求书3/4页(r + 1)[Dx, Dy] =
；DxxDyy-Dxy2 > 0 ；和Tr2(Hl)ZDet(Hl)K4选择模块。
全文摘要
本发明公开了一种图像特征点检测方法及装置，其中方法包括计算图像金字塔中第S层图像中每个点的高斯拉普拉斯值；选择第一初始候选特征点；将最佳极值模板与以第一初始候选特征点为中心的邻域的点的高斯拉普拉斯值卷积，将卷积值是邻域中极值的第一初始候选特征点作为精确候选特征点；在亚象素级别剔除精确候选特征点中边缘点等不稳定点，从所述精确候选特征点中选择出所述第S层图像的特征点。本发明实施例提供的方法能够减小内存占用，准确检测到图像特征点。
文档编号G06T7/00GK102054269SQ200910207058
公开日2011年5月11日 申请日期2009年10月27日 优先权日2009年10月27日
发明者史胜利, 杨杰, 牛彩卿 申请人:华为技术有限公司