[發(fā)明專利]一種基于懲罰控制競爭學(xué)習(xí)聚類算法的特征分層匹配方法

有效

• 申請?zhí)枺?/td>: 201410439917.1
• 申請日: 2014-09-01
• 公開（公告）號: CN104240238B
• 公開（公告）日: 2017-02-15
• 發(fā)明（設(shè)計(jì)）人: 張鋒;趙杰煜;文順;鐘意偉
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙)33226
• 代理人: 程曉明

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像匹配技術(shù)，尤其是涉及一種基于懲罰控制競爭學(xué)習(xí)聚類算法的特征分層匹配方法。

背景技術(shù)

圖像匹配用于將不同傳感器在不同時(shí)間、不同成像條件下獲取的關(guān)于同一目標(biāo)或背景的兩幅或多幅圖像在空間上對準(zhǔn)(主要體現(xiàn)在幾何意義上)，或根據(jù)已知模式到另一幅圖像中找到相應(yīng)的模式。

圖像匹配是計(jì)算機(jī)視覺的一個重要研究內(nèi)容，圖像匹配己經(jīng)成為圖像處理、模式識別、信號檢測與估計(jì)等多種理論和技術(shù)交叉而產(chǎn)生的一門學(xué)科分支，對人工智能、圖像拼接、醫(yī)學(xué)診斷等領(lǐng)域起著重要的作用。

在過去幾十年內(nèi)很多學(xué)者在該領(lǐng)域做了大量的工作，針對不同的研究領(lǐng)域提出了許多不同的研究方法。這些方法有著各自不同的特點(diǎn)，根據(jù)不同的準(zhǔn)則可以進(jìn)行不同的分類。總的來說，大致可以分為以下三類：第一類是基于像素的圖像匹配方法，該類方法根據(jù)匹配的圖像間的相關(guān)函數(shù)、變換關(guān)系等來計(jì)算相應(yīng)的匹配參數(shù)，其中最簡單也是最常見的方法就是窗口模板匹配方法。第二類是基于特征的圖像匹配方法，該類方法根據(jù)待匹配圖像的重要特征之間的幾何關(guān)系確定匹配的圖像間的匹配參數(shù)，主要過程分為特征提取和特征匹配兩步，首先從兩幅圖像中提取灰度變化明顯的點(diǎn)、線、區(qū)域等特征形成特征集，然后通過尋找特征集之間的關(guān)系求出匹配的圖像間的匹配參數(shù)。第三類是基于模型的圖像匹配方法，該類方法是根據(jù)圖像失真的數(shù)學(xué)模型對圖像進(jìn)行非線性校準(zhǔn)的匹配，主要用于非剛體圖像，如人臉和醫(yī)學(xué)圖像的匹配，其關(guān)鍵在于模型的選擇。上述前兩類方法對應(yīng)于全局幾何變換，通常假定圖像中的對象僅是剛性的改變位置和姿態(tài)等，而第三類方法對應(yīng)于局部幾何變換，適合圖像中的對象之間的局部的非剛性變換的情形。

基于像素的圖像匹配方法由于需要把匹配點(diǎn)周圍區(qū)域的像素點(diǎn)的灰度都考慮進(jìn)來進(jìn)行計(jì)算，因此匹配計(jì)算量大，匹配速度慢。而基于特征的圖像匹配方法由于提取了圖像的顯著特征，因此大大壓縮了圖像信息，計(jì)算量小。在基于特征的圖像匹配方法中，常見的特征點(diǎn)檢測算法有Moravec算子、Harris算子、SUSAN算子、MIC算子、SIFT算子等等。其中，SIFT算子是比較有代表性的特征提取方法，通過該算子提取的特征具有良好的尺度與旋轉(zhuǎn)不變性，對圖像的仿射變換、三維視覺變化、噪聲干擾、光照改變等有較強(qiáng)的魯棒性，因此被廣泛運(yùn)用和研究。然而，現(xiàn)有的基于SIFT特征的圖像匹配方法存在以下問題：在對兩幅圖像的SIFT特征進(jìn)行配對的過程中，通常需要使用參考圖像的特征集作為輸入來構(gòu)建K-D樹，然后將每個待匹配特征作為查詢點(diǎn)，在K-D樹中使用最近鄰搜索算法進(jìn)行搜索配對，但是，如果圖像的內(nèi)容比較豐富，則提取出來的特征數(shù)量就會增加，使得構(gòu)建出的K-D樹結(jié)構(gòu)變大，從而延長了搜索時(shí)間，特征配對的計(jì)算量也會隨之上升，造成匹配效率低下。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種基于懲罰控制競爭學(xué)習(xí)聚類算法的特征分層匹配方法，其計(jì)算復(fù)雜度低，且匹配效率高。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于懲罰控制競爭學(xué)習(xí)聚類算法的特征分層匹配方法，其特征在于包括以下步驟：

①選取不同時(shí)間、不同成像條件下獲取的包含同一目標(biāo)對象的尺寸大小一致的兩幅圖像，隨機(jī)選擇其中一幅圖像作為參考圖像，將另一幅圖像作為待匹配圖像；

②利用SIFT算子提取參考圖像和待匹配圖像的所有SIFT特征，將由參考圖像的所有SIFT特征構(gòu)成的集合定義為參考特征集，將由待匹配圖像的所有SIFT特征構(gòu)成的集合定義為待匹配特征集，其中，每個SIFT特征為一個128×1維向量；

③采用懲罰控制競爭學(xué)習(xí)聚類算法，分別對參考特征集和待匹配特征集進(jìn)行聚類操作，得到參考特征集和待匹配特征集各自的最終的類別數(shù)以及每個類的中心單元和每個類各自擁有的樣本；

④根據(jù)參考特征集的每個類的中心單元和每個類中的所有樣本，利用K-D樹構(gòu)建方法構(gòu)建得到參考特征集對應(yīng)的父層K-D樹和每個類對應(yīng)的子層K-D樹，然后將待匹配特征集的每個類的中心單元作為一個父查詢目標(biāo)在父層K-D樹中找出對應(yīng)的最近鄰節(jié)點(diǎn)，再將待匹配特征集的每個類中的每個樣本作為一個子查詢目標(biāo)，在該類對應(yīng)的父查詢目標(biāo)的最近鄰節(jié)點(diǎn)所屬類的子層K-D樹中找出該類對應(yīng)的每個子查詢目標(biāo)的最近鄰節(jié)點(diǎn)，將每個子查詢目標(biāo)與其最近鄰節(jié)點(diǎn)作為待匹配圖像與參考圖像之間的一個特征匹配對，完成特征分層匹配。

所述的步驟③的具體過程為：

③-1、將參考特征集中的每個SIFT特征中的梯度信息作為一個樣本，每個樣本為一個128×1維的向量；