[發(fā)明專利]一種基于哈希算法的大規(guī)模影像匹配方法

在審

• 申請?zhí)枺?/td>: 201711308095.3
• 申請日: 2017-12-11
• 公開（公告）號: CN109902700A
• 公開（公告）日: 2019-06-18
• 發(fā)明（設(shè)計）人: 錢曉明;譚靖;宋瑞麗
• 申請（專利權(quán)）人: 北京航天泰坦科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京方安思達(dá)知識產(chǎn)權(quán)代理有限公司 11472
• 代理人: 陳琳琳;武玥

1.一種基于哈希算法的大規(guī)模影像匹配方法，所述方法包括：

步驟1)提取原圖像和目標(biāo)圖像的所有特征點；

步驟2)在每個特征點處提取特征描述子，并為特征點分配方向值，生成特征向量；

步驟3)利用哈希算法將所有的特征向量映射到哈希表，每個特征向量對應(yīng)一個哈希特征碼，利用映射函數(shù)將哈希特征碼分別分配至若干個桶組中；

步驟4)從原圖像中選取一個特征點的特征向量為原特征向量，利用哈希表中的特征向量對原圖像和目標(biāo)圖像進行匹配，獲取匹配的同名點。

2.根據(jù)權(quán)利要求1所述的基于哈希算法的大規(guī)模影像匹配方法，其特征在于，所述步驟1)具體為：

采用sift算法為原圖像和目標(biāo)圖像建立尺度空間及為特征點建立方向向量，從而檢測出一種對尺度、旋轉(zhuǎn)變化都具備不變性的特征點。

3.根據(jù)權(quán)利要求2所述的基于哈希算法的大規(guī)模影像匹配方法，其特征在于，所述步驟2)具體為：

以特征點為中心取16*16的鄰域作為采樣窗口，將采樣窗口的采樣點與特征點的相對方向通過高斯加權(quán)后歸入包含8個方向的梯度直方圖，最后獲得128維特征向量；將每個特征描述子歸一化至0-120區(qū)間。

4.根據(jù)權(quán)利要求1所述的基于哈希算法的大規(guī)模影像匹配方法，其特征在于，所述步驟3)的哈希算法為：MD2、MD4、MD5或SHA-1。

5.根據(jù)權(quán)利要求3所述的基于哈希算法的大規(guī)模影像匹配方法，其特征在于，所述步驟3)包括：

步驟3-1)采用正態(tài)分布隨機數(shù)生成器生成所有特征向量的哈希特征碼；

步驟3-2)利用映射函數(shù)將哈希特征碼分別映射至6個桶組，每個桶組含2¹⁰只桶；

步驟3-3)分別計算每個特征向量在6只桶組里的桶ID號。

6.根據(jù)權(quán)利要求4所述的基于哈希算法的大規(guī)模影像匹配方法，其特征在于，所述步驟4)具體包括：

步驟4-1)采用桶ID號作為初次匹配相似性度量，將原圖像的原特征向量Hash₀所在的桶組里檢索具有相同桶ID號的目標(biāo)圖像的特征向量，檢索到的特征向量為初始匹配特征向量Hash_i，1≤i≤M,M為初始匹配特征向量的個數(shù)；

步驟4-2)對初始匹配特征向量采用海明距離做第二次相似性度量，獲得10個備選匹配特征向量；

對初始匹配特征向量Hash_i和原特征向量Hash₀進行異或運算，計算出兩個特征哈希碼的海明距離dH_i，從中選出10個海明距離最小的特征向量作為備選匹配特征向量：

步驟4-3)采用歐式距離對10個備選匹配特征向量做第三次相似性度量，獲得2個最近備選匹配特征向量；

計算10個備選匹配特征向量與原特征向量的歐式距離，選擇距離最近的兩個備選匹配特征向量為最近匹配特征向量；

原圖像中特征向量表示為R＝(r₁,r₂,…,r₁₂₈)

目標(biāo)圖像中特征向量表示為S＝(s₁,s₂,…,s₁₂₈)

以上兩個特征之間的歐式距離表示為：

步驟4-4)計算兩個最近匹配特征向量與原特征向量的歐式距離的比值，如果比值小于閾值T，則取歐式距離最小的點為該特征點的匹配點，否則，判斷該特征點沒有匹配點。