一种基于非线性尺度空间的ORB特征点匹配方法与流程

本发明涉及图像处理领域，特别涉及一种基于非线性尺度空间的orb特征点匹配方法。

背景技术：

orb特征是目前最具代表性的实时图像特征，它改进了fast检测子不具有方向性的问题，并采用改进了具有速度极快的二进制描述子brief，使其具有旋转不变性，从而使得整个图像特征提取的环节大大加速。orb算法的实时性远远高于经典的sift、surf算法。

然而orb算法并没有很好地解决尺度不变性的问题，而现有的改进orb算法虽然引进了线性的高斯金字塔构造尺度空间，但是容易造成边界模糊和细节丢失。通过构建非线性尺度空间可以解决这个问题，但传统方法基于正向欧拉法求解非线性扩散方程时迭代收敛的步长太短，耗时长、计算复杂度高。

技术实现要素：

本发明所要解决的技术问题是实现一种基于非线性尺度空间的orb特征点匹配方法，结合kaze对orb进行改进，同时引入非线性尺度空间，利用aos算法求解得到非线性尺度空间的所有图像，使之具有尺度不变性并且保留了orb运算速度快的特点，同时还克服了现有改进算法利用线性的高斯金字塔构造尺度空间易造成边界模糊和细节丢失的问题。

为了实现上述目的，本发明采用的技术方案为：一种基于非线性尺度空间的orb特征点匹配方法，包括以下步骤：

步骤1、输入图像，构建非线性尺度空间；

步骤2、利用fast进行特征点的检测；

步骤3、计算剩余特征点的质心方向；

步骤4、计算orb特征点描述子；

步骤5、采用bruteforce算法进行特征点匹配；

步骤6、筛选特征点匹配对并输出检测后的图像。

所述步骤1中采用aos算法和可变传导扩散方法来构造非线性尺度空间。

所述步骤1中构造非线性尺度空间的步骤包括：

1)对输入的原始图像进行高斯滤波；

2)计算图像的梯度直方图从而获得扩散级别的对比尺度参数k；

3)根据尺度参数时间t构造非线性尺度空间；

4)利用aos算法求解得到非线性尺度空间的所有图像：

所述步骤2中计算剩余特征点的质心方向利用公式：

n＝∑x∈around(p)fdet(ix，ip)，对步骤1中所构造的非线性尺度空间中的每层图像进行fast检测。

所述步骤2中n取9，判断出候选特征点，之后对每层图像进行空间上的非极大值抑制。

所述步骤3定义图像中特征点邻域的(p+q)阶矩为：

mpq＝∑x，yx^py^qi(x，y)；

通过阶矩可以找到图像块的质心：

则特征点的质心方向为：

所述步骤4计算特征点的方法包括：

1)将s×s范围的邻域p的判定准则τ定义为：

2)随机选择n对点xi，yi生成一个二进制字符串，则生成的特征描述子可以表述为：fn(p)：＝∑1≤i≤n2^i-1τ(p；xi，yi)；

3)对任意n个用二进制表示的特征点的集合，引入一个2×n的矩阵：

4)利用特征点检测得到的主方向确定的仿射变换矩阵rθ进行旋转从而得到新的描述矩阵：

5)得到具有旋转角度的特征描述子：

gn(p，θ)：＝fn(p)|(xi，yi)∈sθ。

所述步骤5中bruteforce的计算方法包括：

1)使用汉明距离作为度量；

2)将第一幅待测图像中每一个特征点与另一幅待测图像中的所有特征点进行测量描述子的距离；

3)取最近的一个作为匹配点。

所述步骤6中筛选特征点匹配对的筛选依据是汉明距离小于最小距离的两倍。

本发明的优点在于不但使得orb具有尺度不变性和保留了orb运算速度快的特点，同时还克服了现有改进算法利用线性的高斯金字塔构造尺度空间易造成边界模糊和细节丢失的问题。

附图说明

下面对本发明说明书中附图表达的内容作简要说明：

图1为基于非线性尺度空间的orb特征点匹配方法流程图。

具体实施方式

本发明是一种于非线性尺度空间的orb特征点匹配方法，结合kaze对orb进行改进，同时引入非线性尺度空间，利用aos算法求解得到非线性尺度空间的所有图像，使之具有尺度不变性并且保留了orb运算速度快的特点，同时还克服了现有改进算法利用线性的高斯金字塔构造尺度空间易造成边界模糊和细节丢失的问题。

具体如图1所示，包括以下六个步骤

步骤1：输入图像，借鉴kaze算法的思想构建非线性尺度空间；借鉴kaze算法利用aos算法和可变传导扩散方法来构造非线性尺度空间。

非线性尺度空间构造的过程为首先对输入的原始图像进行高斯滤波，然后计算图像的梯度直方图从而获得扩散级别的对比尺度参数k，最后根据尺度参数时间t构造非线性尺度空间，利用aos算法求解得到非线性尺度空间的所有图像：

(e：单位矩阵，i：尺度，ti：进化时间，l：维度，al：图像在各维度(l)上传导性的矩阵)。

步骤2：利用fast-9在步骤1所构造的非线性尺度空间中进行特征点的检测；

利用(ix：圆周上任一点的灰度值，ip：待测点的灰度值)

n＝∑x∈around(p)fdet(ix，ip)(n：所有圆周点x与特征点p判定函数值的和)

对步骤1所构造的非线性尺度空间中的每层图像进行fast检测，这里n取9即为fast-9，判断出候选特征点，然后对每层图像进行空间上的非极大值抑制。

步骤3：计算剩余特征点的质心方向；

利用灰度质心法计算特征点的质心方向，具体方法为：定义图像中某特征点邻域的(p+q)阶矩为：mpq＝∑x，yx^py^qi(x，y)(i(x，y)：点(x，y)处的灰度值)；

通过矩可以找到图像块的质心：(m00：零阶矩，m01、m10：一阶矩)；

则该特征点的质心方向为：(θ：质心方向)；

步骤4：计算orb特征点描述子；

首先，将s×s范围的邻域p的判定准则τ定义为：

(p(x)、p(y)分别为图像块p在像素点x，y处的灰度值)；

随机选择n对点xi，yi就可以生成一个二进制字符串，则生成的特征描述子可以表述为：fn(p)：＝∑1≤i≤n2^i-1τ(p；xi，yi)(fn(p)：特征描述子)；

对任意n个用二进制表示的特征点的集合，引入一个2×n的矩阵：利用特征点检测得到的主方向确定的仿射变换矩阵rθ进行旋转从而得到新的描述矩阵：

(sθ：新的描述矩阵；rθ：仿射变换矩阵)；

最后得到具有旋转角度的特征描述子：

gn(p，θ)：＝fn(p)|(xi，yi)∈sθ(gn(p，θ)：具有旋转角度的描述子，n可取128，256，512)。

步骤5：采用bruteforce算法进行特征点匹配；

算法具体是：使用汉明距离作为度量，将第一幅待测图像中每一个特征点与另一幅待测图像中的所有特征点进行测量描述子的距离，然后取最近的一个作为匹配点。

步骤6：筛选特征点匹配对并输出检测后的图像，筛选特征点匹配对的筛选依据是汉明距离小于最小距离的两倍。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。