本发明涉及计算机领域，具体而言，本发明涉及一种用于特征点匹配的高维向量最小距离计算的提前结束优化方法。
背景技术
sift(scale-invariantfeaturetransformation尺度不变特征变换)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特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。
sift算法的三大工序为：(1)提取关键点；(2)对关键点附加详细的信息(局部特征)也就是所谓的描述器；(3)通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点，也就建立了景物间的对应关系。
surf(speed-uprobustfeatures加速健壮特征)算法是sift算法的加速版，是一种稳健的局部特征点检测和描述算法，较sift算法来说，速度快且稳定性好，采用积分图像、harr小波变换和近似的hessian矩阵运算来提高时间效率。
目前的surf算法，图像特征点用高维向量描述，特征点匹配需要通过高维向量，计算目标图像每个特征点与模板图像中所有特征点的欧氏距离，得到最小欧氏距离和次小欧氏距离，这种方法计算量大，直接影响匹配速度，不能满足surf算法实际应用中速度方面的需求。
技术实现要素：
本发明在现有的surf算法的基础上，优化高维向量计算特征点最小欧氏距离和次小欧氏距离方法，提高了surf匹配的速度。
根据本发明的一个实施例中，提供一种用于图像特征点匹配的高维向量最小距离计算提前结束方法，包括：
步骤110，计算目标图像的特征点与模板图像中的第一特征点的第一欧式距离，计算目标图像的所述特征点与模板图像中的第二特征点的第二欧式距离，将第一欧式距离和第二欧式距离作为最小欧氏距离和次小欧氏距离；
步骤120，将目标图像的所述特征点与模板图像中的下一特征点的高维向量描述中的元素划分成n个组，n为大于或等于2的整数；
步骤130，将一组元素加入欧式距离计算，获得当前欧式距离；
步骤140，将当前欧式距离与所述次小欧氏距离进行比较；
如果所述当前欧式距离大于或等于所述次小欧氏距离，提前结束模板图像当前特征点的欧式距离计算。
在本发明的一个实施例中，如果当前欧式距离小于次小欧氏距离，则在步骤150，判断目标图像的所述特征点与模板图像中的当前特征点的高维向量描述中的元素是否已经全部加入欧式距离计算，
如果元素没有全部加入欧式距离计算，则返回步骤130，
如果所有元素已经全部加入欧式距离计算，则在步骤160，更新最小欧氏距离和次小欧氏距离，将当前欧式距离与最小欧式距离作为更新的最小欧氏距离和次小欧氏距离。
在本发明的一个实施例中，该方法还包括：
步骤170，判断模板图像中是否存在未计算的特征点，如果模板图像中不存在未计算的特征点，则将当前最小欧氏距离和当前次小欧氏距离作为最终的最小欧氏距离和次小欧氏距离，如果模板图像中存在未计算的特征点，则返回步骤120。
在本发明的一个实施例中，当前欧式距离计算公式为：
根据本发明的另一个实施例中，提供一种图像特征点匹配方法，包括：
提取模板图像和目标图像中的特征点；
用高维向量描述每个特征点；
计算目标图像特征点与模板图像所有特征点的最小欧式距离和次小欧式距离，
其中计算目标图像特征点与模板图像所有特征点的最小欧式距离和次小欧式距离包括：
步骤110，计算目标图像的所述特征点与模板图像中的第一特征点的第一欧式距离，计算目标图像的所述特征点与模板图像中的第二特征点的第二欧式距离，将第一欧式距离和第二欧式距离作为最小欧氏距离和次小欧氏距离，
步骤120，将目标图像的所述特征点与模板图像中的下一特征点的高维向量描述中的元素划分成n个组，n为大于或等于2的整数，
步骤130，将一组元素加入欧式距离计算，获得当前欧式距离，
步骤140，将当前欧式距离与所述次小欧氏距离进行比较，
如果当前欧式距离大于或等于次小欧氏距离，提前结束模板图像当前特征点的欧式距离计算，
如果当前欧式距离小于次小欧氏距离，步骤150，判断目标图像的所述特征点与模板图像中的当前特征点的高维向量描述中的元素是否已经全部加入欧式距离计算，
如果元素没有全部加入欧式距离计算，则返回步骤130，
如果所有元素已经全部加入欧式距离计算，步骤160，更新最小欧氏距离和次小欧氏距离，将当前欧式距离与最小欧式距离作为更新的最小欧氏距离和次小欧氏距离，
步骤170，判断模板图像中是否存在未计算的特征点，如果模板图像中不存在未计算的特征点，则将最小欧氏距离和次小欧氏距离作为最终的最小欧氏距离和次小欧氏距离，如果模板图像中存在未计算的特征点，则返回步骤120。
在本发明的另一个实施例中，多次重复计算目标图像特征点与模板图像所有特征点的最小欧式距离和次小欧式距离的步骤，从而获取目标图像的多个特征点分别与模板图像所有特征点的最小欧式距离和次小欧式距离。
在本发明的另一个实施例中，当最小欧氏距离和次小欧氏距离的比值小于设定的阈值时，目标图像的特征点与对应最小欧氏距离的特征点匹配。
在本发明的另一个实施例中，当最小欧氏距离和次小欧氏距离的比值大于或等于设定的阈值时，目标图像的特征点没有匹配的特征点。
在本发明的另一个实施例中，用高维向量描述每个特征点包括：
确定特征点的主方向；
将坐标轴旋转为关键点的主方向，以特征点为中心，沿主方向将图像划分成4*4个小块，每个子块利用harr小波模板进行响应计算，然后对响应值进行统计∑dx、∑|dx|、∑dy、和∑|dy|，分别表示水平方向值之和、水平方向绝对值之和、垂直方向值之和、垂直方向绝对值之和，形成4*4*4高维向量描述，每一维度的值作为高维向量描述的一个元素。
在本发明的另一个实施例中，当前欧式距离计算公式为：
附图说明
为了进一步阐明本发明的各实施例的以上和其它优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。
图1示出根据本发明的一个实施例的图像特征点匹配方法的流程图。
图2示出根据本发明的一个实施例的目标图像每个特征点与模板图像中所有特征点的最小欧氏距离和次小欧氏距离确定方法的流程图。
具体实施方式
在以下的描述中，参考各实施例对本发明进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中，未示出或未详细描述公知的结构、材料或操作以免使本发明的各实施例的诸方面晦涩。类似地，为了解释的目的，阐述了特定数量、材料和配置，以便提供对本发明的实施例的全面理解。然而，本发明可在没有特定细节的情况下实施。此外，应理解附图中示出的各实施例是说明性表示且不一定按比例绘制。
在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
在以下的描述中，参考各实施例对本发明进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中，未示出或未详细描述公知的结构、材料或操作以免使本发明的各实施例的诸方面晦涩。类似地，为了解释的目的，阐述了特定数量、材料和配置，以便提供对本发明的实施例的全面理解。然而，本发明可在没有特定细节的情况下实施。此外，应理解附图中示出的各实施例是说明性表示且不一定按比例绘制。
在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
现有的surf算法的基本思路主要分为三部分：局部特征点的检测、特征点的描述、特征点的匹配。surf算法先提取出模板图像和目标图像中健壮的特征点，生成特征点高维向量描述子，通过高维向量计算特征点的欧氏距离，得到目标图像上的特征点到模板图像上所有特征点的欧氏距离，组成一个距离集合，通过对距离集合进行比较运算得到最小欧氏距离和次小欧氏距离，设置一个阈值，当最小欧氏距离和次小欧氏距离的比值小于该阈值时，认为特征点与对应最小欧氏距离的特征点是匹配的。
本发明对现有的surf算法特征点匹配计算过程进行了优化，从第三个欧氏距离计算开始，不需要将两特征点高维向量全部加入计算，而是逐步将高维向量固定数量的元素加入计算并与现有的次小欧氏距离比较，符合条件，可提前结束互不匹配的两个特征点之间的计算，大大减少特征点匹配的计算量，提高匹配速度。
图1示出根据本发明的一个实施例的图像特征点匹配方法的流程图。
首先，在步骤110，提取模板图像和目标图像中健壮的特征点。
将经过hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较，初步定位出关键点，再经过滤除能量比较弱的关键点以及错误定位的关键点，筛选出最终的稳定的特征点。
在步骤120，用高维向量描述每个特征点。
在本发明的一个实施例中，可首先确定特征点的主方向。可采用统计特征点圆形邻域内的harr小波特征的方式，获得特征点的主方向。接下来，生成特征点描述子。生成特征点描述子可包括将坐标轴旋转为关键点的主方向，以确保旋转不变性，以特征点为中心，沿主方向将图像划分成4*4个小块，每个子块利用harr小波模板进行响应计算，然后对响应值进行统计∑dx、∑|dx|、∑dy、和∑|dy|，分别表示水平方向值之和、水平方向绝对值之和、垂直方向值之和、垂直方向绝对值之和，形成4*4*4高维向量描述，每一维度的值作为高维向量描述的一个元素。
在本发明的其它实施例中，高维向量也可以是其它的维数，例如，32维，16维，128维等。
在步骤130，计算目标图像特征点与模板图像所有特征点的最小欧式距离和次小欧式距离。
在本发明的一个实施例中，对于两个特征点的相似性度量，采用欧式距离进行计算：
其中，xik表示目标图像中第i个特征点描述的第k个元素，xjk表示模板图像中第j个特征点描述的第k个元素，n表示特征向量的维数。
特征点匹配需要通过高维向量，找出目标图像每个特征点与模板图像中所有特征点的最小欧氏距离和次小欧氏距离，当最小欧氏距离和次小欧氏距离的比值小于设定的阈值时，特征点与对应最小欧氏距离的特征点匹配。
在本发明的具体实施例中，可将设定的阈值设定为0.8。当最小欧氏距离和次小欧氏距离的比值小于该阈值时，认为特征点与对应最小欧氏距离的特征点匹配，否则没有点与该特征点相匹配。阈值越小，匹配越稳定，但极值点越少。
图2示出根据本发明的一个实施例的目标图像每个特征点与模板图像中所有特征点的最小欧氏距离和次小欧氏距离确定方法的流程图。
在步骤210，计算目标图像的一个特征点与模板图像中的第一特征点的第一欧式距离，计算目标图像的该特征点与模板图像中的第二特征点的第二欧式距离，将这两个值作为最小欧氏距离和次小欧氏距离。
在步骤220，将目标图像的该特征点与模板图像中的下一特征点的高维向量描述中的元素划分成n个组，n为大于或等于2的整数，每组元素可包含了m个元素。在本发明的其它实施例中，每组元素可包含不同数量的元素。下文中，以每组包含相同数量的元素为例进行说明，但本发明的保护范围不限于此。
在步骤230，将一组元素加入欧式距离计算，获得当前欧式距离。此时，当前欧式距离为
在步骤240，将当前欧式距离与次小欧氏距离进行比较。
如果当前欧式距离大于或等于次小欧氏距离，则说明这两个特征点不匹配，提前结束模板图像当前特征点的欧式距离计算，转向步骤270。
如果当前欧式距离小于次小欧氏距离，则在步骤250，判断目标图像的该特征点与模板图像中的当前特征点的高维向量描述中的元素是否已经全部加入欧式距离计算。
如果元素没有全部加入欧式距离计算，则返回230。将下一组元素加入欧式距离计算，获得当前欧式距离，此时，当前欧式距离为
如果所有元素已经全部加入欧式距离计算，则在步骤260更新最小欧氏距离和次小欧氏距离，将当前欧式距离与最小欧式距离作为新的最小欧氏距离和次小欧氏距离。可多次重复步骤230至260，直至提前结束模板图像当前特征点的欧式距离计算或将n组元素全部加入欧式距离计算进而得到更新的最小欧氏距离和次小欧氏距离。
在步骤270，判断模板图像中是否存在未计算的特征点。
如果模板图像中不存在未计算的特征点，则将最小欧氏距离和次小欧氏距离作为最终的最小欧氏距离和次小欧氏距离。
如果模板图像中存在未计算的特征点，则返回步骤220。重复步骤220至步骤270，直到目标图像特征点与模板图像所有特征点匹配计算完成，获得最终的最小欧氏距离和次小欧氏距离。
当最小欧氏距离和次小欧氏距离的比值小于设定的阈值时，特征点与对应最小欧氏距离的特征点匹配。
本发明的特征点检测和特征点描述方法与现有surf算法相同，而特征点匹配过程采用现有surf算法的特征点匹配方法和高维向量最小距离计算的提前结束的方法实现。通过本发明公开的方法可有效减少高维向量最小距离计算的计算量，提高surf算法速度。本发明为图像匹配提供一种高效方法。
尽管上文描述了本发明的各实施例，但是，应该理解，它们只是作为示例来呈现的，而不作为限制。对于相关领域的技术人员显而易见的是，可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此，此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。