本发明属于图像检测技术领域，具体涉及一种基于局部变化检测和空间加权的重复图像匹配方法。
背景技术
随着科技信息技术的发展和人们对安全需求的不断提高，视频监控系统在很多领域都得到了广泛的应用。作为安防产品的重要组成部分,视频监控产品占其比例在50％左右,2014-2016年期间,视频监控在安防产品应用中的比例分别为47.06％、48.33％和50.63％。2010-2017年期间,我国视频监控市场规模从242亿元增长到1124亿元,年均复合增长率达24.53％。
针对监控视频中的重复图像检测，国内外学者做了大量的研究工作。主要的图像匹配算法可以归为四类：基于区域的匹配算法、基于特征的匹配算法、基于模型的匹配算法和基于变换域的匹配算法。提取待匹配图像中的特征点，如亮度、边缘、角点、轮廓等信息，结合相似度衡量准则进行匹配是目前最普遍也是最有效的重复图像检测方法。
sift(尺度不变特征变换)是一种局部特征描述子，sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力；sift算法提取出的匹配特征点缺乏位置信息，未考虑空间分布和异常点的影响，直接用于重复图像的匹配缺乏一定的合理性。
聚类分析又称群分析，是对多个样本(或指标)进行定量分类的一种多元统计分析方法。对样本进分类又称为q型聚类分析。
由此，本发明在sift算法的基础上，引入二维高斯函数和q型聚类分析，提出了一种基于局部变化检测和空间加权的重复图像匹配方法。
技术实现要素：
为解决现有技术中的不足，本发明提供一种基于局部变化检测和空间加权的重复图像匹配方法，解决衡量图像重复匹配程度时缺乏像素点的空间分布和异常点导致匹配不准确的问题。
为了实现上述目标，本发明采用如下技术方案：一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：包括步骤：
步骤一：输入待匹配图像，通过sift算法提取待匹配图像中的匹配点及其相应的位置信息；
步骤二：选定待匹配图像中的一幅图像进行投影变换；
步骤三：投影变换后，将匹配点间的距离、异常点、投影变换幅度作为衡量重复图像的匹配度的三个指标；
步骤四：结合步骤三中匹配点间的距离、异常点、投影变换幅度，建立以匹配点位置信息相似度最大和投影变换幅值最小的目标函数；
步骤五：对目标函数通过最小二乘法求解出投影变换参数，代入目标函数将最终得到的目标函数值与阈值相比较得出匹配结果。
前述的一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：所述步骤一中，通过sift算法提取待匹配图像中的匹配点及其相应的位置信息，得到公式：
其中，n为总的匹配特征点的对数，(xi，yi)与
前述的一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：所述步骤二选定待匹配图像中的一幅图像进行投影变换，具体为：
其中，a、b、c、d为投影变换参数，
前述的一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：步骤三：投影变换后，将匹配点间的距离、异常点、投影变换幅度作为衡量重复图像的匹配度的三个指标，具体为：
步骤3.1：计算投影变换后待匹配图像对应的匹配点之间的距离：
其中，
通过欧式距离与二维高斯函数组合的方式得到加权后的
其中，ωi表示通过二维高斯函数获得的权重，m和l分别代表图像的行像素点数和列像素点数；
步骤3.2：检测匹配点间的异常点；
引入q型聚类分析找潜在的异常点，以匹配点的欧式距离作为分类准则，将匹配点分为波动较大和波动较小两类，其中波动较大的匹配点视为潜在异常点，具体通过0-1变量fi表示，如式(6)：
其中，z表示波动较小匹配点的距离集合，
步骤3.3：检测投影变换幅度，通过式(7)表示投影变换的幅度g：
g＝a2+b2+c2+d2(7)
其中，a、b、c、d为投影变换参数，幅度g越大，投影变换的程度越大，图像匹配度越低。
前述的一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：所述步骤四：结合步骤三中匹配点的距离、异常点、投影变换幅度，建立以匹配点位置信息相似度最大和投影变换幅值最小的目标函数，目标函数j具体为：
其中，n为总的匹配特征点的对数，λ为修正系数。
前述的一种基于局部变化检测和空间加权的重复图像匹配方法，其特征在于：所属于步骤五：对目标函数通过最小二乘法求解出投影变换参数，代入目标函数将最终得到的目标函数值与阈值相比较得出匹配结果，具体为：
以式(8)为目标函数运用最小二乘法求解：
对参数a、b、c、d分别求偏导数，表示如方程组(9)所示：
解方程组(9)，即可求出参数a、b、c、d，如式(10)所示：
其中，
将求解出的投影变换参数式(10)代入式(8)中j的表达式，将将最终得到的目标函数值与阈值进行比较进而判断图像的匹配程度。
本发明具有的有益效果：本发明所提出的基于局部变化检测和空间加权的重复图像匹配方法，能够有效检测监控平台的冗余图像，节省了大量的存储空间，通过引入投影变换模拟了拍摄角度细小变换对结果的影响，考虑到像素空间分布对结果的影响，同时加入异常点对匹配结果的影响，提高了重复图像检测的合理性和可靠性。
附图说明
图1是本发明方法的流程示意图；
图2是sift算法的实现流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于局部变化检测和空间加权的重复图像匹配方法，包括以下步骤：
步骤一：输入待匹配图像，如图2所示，通过sift算法提取待匹配图像中的匹配点及其相应的位置信息，如公式(1)所示，
其中，n为总的匹配特征点的对数，(xi，yi)与
步骤二：选定待匹配图像中的一幅图像进行投影变换，模拟拍摄角度的细微变化对匹配结果的影响；
大多数重复图像都不可避免地会受到拍摄角度的影响，由此引入投影变换去模拟角度变换对匹配结果带来的影响。假设如式(2)所示的投影变换存在，则投影变换后待匹配图像的匹配点分布大致相同，具体地选定待匹配图像中的一幅图像进行如下投影变换：
其中，a、b、c、d为投影变换参数，
步骤三：投影变换后，将匹配点间的距离、异常点、投影变换幅度作为衡量重复图像的匹配度的三个指标，具体过程为：
步骤3.1：计算投影变换后待匹配图像对应的匹配点之间的距离；
在投影变换后，通过匹配点间的距离检测投影变换是否存在，若距离过大，则说明待匹配图像之间不存在适当的投影变换，即匹配度较低，具体地通过欧式距离表征：
其中，
大多数的图像主要信息集中在中间区域，周围像素点大多数体现的是背景信息，对匹配结果的影响远不及中间区域。由此，引入二维高斯函数描述像素点的空间分布对结果影响的重要性情况，将二维高斯函数的中心对应为图像的中心像素点(0.5m，0.5l)(其中，m和l分别代表图像的行像素点数和列像素点数)处，二维高斯函数值由中心向四周呈辐射状递减，通过欧式距离与二维高斯函数组合的方式得到最终的匹配点距离ei，具体为：
其中，ei表示加权后的
步骤3.2：检测匹配点间的异常点；
统筹考虑所有匹配点的距离时往往会忽略异常点的存在，因此，引入q型聚类分析找潜在的异常点，以匹配点的欧式距离作为分类准则，将匹配点分为波动较大和波动较小两类，其中波动较大的匹配点视为潜在异常点，它们的距离值对匹配结果至关重要，具体通过0-1变量fi表示，如式(6)：
其中，z表示波动较小匹配点的距离集合，
步骤3.3：检测投影变换幅度，衡量待匹配图像时，除了考虑匹配点的距离、像素点的空间分布和异常点，还需要保证投影变换幅值在一定范围内，若投影变换过大则失去其存在的意义，无法保证图像的相似性，具体地通过式(7)表示投影变换的幅度g：
a＝a2+b2+c2+d2(7)
其中，a、b、c、d为投影变换参数，幅度g越大，投影变换的程度越大，图像匹配度越低；
步骤四：结合步骤三中的三个指标(匹配点的距离、异常点、投影变换幅度)，建立以匹配点位置信息相似度最大和投影变换幅值最小的目标函数，具体为：
影响匹配结果的主要来源有两个：匹配点的位置信息和投影变换，其中，匹配点的位置信息通过欧式距离衡量，并加入像素点的空间分布和异常点的影响。最终，用潜在异常点的高斯加权距离和来表征匹配点的位置信息的影响。对于匹配度较高的图像而言，距离应尽可能的小才能保证适当的投影变换存在，同时投影变换还应保证在可容忍的范围内，否则投影变换将失去意义，由此得到目标函数j：
其中，n为总的匹配特征点的对数，λ为修正系数，根据实验测试结果，选定λ的取值范围为：0.1～10；
步骤五：对目标函数通过最小二乘法求解出投影变换参数，代入目标函数，将最终目标函数值与阈值相比较得出匹配结果；
对于投影变换参数的估计，以式(8)为目标函数运用最小二乘法求解：
对参数a、b、c、d分别求偏导数，表示如方程组(9)所示：
解方程组(9)，即可求出参数a、b、c、d，如式(10)所示：
其中，
将求解出的投影变换参数式(10)代入式(8)中j的表达式，将最终得到的目标函数值与阈值进行比较进而判断图像的匹配程度。
综上，本发明能够模拟细微拍摄角度变化对结果的影响，考虑到像素点的空间分布对结果的影响，同时加入异常点对匹配结果的影响，具有更高的鲁棒性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。