圖像局部不變特征提取與匹配及應(yīng)用研究.pdf

1、圖像特征提取是圖像分析、模式識(shí)別及計(jì)算機(jī)視覺(jué)等領(lǐng)域的一個(gè)重要研究?jī)?nèi)容，它是眾多問(wèn)題的研究基礎(chǔ)。由于目標(biāo)所在的圖像之間大部分都存在旋轉(zhuǎn)、視點(diǎn)、尺度、光照、模糊等變換，因此如何提取圖像的穩(wěn)定特征成為了相關(guān)領(lǐng)域的研究重點(diǎn)。近年來(lái)，一類局部不變特征由于其針對(duì)圖像平移、旋轉(zhuǎn)、尺度、光照及視點(diǎn)等變換具有不變性，已經(jīng)在圖像配準(zhǔn)、圖像拼接、物體識(shí)別、目標(biāo)跟蹤、數(shù)字水印及圖像檢索等方面得到了很廣泛地應(yīng)用?；诰植坎蛔兲卣鞯姆椒ㄖ饕襟E有特征提取(包括特征

2、檢測(cè)與特征描述)和特征匹配。本文深入分析了不變特征相關(guān)理論基礎(chǔ)，研究了已有的一些局部不變特征提取及匹配方法，針對(duì)這些方法存在的問(wèn)題作了相應(yīng)的改進(jìn)，并將改進(jìn)后的新方法應(yīng)用到了圖像配準(zhǔn)、物體識(shí)別等領(lǐng)域，獲得了較好的效果。
　　 研究了基于尺度空間理論的多尺度特征點(diǎn)檢測(cè)方法，分析了該類方法存在的問(wèn)題，并基于Harris角點(diǎn)提出了一種新的多尺度特征點(diǎn)檢測(cè)方法。新方法首先在尺度空間中的每個(gè)尺度內(nèi)檢測(cè)Harris特征點(diǎn)，遍歷所有尺度以跟蹤全

3、部的Harris點(diǎn)，并同時(shí)將其分組，使每組僅代表一個(gè)局部結(jié)構(gòu)。然后篩選每個(gè)組內(nèi)的特征點(diǎn)，選取使角點(diǎn)度量值和尺度歸一化Laplace函數(shù)同時(shí)達(dá)到極值的點(diǎn)代表該局部結(jié)構(gòu)。最后利用SIFT描述符對(duì)特征點(diǎn)進(jìn)行描述和匹配。由實(shí)驗(yàn)結(jié)果可知，對(duì)于包含尺度、視角、JPEG壓縮及模糊變化的圖像，新方法比原Harris-Laplace方法檢測(cè)的特征點(diǎn)具有更高的重復(fù)率。并且對(duì)于兩個(gè)譜段的遙感圖像配準(zhǔn)，新方法能夠得到比原Harris-Laplace方法更高的配

4、準(zhǔn)精度。
　　 尺度不變特征變換(Scale Invariant Feature Transform，SIFT)是一種廣泛應(yīng)用的特征點(diǎn)描述符。該描述符僅利用了特征點(diǎn)的局部鄰域梯度信息，當(dāng)圖像中包含多個(gè)相似的局部結(jié)構(gòu)時(shí)，SIFT描述符使散落在相似局部結(jié)構(gòu)中的點(diǎn)極易發(fā)生誤匹配。針對(duì)這一問(wèn)題，本文提出了一種基于空間分布描述符的SIFT誤匹配校正方法。該方法首先利用SIFT算法進(jìn)行特征點(diǎn)提取與匹配，然后對(duì)于每一個(gè)匹配結(jié)果中的特征點(diǎn)，再利

5、用圖像邊緣像素點(diǎn)對(duì)該點(diǎn)的空間分布信息重新描述，形成一種獨(dú)特性更高的空間分布描述符，最后采用該描述符針對(duì)匹配結(jié)果中的兩種誤匹配進(jìn)行校正。實(shí)驗(yàn)結(jié)果表明，與隨機(jī)抽樣一致性法(Random sample consensus，RANSAC)相比，利用空間分布描述符剔除更多誤匹配的同時(shí)，也能夠保留更多原本正確的匹配，具有一定的實(shí)用價(jià)值。
　　 同時(shí)，本文分析了一種仿射不變特征提取方法，即多尺度自卷積法(Multi-scaleAuto-con

6、volution,MSA)，基于該方法提出了一種多尺度自卷積熵(Multi-scaleAuto-convolution Entropy，MSAE)的仿射不變特征提取方法。首先，基于MSA特征構(gòu)造了MSAE特征，并證明了MSAE特征具有仿射不變性；再利用廣義典型相關(guān)分析(Generalized Canonical Correlation Analysis，GCCA)將MSA和MSAE進(jìn)行特征融合，得到新的包含圖像更多信息的組合仿射不變特征

7、，將該組合特征和MSA特征作為描述符，均分別對(duì)整幅圖像及圖像中檢測(cè)得到的最穩(wěn)定極值區(qū)域(Maximally Stable ExtremalRegion,MSER)進(jìn)行描述，并對(duì)描述后的整幅圖像和MSER區(qū)域分別進(jìn)行了分類識(shí)別實(shí)驗(yàn)，證明了新的組合仿射不變特征描述符比MSA特征描述符具有更高的獨(dú)特性。
　　 估計(jì)對(duì)極幾何的約束關(guān)系是剔除誤匹配的主流方法，其中M-估計(jì)法(M-Estimators)具有相對(duì)較快的計(jì)算速度及對(duì)高斯噪聲的穩(wěn)

8、定性，因此具有很好的應(yīng)用前景。但該類方法完全依賴由線性最小二乘法估計(jì)得到的矩陣初始值，精度較低，穩(wěn)定性較差?；诖耍疚奶岢隽艘环N改進(jìn)的M-Estimators算法。首先利用7點(diǎn)法計(jì)算得到基礎(chǔ)矩陣的初始值，再將匹配點(diǎn)與對(duì)應(yīng)極線的對(duì)極距離平方和作為度量，計(jì)算求得較原M-Estimators算法更加精確的矩陣初始值，然后利用此初始值剔除掉原匹配點(diǎn)集中的錯(cuò)誤匹配點(diǎn)及壞點(diǎn)，最后運(yùn)用Torr M-Estimators法對(duì)此時(shí)的匹配點(diǎn)集進(jìn)行非線性優(yōu)

9、化計(jì)算，得到了最終的匹配點(diǎn)對(duì)。實(shí)驗(yàn)結(jié)果表明，與M-Estimators和Torr-M-Estimators相比，改進(jìn)的M-Estimators法在誤匹配以及高斯噪聲存在的情況下，不僅提高了基礎(chǔ)矩陣的估計(jì)精度而且具有很好的魯棒性。
　　 最后，在研究Mean Shift算法及相關(guān)的Camshift(Continuously Adaptive Mean Shift)算法的原理并分析Camshifi算法缺點(diǎn)的基礎(chǔ)上，本文提出了一種結(jié)合

10、SIFT和Camshift的目標(biāo)跟蹤方法。該方法中，首先將目標(biāo)區(qū)域轉(zhuǎn)到HSV顏色空間，采用SIFT算法分別提取目標(biāo)區(qū)域H、S和V三通道的特征點(diǎn)，當(dāng)目標(biāo)區(qū)域中的背景紋理不復(fù)雜時(shí)，SIFT特征點(diǎn)大部分落于目標(biāo)之上，再利用這些特征點(diǎn)統(tǒng)計(jì)目標(biāo)的色度直方圖，然后根據(jù)該直方圖計(jì)算下一幀圖像的目標(biāo)顏色概率分布圖，接著采用SIFT算法提取搜索區(qū)域H、S和V三通道的特征點(diǎn)，并將其與目標(biāo)區(qū)域的特征點(diǎn)進(jìn)行匹配，最后利用匹配后搜索區(qū)域特征點(diǎn)圍成的圖像塊中的像素