基于相關(guān)區(qū)域約束的SURF特征點(diǎn)匹配

王海麗， 張 良

(中國民航大學(xué) a.工程技術(shù)訓(xùn)練中心；b.智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室,天津 300300)

0 引言

局部特征檢測(cè)與匹配是計(jì)算機(jī)視覺研究的熱點(diǎn)。局部特征可以是對(duì)圖像尺度、光照、視角變化、噪聲等不敏感的角點(diǎn)、直線、邊緣、隨機(jī)點(diǎn)等，才能有效地進(jìn)行目標(biāo)跟蹤?；趲缀文０宓姆椒y以解決目標(biāo)之間的遮擋；基于紋理的算法對(duì)尺度變化敏感，可重現(xiàn)性低，在目標(biāo)跟蹤中容易丟失目標(biāo)。結(jié)合基于魯棒特征點(diǎn)進(jìn)行定位，基于分布的特征向量進(jìn)行匹配可以有效地解決這一難題。

局部特征點(diǎn)檢測(cè)器有 Harris, SUSAN, Harris-Laplacian, SIFT[1]、GLOH等被廣泛用于目標(biāo)跟蹤[2]，移動(dòng)博物館向?qū)3]等，高維的特征提取和基于距離的匹配計(jì)算量大，復(fù)雜度高。SURF[4]速度快，可結(jié)合 Harris角點(diǎn)進(jìn)行機(jī)器人定位導(dǎo)航[5]?；谶\(yùn)動(dòng)相關(guān)性匹配幀間SURF特征，根據(jù)特征向量的NN/SN，誤匹配率較高；增加隨機(jī)抽樣一致性估計(jì)算法[6]可有效去除孤立點(diǎn)；在連續(xù)幀間增加約束條件進(jìn)行特征匹配，有效估計(jì)運(yùn)動(dòng)目標(biāo)，實(shí)現(xiàn)準(zhǔn)確的特征匹配和目標(biāo)跟蹤。

1 常用局部特征點(diǎn)檢測(cè)算法及特點(diǎn)

局部特征點(diǎn)檢測(cè)算法中，Harris角點(diǎn)檢測(cè)計(jì)算亮度變化進(jìn)行近似，可重現(xiàn)性高，對(duì)旋轉(zhuǎn)、光照變化具有不變性，但對(duì)尺度變化敏感。SUSAN比較模板中的像素值與模板中心的相對(duì)變化計(jì)算USAN面積，適合低層次圖像處理，受閾值影響大，定位精度低。Harris-Lapalcian建立Harris角點(diǎn)的多尺度空間，計(jì)算Laplacian算子極值，最終定位出多尺度的Harris角點(diǎn)。SIFT算法在高斯差分尺度空間中，計(jì)算極值進(jìn)行定位，利用梯度方向指定主方向，在鄰域內(nèi)生成128維的特征向量，采用NN/SN進(jìn)行匹配，提取特征數(shù)目多，穩(wěn)定性好，可擴(kuò)展性強(qiáng)。但圖像構(gòu)造層數(shù)和高維特征向量都使其計(jì)算量較大，實(shí)時(shí)性較差。

2 基于區(qū)域相關(guān)約束的SURF算法

SURF速度優(yōu)于SIFT算法，區(qū)別如表1所示。SURF算法的特征定位，如圖1所示，然后在鄰域內(nèi)指定主方向；計(jì)算Harr小波響應(yīng)的和，將每一個(gè)子區(qū)域內(nèi)的小波響應(yīng)dx和dy相疊加，形成該子區(qū)域的特征向量V的元素，每個(gè)子區(qū)域有4個(gè)特征元素，如式(1)所示，4×4的子區(qū)域可生成64維的特征向量。核實(shí)拉普拉斯符號(hào)檢索策略來加速匹配，采用基于歐式距離的相似度匹配。

SURF的速度增益源于使用積分圖，采用盒濾波器進(jìn)行卷積，與圖像尺度無關(guān)；特征向量維數(shù)小，拉普拉斯符號(hào)加快了匹配。

SURF算法和SIFT 算法實(shí)現(xiàn)的比較如表1所示。

表1 SURF算法和SIFT 算法實(shí)現(xiàn)的比較

特征匹配中，采用NN/SN作為唯一的匹配標(biāo)準(zhǔn)，忽略了特征向量之間的統(tǒng)計(jì)規(guī)律。隨機(jī)抽樣一致性估計(jì)在進(jìn)行參數(shù)估計(jì)時(shí)，并非不加區(qū)分地對(duì)待所有輸入數(shù)據(jù)，而是針對(duì)具體問題設(shè)計(jì)搜索引擎，利用它剔除與所估計(jì)的參數(shù)不一致的數(shù)據(jù)，利用正確的輸入數(shù)據(jù)來估計(jì)參數(shù)，可以去除孤立點(diǎn)，減少后續(xù)距離的計(jì)算量，可提高匹配正確率。

在連續(xù)視頻幀間，目標(biāo)的運(yùn)動(dòng)是有限的，運(yùn)動(dòng)目標(biāo)上特征點(diǎn)位置的連續(xù)性可用于特征匹配前剔除孤立點(diǎn)。SURF特征在兩幀中可能會(huì)出現(xiàn)在相同或相近的位置，因此特征匹配應(yīng)在其鄰域內(nèi)進(jìn)行。鄰域大小R的設(shè)定跟運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)速度和處理時(shí)跳過幀的多少有關(guān)。改進(jìn)的特征匹配，如圖2所示，增加的約束條件，如虛線所示，將當(dāng)前幀的第i個(gè)特征點(diǎn)的特征向量P1(i)與下一幀所有特征向量P2匹配，NN/SN越小，匹配越準(zhǔn)確。

3 仿真結(jié)果分析

第1組源數(shù)據(jù)為338×289、512×384和320×240JPEG的灰圖像，在凌亂和存在部分遮擋的背景下，圖像發(fā)生視角、光線、尺度變化后，比較僅采用 NN/SN和增加隨機(jī)抽樣一致性估計(jì)算法的匹配結(jié)果，如圖3所示，NN/SN=0.75，耗時(shí)為3.7 s和0.54 s。仿真表明：隨機(jī)抽樣一致性估計(jì)可以有效地去除孤立點(diǎn)，提高正確匹配率，魯棒地識(shí)別目標(biāo)。

第 2組源數(shù)據(jù)為 737飛機(jī)和 PETS數(shù)據(jù)庫576×720視頻幀。假設(shè)運(yùn)動(dòng)目標(biāo)已分割，跳過3幀作為待匹配幀，圖4(a)和圖4(b)采用NN/SN進(jìn)行匹配，約90%的特征點(diǎn)重現(xiàn)，但在運(yùn)動(dòng)目標(biāo)或背景上存在很多誤匹配。增加隨機(jī)抽樣一致性估計(jì)減少誤匹配的同時(shí)，原來正確匹配的特征對(duì)也可能被誤作為孤立點(diǎn)，因此，在特征匹配之前，增加運(yùn)動(dòng)目標(biāo)的區(qū)域約束，提高了匹配精度，如圖 4(c)和圖 4(d)所示。

在保證算法性能的前提下，改進(jìn)的方法加速了匹配過程，提高了正確匹配率，如表2所示，為后續(xù)目標(biāo)跟蹤提供了必要的前提。

表2 特征匹配分析

4 結(jié)語

改進(jìn)的視頻幀間SURF特征匹配，結(jié)合像素位置相關(guān)性和隨機(jī)抽樣一致性估計(jì)在匹配正確率和匹配速度上都明顯提高，為后期的目標(biāo)跟蹤提供了可靠的前提。SURF特征向量的可擴(kuò)展性強(qiáng)，可以結(jié)合顏色向量、全局變量、或特征關(guān)聯(lián)[7-8]等方面進(jìn)行進(jìn)一步的研究，易于檢測(cè)、穩(wěn)定性高和獨(dú)特性好的局部特征對(duì)于機(jī)器人視覺[9]、視頻處理等研究具有重要的研究價(jià)值，對(duì)機(jī)場(chǎng)低密度人群的目標(biāo)跟蹤，提高機(jī)場(chǎng)安全保障具有重要的應(yīng)用價(jià)值。

[1] LOWE D. Distinctive Image Features from Scaleinvariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(02):91-110.

[2] CHEN A H, ZHU M, WANG Y H,et al. Mean Shift Tracking Combining SIFT[C]//IEEE.9th International Conference on ICSP. Germany:IEEE,2008: 1532-1535.

[3] RUF B, KOKIOPOULOU E, DETYNIECKI M. Mobile Museum Guide based on Fast SIFT Recognition[C]//6th International Workshop on Adaptive Multimedia Retrieval. Berlin, Germany:Computer Science,2008:26–27.

[4] BAY H, ESS A, TUYTELAARS T, et al. Speeded-Up Robust Features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(03):346-359.

[5] RODRIGUEZ D, AOUF N.Robust Harris-SURF Features for Robotic Vision based Navigation[C]//IEEE.International IEEE Conference on Intelligent Transportation Systems. Madeira Island, Portugal:IEEE,2010: 1160-1165.

[6] FISCHLER M A, BOLLES R C. Random Sample Consensus:a Paradigm Model Fitting with Applications to Image Analysis and Automated Cartography[J].Communications of the Association of Computing Machinery, 1981, 24(06):381–395.

[7] 周新宇,楊風(fēng)暴,吉琳娜. 一種新的地面目標(biāo)多特征關(guān)聯(lián)方法[J]. 通信技術(shù), 2011, 44(09): 132-134.

[8] 黎蔚,楊凱鵬,陳家新,等. 一種基于特征自動(dòng)選取的跟蹤算法[J].通信技術(shù), 2010,43(03):128-130.

[9] ZHANG Z J, CAO C X, ZHANG R J, et al. Video Copy Detection based on Speeded Up Robust Features and Locality Sensitive Hashing[C]//IEEE.IEEE International Conference on Automation and Logistics.USA:IEEE, 2010: 13-18.