[發明專利]一種改進的SURF快速匹配方法

有效

• 申請號: 201310400003.X
• 申請日: 2013-09-05
• 公開（公告）號: CN103426186A
• 公開（公告）日: 2013-12-04
• 發明（設計）人: 楊明強;韓峰;賁晛燁
• 申請（專利權）人: 山東大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 許德山

1.一種改進的SURF快速匹配方法，步驟如下：

1)求取初始圖像的積分圖像和Hessian矩陣的行列式

對需要進行匹配的初始圖像遍歷求取初始圖像的積分圖像，并求取圖像上每個點的Hessian矩陣的行列式；

2)建立尺度空間金字塔并進行特征點的定位

為使SURF算法具有尺度不變性，必須建立尺度空間金字塔，保持圖像大小不變，通過改變盒式濾波器的模板大小來建立尺度圖像金字塔，具體構建方法為：圖像尺度空間金字塔分四層，對每一層進行四次濾波，第1層第一次濾波模板大小是給定的，為9*9，第1層中相鄰的模板尺寸相差6個像素，即第1層中第一至四次濾波模板大小分別是9*9、15*15、21*21和27*27；第2層中相鄰的濾波模板大小相差12個像素，第3層中相鄰的濾波模板大小相差24個像素，第4層中相鄰的濾波模板大小相差48個像素，每一層的第一個模板尺寸等于前一層的第二個模板的尺寸，故第2層中第一至四次濾波模板大小分別是15*15、27*27、39*39、51*51，第3層中第一至四次濾波模板大小分別是27*27、51*51、75*75、99*99，第4層中第一至四次濾波模板大小分別是51*51、99*99、147*147、195*195，每次濾波對應的近似尺度可由公式計算，其中σ_approx表示尺度；特征點定位過程：為Hessian矩陣響應值設定一個閾值，所有小于這個閾值的點都被去除，然后通過非極大值抑制將那些比其臨近層及本層尺度周圍的點的響應值都大或都小的點選為特征點，最后擬合三維二次函數精確確定特征點的位置和尺度；

3)通過Haar小波確定特征點的主方向

在以特征點為圓心，6σ為半徑的圓形鄰域里，用邊長為4σ的Haar小波模板求X和Y兩個方向的Haar小波響應，并用標準差為2σ的高斯函數對濾波后的區域加權，而后以特征點為中心，用一個圓心角為π/3的扇形在圓形鄰域內掃描一周，計算該扇形所掃描的每個π/3角度內包括的圖像點的Haar小波響應總和，取其中最大響應的方向為該特征點的主方向，其中σ為特征點所在的尺度值，X和Y是圓形鄰域所處的平面直角坐標系中的兩個方向；

4)進行特征點的分類

將檢測到的特征點在其相應尺度上按其主方向旋轉，將特征點的主方向作為平面直角坐標系xoy中的X軸，然后以特征點為圓心，以其所在尺度σ為半徑做一圓，坐標軸將此圓形領域劃分為四個區域，分別為平面直角坐標系xoy的四個象限中的像素區域，分別計算各象限中像素區域元素的像素和∑1，∑2，∑3，∑4，然后計算第一象限中的像素和與第三象限中的像素和的差值∑13，第二象限中的像素和與第四象限中的像素和的差值∑24，最后根據差值形成一個兩維的特征向量τ₁，τ₂，如下式所示：

τi=0Σi-Σi+2>01Σi-Σi+2<0i=1,2;]]>

5)形成特征描述向量

將特征點的主方向作為平面直角坐標系xoy中的一個軸，以特征點為原點，選取特征點的大小為20σ×20σ的矩形鄰域，然后將其平均分成4×4個子區域，即形成大小為5σ×5σ的16個子區域，用窗口尺寸為2σ的Haar小波對16個子區域進行濾波，Haar小波窗口在子區域內自上而下均勻掃描25次，得到25組x方向和y方向上的響應值dx、dy，再用標準差為3.3σ的高斯函數對dx，dy進行加權，統計子區域內的響應值dx、dy的和∑dx、∑dy以及其絕對值的和∑|dx|，∑|dy|的值，形成子區域內的特征向量，將4×4個子區域內的特征向量組合形成64維的向量，加上步驟4）得到的兩維向量τ₁，τ₂，共同組成新的66維向量v，即v＝(τ₁,τ₂,Σdx,Σ|dx|,Σdy,Σ|dy|)，對此66維向量進行歸一化處理，得到了特征點的改進的SURF特征描述子；

6)進行特征匹配

兩維向量的特征向量τ₁，τ₂組合為00,01,10,11四組，用基于BBF搜索方法的最近鄰匹配算法來完成對目標的檢測和識別，對特征向量進行相似性測量，以兩個特征向量的歐氏距離作為特征相似的判別標準，設兩幅圖像I₁和I₂的新的SURF特征向量集分別為V₁＝{v₁₁,v₁₂,...,v_1m}，V₂＝{v₂₁,v₂₂,...,v_2n}，其中m,n分別是兩圖像上SURF特征點的個數，計算相似特征向量的方法如下式：

dis(j0)=minj(dis(v1i,v2j))]]>

dis(j1)=minj≠j0(dis(v1i,v2j))]]>

R=dis(j0)dis(j1)]]>

dis(v_1i,v_2j)表示兩個特征集中兩個特征向量的歐式距離，其中V₂中第j₀個向量與V₁中第i個向量的歐氏距離最小，用dis(j₀)表示；V₂中第j₁個向量與V₁中第i個向量的歐氏距離次小，用dis(j₁)表示，R為dis(j₀)與dis(j₁)之比值，設定閾值R₀，當R>R₀時，特征向量匹配不成功，反之則兩向量為匹配向量對。