基于Oriental-Harris的特征匹配算法

趙瑞欣，向麒文

（西華大學(xué)計(jì)算機(jī)與軟件工程學(xué)院，成都 610039）

0 引言

圖像匹配技術(shù)是計(jì)算機(jī)視覺(jué)研究領(lǐng)域中的一個(gè)關(guān)鍵研究方向，也是許多計(jì)算機(jī)視覺(jué)理論與應(yīng)用的基礎(chǔ)。其主要目標(biāo)是尋找同一場(chǎng)景或不同場(chǎng)景的兩幅或多幅圖之間的同質(zhì)區(qū)域，進(jìn)而根據(jù)同質(zhì)區(qū)域的映射，建立起圖像之間的空間對(duì)應(yīng)關(guān)系。圖像匹配技術(shù)在航空影像自動(dòng)制圖、圖像三維重建、遙感融合、目標(biāo)識(shí)別、目標(biāo)跟蹤、醫(yī)學(xué)圖像分析、影像理解等領(lǐng)域內(nèi)都有著廣泛的應(yīng)用。在圖像局部不變特征的研究中，需要解決三個(gè)核心問(wèn)題：第一，如何提取特征點(diǎn)；第二如何描述特征點(diǎn)；第三，如何匹配特征點(diǎn)。其中，常見(jiàn)的基于角點(diǎn)的檢測(cè)算子Moravec檢測(cè)算子和Harris檢測(cè)算子SU?SAN檢測(cè)算子以及FAST檢測(cè)算子等；典型的基于Blob的檢測(cè)算子有Hessian檢測(cè)算子、高斯差分檢測(cè)算子、Hessian-Laplace檢測(cè)算子等；基于區(qū)域的檢測(cè)算子主要包括Harris-Affine檢測(cè)算子、ERB檢測(cè)算子、MS?ER檢測(cè)算子等。角點(diǎn)檢測(cè)只局限于角點(diǎn)，沒(méi)有好的描述無(wú)法匹配；然而基于Blob的檢測(cè)算子的描述，先統(tǒng)計(jì)特征周?chē)畔?，再確定主方向，在運(yùn)動(dòng)目標(biāo)邊緣處受到很大影響。為解決此類(lèi)不足，本文提出在Harris檢測(cè)算子基礎(chǔ)上，對(duì)角點(diǎn)的角度大小和角度朝向做分析，并且通過(guò)角度朝向確定主方向，對(duì)特征點(diǎn)周?chē)杏眯畔⒆鼋y(tǒng)計(jì)。

1 特征描述

1.1 點(diǎn)角度大小和朝向

本文通過(guò)Harris角點(diǎn)檢測(cè)，得出角點(diǎn)集合Q{q1，q2,…,qn}，如圖1所示：通過(guò)如下公式計(jì)算圖像梯度以及梯度方向信息。其中，A為待處理的圖像，Gx為A的x方向的偏導(dǎo)，Gy為y方向的一階偏導(dǎo)，G為其梯度幅值，θ為梯度方向。在檢測(cè)到的角點(diǎn)附近，通過(guò)找梯度內(nèi)部點(diǎn)p的對(duì)稱(chēng)點(diǎn)p1和p2如圖1（a）所示，由p1和p2的梯度方向計(jì)算角度朝向和角度大小，如圖1（d）所示，根據(jù)公式（3），把“異?！碧荻确较虺C正（相對(duì)本文計(jì)算角度思路為異常，實(shí)際梯度方向是正常的），若cos η為正，方向水平翻轉(zhuǎn)如圖1（c）；若cos η為負(fù)，不做改變。再由公式（4）和公式（5）計(jì)算角度大小公式（4），和角度朝向公式（5）。

圖1 角度朝向計(jì)算過(guò)程

1.2 特征描述

本文采用SIFT類(lèi)似的描述子做描述。通過(guò)上文檢測(cè)出角點(diǎn)的角度大小和角點(diǎn)朝向。其中角度朝向作為主方向，統(tǒng)計(jì)角點(diǎn)沿角點(diǎn)朝向負(fù)方向的梯度信息做統(tǒng)計(jì)。根據(jù)SIFT算法特征描述，如圖2所示。在種子區(qū)域的梯度直方圖在0-360度之間劃分8個(gè)方向區(qū)間，每個(gè)區(qū)間為45度，即每個(gè)種子點(diǎn)有8個(gè)方向的梯度信息。把0-360度分為16個(gè)小的種子點(diǎn)，分別做統(tǒng)計(jì)，這樣就形成16×8=128維穩(wěn)定描述子。

圖2 SIFT描述子

根據(jù)前面對(duì)SIFT類(lèi)型描述子缺點(diǎn)分析，128維描述子雖然穩(wěn)定，但是在目標(biāo)邊緣處包含背景信息太多，導(dǎo)致目標(biāo)邊緣處的特征點(diǎn)無(wú)法匹配的上。如圖3所示，本文中把128維向量特征減為64維，就是根據(jù)角點(diǎn)朝向信息，提取有用的信息進(jìn)行統(tǒng)計(jì)，這樣既有SIFT特征向量的穩(wěn)定性，又能最大保證統(tǒng)計(jì)信息的可靠性，從而提高匹配率。

圖3 文章描述子

2 實(shí)驗(yàn)結(jié)果分析

為檢驗(yàn)本文算法的有效性，如圖4，在室外場(chǎng)景的車(chē)輛行駛過(guò)程中匹配結(jié)果和SIFT算法匹配結(jié)果對(duì)比。兩幀之間的車(chē)輛，在目標(biāo)車(chē)輛的車(chē)頭車(chē)尾車(chē)輪和車(chē)窗部分都有匹配信息，從而可以準(zhǔn)確把握運(yùn)動(dòng)目標(biāo)整體的運(yùn)動(dòng)矢量信息，而SIFT算法只有在車(chē)尾部分比較集中，其他地方匹配上的比較稀少。通過(guò)對(duì)比可以看出本文算法相對(duì)于SIFT算法在運(yùn)動(dòng)目標(biāo)上匹配是有優(yōu)勢(shì)的。

圖4 和SIFT算法對(duì)比

3 結(jié)語(yǔ)

本文算法中，在運(yùn)動(dòng)目標(biāo)匹配上對(duì)SIFT類(lèi)型算法很有優(yōu)勢(shì)，但是角點(diǎn)的角度大小和角度朝向都依賴(lài)于角點(diǎn)附近的梯度信息，一旦梯度信息較弱，很有可能會(huì)對(duì)本文算法產(chǎn)生影響，另外角點(diǎn)可能是幾個(gè)不同屬性的部分交叉在一起的，這里只保留其中一個(gè)，導(dǎo)致部分信息丟失，后續(xù)工作應(yīng)該把不同屬性的點(diǎn)都保留下來(lái)做匹配，會(huì)進(jìn)一步提高運(yùn)動(dòng)目標(biāo)的匹配率。

[1]Loncomilla P,Ruiz-Del-Solar J,Martinez L.Object Recognition Using Local Invariant Features for Robotic Applications:A Survey[J].Pattern Recognition,2016,60:499-514.

[2]Verhagen B,Timofte R,Gool L V.Scale-Invariant Line Descriptors for Wide Baseline Matching[C].IEEE Winter Conference on Applications of Computer Vision,2014:493-500.

[3]Montazer G A,Giveki D.Content Based Image Retrieval System Using Clustered Scale Invariant Feature Transforms[J].Optik-International Journal for Light and Electron Optics,2015,126（18）:1695-1699.

[4]Lenc L,Král P.Novel Matching Methods for Automatic Face Recognition Using SIFT[M].Artificial Intelligence Applications and Innovations.Berlin:Springer,2012:254-263.

[5]Chen Meng-ting，Yan Dong-mei，Wang Gang.Algorithm of High-Resolution Remote-Sensing Image Matching Based on Harris Corner and SIFT Descriptor[J].Journal of image and Graphics,2012,17（11）:1453-1459.

[6]YUAN Liang.Visual Localization for Mobile Robot with Harris-SIFT,2014（6）:19-24.

[7]Moravec H P.Rover Visual Obstacle Avoidance[C].International Joint Conference on Artificial Intelligence,1981:785-790.

[8]Manoranjitham R,Deepa P.Novel Interest Point Detector Using Bilateral-Harris Corner Method[C].International Conference on Advanced Computing and Communication Systems.IEEE,2017:1-4.

[9]Smith S M,Brady J M.SUSAN-A New Approach to Low Level Image Processing[C].International Journal of Computer Vision,2015:45-78.

[10]Rosten E,Drummond T.Machine Learning for High-Speed Corner Detection[J]，2006,3951:430-443.