基于局部特征的图像模式识别算法研究*

2014-09-13崔星华

吉林建筑大学学报 2014年6期

崔星华

(吉林建筑大学计算机科学与工程学院，长春 130118)

作为计算机视觉与模式识别的交叉领域，图像模式识别的目标可理解为[1]：发觉目标之间的重要差异.针对在图像的模式识别算法中存在的基于全局特征和基于局部特征算法，本文仅探讨基于局部特征的SIFT/SURF算法.目前，认为基于局部特征的识别与匹配算法有以下3个主要步骤：① 在不同的局部区域使用探测器提取特征点；② 对特征点附近一定范围内的区域提取其特征并构造特征向量，进而形成描述器；③ 通过匹配不同图像中的描述器，进而对特征点进行匹配，达到识别的目的.

1 SIFT算法描述及存在的问题

尺度不变特征变换(SIFT)是在局部特征匹配领域中应用效果较好的算法之一[2]，被人们不断深入地研究和改进，总结出了改进算法.Lowe于2004年提出、目前普遍认为是标准的、且较为成熟的SIFT算法[3].

(1) SIFT的检测方案. SIFT检测器是说明特征点的位置的，这里选用尺度不变算法来证明特征点的尺度不变性.则有：

L(x,y,δ)=G(x,y,kδ)*I(x,y)

(1)

由上式得L(x,y,δ)：

这里L(x,y)为输入；*为卷积运算；δ为尺度变量.

为了保证极值，人们构造如下函数：

D(x,y,δ)=G(x,y,kδ)-G(x,y,δ)

(2)

可证明，DoG与LoG之间的换算关系：

由上述定义，探测过程是DoG与L(x,y)的卷积操运算，达到生成DoG的过程，即：

DI(x,y,δ)=D(x,y,δ)*I(x,y)=[G(x,y,kδ)-G(x,y,δ)]*I(x,y)

(3)

(2) SIFT方案. SIFT算法主要用来描述特征点的变化，这里选用直方图法进行单位化，保证抗旋转和照度变换的能力.则有：

(4)

(5)

其中，m(x,y)为梯度；θ(x,y)为方向.

SIFT算法具有尺度不变、抗旋转等特性，但是在应用过程中发现存在如下问题：① 当图像分辨率较高时，计算速度将显著下降；② 当特征向量维数较高时，匹配速度明显下降.

因此，在处理大量信息的时候，特别是图库内动态查找、图像视觉导航等应用场合中，SIFT计算速度慢的缺陷就尤为明显.

2 SURF算法描述

SURF算法是对SIFT运算存在的问题进行了改进，并获得显著成功，已在实践中得到验证[4].

(1) SUFR的检测器方案. 不同于SIFT，SURF的检测器基Hessian矩阵.Hessian矩阵由下式定义：

(6)

在实际应用中，对高斯函数进行离散化.

box-filter滤波器系数被Hessian矩阵的F范数所约束，其表达式为：

可得出：det(H)=DxxDyy-(0.9Dxy)2

(7)

由上式，滤波响应按其模型的大小进行规范，使F范数在任意的滤波器上都是常数.

(2) SURF的描述方案. 与SIFT不同的是SURF用Haar小波来计算兴趣点周围的水平和垂直方向的梯度相应，小波尺度与box-filter所逼近的一致.这里SURF描述的检测范围是4*4的子区域，所以描述器是一个64维的特征向量.在保证旋转性不变、抗剪切和抗照度的条件下，对SURF做单位化处理.此时，同样具备旋转不变特征，SURF的描述器维度比SIFT少了一半，因此匹配速度会明显加快.