特征描述方法及应用其的特征描述器与流程

本公开涉及一种以二元化字串描述特征区块的特征描述方法及应用其的特征描述器。

背景技术：

特征描述器(feature descriptor)广泛地使用在图像辨识、三维建模、追踪等的各式图像处理相关的应用中。特征描述器可将检测到的图像特征进行描述，以供后续的比对及应用。一般而言，图像辨识需将每张图像中的特征提取出来，再与数据库中的参考特征进行比对以找出最佳的匹配目标。然而，当图像中的特征数量越多，所需的比对时间将愈多。此外，当特征所携带的数据量越大，将需要更多的存储器空间以存储相关的特征描述。

因此，如何提供一种可加速特征比对并降低特征描述所需数据量的特征描述方法及应用其的特征描述器，乃目前业界所致力的课题之一。

技术实现要素：

本公开有关于一种特征描述方法及应用其的特征描述器，可产生二元化字串以描述特征提取算法所取得的特征区块。所产生的二元化字串可用来加速特征比对以实现即时的特征比对。且二元化字串只占少量的数据量，故可减少存储器空间的使用。

根据本公开之一方面，提出一种特征描述方法，其包括以下步骤：接收高维数据，此高维数据对应于通过特征提取算法所取得的特征区块；自高维数据挑选多个维度数据组；对各维度数据组中的不同维度数据进行比较，以产生各维度数据组所对应的比较结果；以及依据比较结果产生二位字串，此二位字串用以描述特征区块。

根据本公开的另一方面，提出一种特征描述器，其包括接收器、数据选择器、比较器以及字串产生器。接收器接收高维数据，此高维数据对应于通过特征提取算法所取得的特征区块。数据选择器自高维数据挑选多个维度数 据组。比较器对各维度数据组中的不同维度数据进行比较，以产生各维度数据组所对应的比较结果。字串产生器依据比较结果产生二位字串，此二位字串用以描述特征区块。

为了对本公开的上述及其他方面有更佳的了解，下文特举优选实施例，并配合附图，作详细说明如下：

附图说明

图1绘示依据本公开一实施例的特征描述器的方块图。

图2绘示依据本公开一实施例的特征描述方法的流程图。

图3绘示对一特征区块进行二元化编码以产生相应的二位字串之一例示意图。

图4绘示利用二位字串进行特征比对的示意图。

【符号说明】

100：特征描述器

102：接收器

104：数据选择器

106：比较器

108：字串产生器

110：匹配目标搜寻器

112：数据库

HD：高维数据

SS、SS₁～SS₃₂：维度数据组

CR：比较结果

BS：二位字串

RBS、RBS1～RBS3：参考二位字串

RFB1～RFB3：参考特征区块

202、204、206、208：步骤

I：图像

FP：特征点

FB：特征区块

B₁～B₁₂₈：维度数据

具体实施方式

在本文中，参照附图仔细地描述本发明的一些实施例，但不是所有实施例都有表示在图示中。实际上，这些发明可使用多种不同的变形，且并不限于本文中的实施例。相对的，本公开提供这些实施例以满足应用的法定要求。图式中相同的参考符号用来表示相同或相似的元件。

请参考图1及图2。图1绘示依据本公开一实施例的特征描述器100的方块图。图2绘示依据本公开一实施例的特征描述方法的流程图。特征描述器100可例如以微处理器、中央处理单元、特定目的处理器或其他运算处理电路来实现，或是由处理单元自至少一存储器装置读取至少一可读取程序代码来实现。

特征描述器100主要包括接收器102、数据选择器104、比较器106以及字串产生器108。在步骤202，接收器102接收高维数据HD，高维数据HD对应于通过特征提取算法所取得的特征区块(patch)。特征提取算法可以是尺度不变特征转换(Scale-Invariant Feature Transform，SIFT)算法、SURF(Speeded Up Robust Features，SURF)算法等。

在步骤204，数据选择器104自高维数据HD挑选多个维度数据组SS。各维度数据组SS例如包括高维数据HD中至少两个不同维度的维度数据。在一实施例中，数据选择器104可以随机方式挑选高维数据HD中的维度数据以产生这些维度数据组SS。又一实施例中，数据选择器104可以一预设顺序挑选高维数据HD中的维度数据以产生这些维度数据组SS。

在步骤206，比较器106对各维度数据组SS中的不同维度数据进行比较，以产生各维度数据组SS所对应的比较结果CR。

在步骤208，字串产生器108依据比较结果CR产生二位字串BS，此二位字串BS用来描述所述的特征区块。简言之，本公开实施例的特征描述器100可对不同维度数据的比较结果CR进行二元化编码，并以所产生的二位字串BS描述特征提取算法所取得的特征区块。

在一实施例中，如图1所示，特征描述器100还包括匹配目标搜寻器110。匹配目标搜寻器110可比较二位字串BS与预存于数据库112中的参考二位字串RBS，以判断二位字串BS所描述的特征区块与参考二位字串RBS所描述的参考特征区块是否匹配。在一实施例中，匹配目标搜寻器110可依据二位 字串BS与参考二位字串RBS间的汉明距离(Hamming Distance)来判断特征区块与参考特征区块是否匹配。匹配目标搜寻器110可例如对二位字串BS与参考二位字串RBS执行XOR运算以决定两者间的汉明距离。一般来说，当二位字串BS与参考二位字串RBS间的汉明距离越小，表示两者相似度越高。当两者相似度高至某一程度，表示特征区块与参考特征区块匹配。此时，当参考特征区块的数据内容为已知，特征区块的数据内容将可被识别出来。

图3绘示对一特征区块FB进行二元化编码以产生相应的二位字串BS之一例示意图。在图3的例子中，特征点FP提取自图像I。特征点FP例如是图像I中图像的轮廓、尖角、斑点等明显突出的部分。特征点FP可经由各种特征提取算法而被检测出来。

特征区块FB例如包括特征点FP周围的m×n个(如16×16个)像素。在图3的例子中，特征区块FB被分成p×q个(如4×4个)子区块。藉由统计各子区块中的像素数据，即可产生对应的高维数据HD。高维数据HD例如是以直方图(histogram)表示，直方图中的各直条分别代表不同维度的数据。举例来说，藉由统计一子区块(如特征区块FB中的左上区块)中像素数据沿着8个不同方向的梯度值，即可产生对应的8个维度数据B₁～B₈。因此，16个子区块对应16×8(＝128)个维度数据B₁～B₁₂₈，如图3所示。须注意本公开并不以此为限，高维数据HD也可依据其他的统计参数来定义其不同的维度数据。

在一实施例中，可随机选取两不同维度的维度数据进行比较，并依据比较结果决定二位字串BS之一位的位值(如「0」或「1」)。如图3所示，自高维数据HD选出32个维度数据组SS₁～SS₃₂，各维度数据组SS₁～SS₃₂分别包括一第一维度数据与一第二维度数据。举例来说，维度数据组SS₁包括随机选出的第一维度数据B₂与第二维度数据B₁₀；维度数据组SS₂包括随机选出的第一维度数据B₁₆与第二维度数据B₅；维度数据组SS₃₂包括随机选出的第一维度数据B₁与第二维度数据B₁₂₇。

在一实施例中，比较器106可比较第一维度数据与第二维度数据的大小，以决定二位字串BS的一位的位值。举例来说，可定义当第一维度数据大于第二维度数据，则输出第一位值(例如「1」)；当第一维度数据小于第二维度数据，则输出第二位值(例如「0」)。如图3所示，由于维度数据组SS₁中第一维度数据B₂大于第二维度数据B₁₀，故决定二位字串BS第一个位的位值为「1」。类似地，由于维度数据组SS₂中第一维度数据B₁₆小于第二维度数据 B₅，故决定二位字串BS中第二个位的位值为「0」，以此类推。

通过上述机制，可将原本包括128个维度数据B₁～B₁₂₈的高维数据HD，化简为32位的二位字串BS。因此，原本由高维数据HD所描述的特征区块FB，改由长度为32位的二位字串BS来描述，如此不仅方便快速比对，更可大幅降低特征描述所需的数据量。

在部分实施例中，可按照一预定顺序/规则来选取维度数据作比较以决定二位字串BS的位值。举例来说，比较器106可比较各维度数据与其最邻近的维度数据的大小关系以决定二位字串BS中至少一位的位值。例如，一个维度数据组SS中可包括第一维度数据与第二维度数据，其中第一维度数据是维度数据组SS中最邻近于第二维度数据的维度数据(以图3中的三个维度数据B₁、B₂、B₅作说明，可视维度数据B₂最邻近于维度数据B₁，维度数据B₅较远离维度数据B₁)。此时，比较器106可藉由比较第一维度数据与第二维度数据以决定二位字串BS之一位的位值。比较器106可进一步将维度数据组SS中最后一笔维度数据与第一笔维度数据作比较以决定二位字串BS之一位的位值，藉此形成一个循环(cycle)。

或者，比较器106可将各维度数据与其前面K笔(例如5笔)维度数据的平均值作比较，以决定二位字串BS之一位的位值。举例来说，当选取N笔维度数据作为一维度数据组SS以决定二位字串BS之一位的位值，比较器106可将此N笔维度数据中的第N笔维度数据与其前K笔数据的平均值作比较，以决定该位的位值，其中N、K为正整数，K小于N。

图4绘示利用二位字串BS进行特征比对的示意图。如图4所示，数据库112预存参考特征区块RFB1、RFB2及RFB3所分别对应的参考二位字串RBS1、RBS2及RBS3。所述的参考特征区块RFB1、RFB2及RFB3例如是已知的特征图样，像是标志图片或其他特征截图。参考二位字串RBS1、RBS2及RBS3参考特征区块RFB1、RFB2及RFB3经前述的二元化特征描述机制而产生的二元化字串。在图4中，匹配目标搜寻器110可将二位字串BS与各参考特征区块RFB1、RFB2及RFB3所对应的参考二位字串RBS1、RBS2及RBS3一一进行比对，例如计算汉明距离，以判断二位字串BS所对应特征区块FB对应于哪一个参考特征区块。举例来说，当判断二位字串BS与参考二位字串RBS1的汉明距离最小，可视二位字串BS与参考二位字串RBS1为匹配，此时可辨识出特征区块FB的内容对应参考特征区块RBS1。

综上所述，本公开所提供的特征描述方法及应用其的特征描述器，可产生二元化字串以描述特征提取算法所取得的特征区块。所产生的二元化字串可用来加速特征比对，且二元化字串只需占少量的数据量，故可减少存储器空间的使用。

虽然本公开已以优选实施例公开如上，然其并非用以限定本公开。本公开所属技术领域的技术人员，在不脱离本公开的精神和范围内，当可作各种的更动与润饰。因此，本公开的保护范围当视所附权利要求书界定范围为准。