基于简易采样方式和三值化策略的二值描述子构建方法与流程

本发明涉及图像处理中特征点匹配领域，特别是数字图像中二值描述子的构建及特征点匹配方法。

背景技术：

特征匹配是图像处理与计算机视觉领域的重要问题，特征点匹配技术在目标识别、目标追踪、场景拼接等许多场景中具有广泛应用。图像特征描述及匹配的基本原理是：选择以特征点为中心的局部区域并根据区域内纹理信息构造匹配描述子来进行特征匹配。主流的特征点匹配技术是基于浮点型描述子，代表性的浮点型匹配描述子有SIFT[1]、SURF[2]以及DAISY[3]等。随着移动智能设备的应用，存储空间小、处理效率高的二值描述子成为目前急需的技术。

已有的二值描述子主要有BRISK[4]、FREAK[5]以及BRIEF[6]等。其中BRISK和FREAK使用固定模式进行采样，获取采样点处的灰度信息，然后对采样点灰度值进行比较并二值化比较结果，最后将二值化后获取的字符串作为描述子。这两种描述子主要存在以下问题：由于采样模板位置固定，只能获取特定位置的灰度信息，无法根据图像局部特性获取更多有用的信息，导致描述子描述力不高。BRIEF描述子使用随机采样来确定采样点的位置，但直接随机采样获得的点对冗余信息较多，影响了描述子的匹配性能。同时，上述三种描述子进行点对的灰度值比较时都使用了两极化的二值方法——非0即1，这种二值化方法在图像灰度值差别不大的平坦区域非常不稳定，导致获得的二值描述子性能也不稳定。因此，需要研究更有效、更稳定的二值描述子构建及特征匹配方法。

参考文献：

1.D. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision. 2004, 60(2): 91–110.

2.H. Bay, T. Tuytelaars and L.V. Gool, Speeded up robust features (SURF), Computer Vision and Image Understanding. 2008, 110: 346–359.

3.E. Tola, V. Lepetit and P. Fua, Daisy: An efficient dense descriptor applied to wide-baseline stereo. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2010, 232(5): 815–830.

4.S. Leutenegger, M. Chli, and R. Siegwart. Brisk: Binary robust invariant scalable keypoints. International Conference on Computer Vision. 2011, 2548-2555.

5.A. Ahi, R. Ortiz and P. Vandergheynst. FREAK: fast retina keypoint. IEEE Conference on Computer Vision and Pattern Recognition. 2012, 2069-2076.

6.M. Calonder, V. Lepetit and M. Ozuysal, et al. BRIEF: Computing a local binary descriptor very fast, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2012, 34(7):1281-1298 。

技术实现要素：

本发明针对已有图像二值描述子描述能力差、性能不稳定等缺点，提出一种基于简易采样方式和三值化策略的二值描述子构建方法，主要包括以下步骤：

步骤S1：采集同一场景不同视角下两幅图像并输入计算机；

步骤S2：将彩色图像转化为灰度图像并进行高斯平滑处理；

步骤S3：使用Harris角点检测算法在两幅图像上分别提取特征点；

步骤S4：获取点对采样模式；

步骤S5：计算特征点的主方向；

步骤S6：获取特征点采样区域内的采样点对，并对采样点进行平滑；

步骤S7：从400组采样点对中选取256组采样点对；

步骤S8：利用256组采样点对为每个特征点构建二值描述子；

步骤S9：基于二值描述子进行特征点匹配。

与当前一些使用固定采样模式的方法相比较，本发明提供的二值描述子构建方法，采样方式简单，采样点对按高斯分布随机产生后再进行选择，能够根据图片内容自适应地选择出刻画能力强的采样点对，在保留有效信息的条件下能够剔除冗余信息，提高描述子的匹配性能。对比结果二值化时引入了三值化策略，克服了传统两极化的二值化方法在图像平坦区域内不稳定的缺点。相比于已有方法，本发明提供的方法更为准确和稳定。

附图说明

图1为本发明基于简易采样方式和三值化策略的二值描述子构建方法流程图。

具体实施方式

如图1所示为本发明基于简易采样方式和三值化策略的二值描述子构建方法流程图，主要包括以下步骤：采集同一场景不同视角下两幅图像并输入计算机、将彩色图像转化为灰度图像并进行高斯平滑处理、使用Harris角点检测算法在两幅图像上分别提取特征点、获取点对采样模式、计算特征点的主方向、获取特征点采样区域内的采样点对并对采样点进行平滑、从400组采样点对中选取256组采样点对、利用256组采样点对为每个特征点构建二值描述子、基于二值描述子进行特征点匹配。各步骤的具体实施细节如下：

步骤S1：采集同一场景不同视角下两幅图像并输入计算机。

步骤S2：将彩色图像转化为灰度图像并进行高斯平滑处理。

步骤S3：使用Harris角点检测算法在两幅图像上分别提取特征点。

步骤S4：获取点对采样模式，具体方式为，构建一个半径为23像素的圆形区域作为采样区域，在采样区域中随机产生400组符合高斯分布的采样点对，获得点对的采样模式，该模式包含800个采样点。

步骤S5：计算特征点的主方向，具体方式为，对于两幅图像中任一特征点F，计算以F为中心、23为半径的采样区域G(F)内所有像素的梯度值，获得G(F)的梯度均值[d_x, d_y]，将该梯度均值对应的方向θ=atan(d_y, d_x)确定为特征点F的主方向。

步骤S6：获取特征点采样区域内的采样点对，并对采样点进行平滑，具体方式如下：

步骤S61：对特征点采样区域进行方向旋转对齐，具体方式为，对于两幅图像中的任一特征点F，将以F为中心、23为半径的圆形采样区域G(F)顺时针旋转F主方向对应的角度；

步骤S62：获取特征点采样区域内的采样点对，具体方式为，在步骤S61获得的采样区域中，根据步骤S4获取的点对采样模式得到点F采样区域内的400组采样点对；

步骤S63：对采样点进行平滑，具体方式为，对于获得的800个采样点，将到点F距离小于11的采样点组成的集合记为近圆心点集，其余采样点组成的集合记为远圆心点集；使用半径为1.5的均值滤波器对近圆心点进行平滑，使用半径为2.5的均值滤波器对远圆心点进行平滑。

步骤S7：从400组采样点对中选取256组采样点对，具体方式如下：

步骤S71: 二值化采样点对的比较结果，具体方式为，对于步骤S6获得的400组点对中的任一点对(p_i, p_j)，比较采样点p_i和p_j的灰度值I(p_i)和I(p_j)，如果I(p_i)> I(p_j)则将该点对的比较结果记为1，否则记为0；

步骤S72: 存储采样点对的比较结果，具体方式为，创建一个表格，表格中每一列对应一组采样点对，共400列；同列下各行的值代表该组点对在不同特征点处的比较结果，该表格的行数等于两幅图像中特征点的个数；

步骤S73:计算方差并挑选256组采样点对，具体方式为，计算表格中各列的方差并按照方差大小对各列进行非升序排序，挑选出排序结果靠前的256组点对。

步骤S8：利用256组采样点对为每个特征点构建二值描述子，具体方式为，对于任一特征点，利用步骤S7获得的256组采样点对按如下公式比较每组采样点对中两个采样点的灰度值，得到一个3维二值向量：

其中Δ一般取值10~15，将256组点对的二值向量进行连接得到该特征点的768维二值描述子。

步骤S9：基于二值描述子进行特征点匹配，具体方式为，对于第1幅图像中任一特征点F_i，记第2幅图像中与F_i二值描述子之间汉明距离最小的特征点为F_i1，其距离值记为d₁，同时与F_i二值描述子之间汉明距离次小的特征点为F_i2，其距离值记为d₂，如果小于阈值T，则将特征点(F_i, F_i1)确定为一组匹配点并输出，其中T的取值为0.6~0.85。

与当前一些使用固定采样模式的方法相比较，本发明提供的二值描述子构建方法，采样方式简单，采样点对按高斯分布随机产生后再进行选择，能够根据图片内容自适应地选择出刻画能力强的采样点对，在保留有效信息的条件下能够剔除冗余信息，提高描述子的匹配性能。对比结果二值化时引入了三值化策略，克服了传统两极化的二值化方法在图像平坦区域内不稳定的缺点。相比于已有方法，本发明提供的方法更为准确和稳定。