摘  要： 針對(duì)目標(biāo)檢測(cè)中利用SIFT算法在提取圖像特征時(shí)提取的背景特征點(diǎn)所占比例較大，提出了一種圖像顯著區(qū)域與SIFT算法相結(jié)合的目標(biāo)匹配方法。為使檢測(cè)出的極值點(diǎn)與人眼觀察到的極值點(diǎn)相似，提出對(duì)尺度空間中的圖像進(jìn)行顯著區(qū)域的檢測(cè)；為了使特征點(diǎn)具有仿射不變性，對(duì)特征點(diǎn)進(jìn)行橢圓擬合；特征匹配時(shí)引入夾角余弦相似度測(cè)度方法。實(shí)驗(yàn)表明，該算法在實(shí)時(shí)性

    關(guān)鍵詞： 尺度空間；顯著圖；目標(biāo)檢測(cè)；橢圓擬合；特征匹配

　　0 引言

　　隨著計(jì)算機(jī)科學(xué)技術(shù)的快速發(fā)展，特征匹配得到了廣泛的應(yīng)用。SIFT（尺度不變特征變換）算法是由LOWE D G提出的一種基于局部特征的描述方法[1]，許多研究者實(shí)驗(yàn)表明SIFT算法存在著128維的特征描述符計(jì)算復(fù)雜度較高、時(shí)間過長、誤匹配較多的問題。

　　為了減少特征點(diǎn)提取的個(gè)數(shù)以及使得提取出的特征點(diǎn)與人眼觀察到的特征點(diǎn)相近，本文提出了一種基于視覺顯著圖[2]的SIFT算法。本文主要是利用顯著區(qū)域檢測(cè)的方法來得到特征點(diǎn)；再利用SIFT方法對(duì)其進(jìn)行描述；最后，利用歐氏距離與夾角余弦相結(jié)合的相似性測(cè)度方法進(jìn)行特征匹配。實(shí)驗(yàn)結(jié)果表明，本文算法在計(jì)算復(fù)雜度方面比傳統(tǒng)算法有較大的提高。

1 SIFT算法

　　SIFT是一種檢測(cè)圖像局部特性的算法，該算法主要包括以下四個(gè)步驟[3]：

　　（1）尺度空間極值點(diǎn)檢測(cè)

　　首先構(gòu)建尺度空間：

　　關(guān)鍵點(diǎn)的初步探索是利用差分高斯差分金子塔內(nèi)同一組相鄰兩層圖像之間比較完成的。其中高斯差分金字塔為：

　?。?）關(guān)鍵點(diǎn)的準(zhǔn)確定位

　　接下來就是要確定關(guān)鍵點(diǎn)的位置、尺度以及主曲率的比值，SIFT算法使用擬合三維二次函數(shù)來確定關(guān)鍵點(diǎn)。

　?。?）關(guān)鍵點(diǎn)方向分配

　　對(duì)于在DOG金字塔中檢測(cè)出的關(guān)鍵點(diǎn)，采集其所在高斯金字塔3?滓鄰域窗口內(nèi)像素的梯度和方向分布特征。梯度的模值m（x，y）為：

　?。?）局部圖像描述符

　　描述符的產(chǎn)生如圖1所示。首先取以關(guān)鍵點(diǎn)為中心的16×16像素大小的鄰域，然后從16×16的區(qū)域中計(jì)算4×4的描述符序列。在關(guān)鍵點(diǎn)周圍4×4的鄰域內(nèi)計(jì)算8個(gè)方向的描述序列，至此就產(chǎn)生了128維的特征描述向量。最后對(duì)特征向量歸一化以消除光照影響。

　　2 頻率調(diào)諧顯著圖檢測(cè)

　　本文采用頻率調(diào)諧顯著區(qū)域檢測(cè)算法，其實(shí)現(xiàn)過程如下[4]：

　?。?）設(shè)輸入圖像為Iw×h，其中w為圖像寬度，h為圖像高度。利用高斯濾波器對(duì)圖像進(jìn)行平滑處理，得到一個(gè)新的圖像Ig，其計(jì)算公式如下：

　?。?）將圖像Ig從RGB模型轉(zhuǎn)換到Lab模型。對(duì)每個(gè)特征分別計(jì)算其整體均值得到均值圖像滋，同時(shí)對(duì)各特征高斯平滑，得到平滑后的圖像為I（x，y）=[LG（x，y），aG（x，y），bG（x，y）]T。

　　（3）計(jì)算得到顯著圖區(qū)域[5]：

　　式（6）計(jì)算所得就是最終的顯著圖。

3 顯著圖檢測(cè)在SIFT匹配算法中的應(yīng)用

　　為了縮小特征提取的區(qū)域以及使得提取出的特征點(diǎn)與人眼實(shí)際觀察到的特征相近，本文提出了一種基于視覺顯著圖的SIFT算法。

　　3.1 尺度空間的構(gòu)建

　　高斯模糊其實(shí)就是一種對(duì)圖像進(jìn)行濾波處理的過程。它使用二維的正態(tài)分布函數(shù)與待處理的匹配進(jìn)行卷積運(yùn)算，達(dá)到模糊圖像的效果[6]。

　　二維正態(tài)分布函數(shù)方程為：

　　此二元的高斯函數(shù)可以看成是兩個(gè)一元函數(shù)相乘的結(jié)果，即：

　　在對(duì)圖像進(jìn)行二維高斯模糊時(shí)，可以先進(jìn)行一次水平方向的一維高斯模糊，再進(jìn)行一次豎直方向的一維高斯模糊，這樣可以更好地保留圖像的邊緣信息。

　　3.2 顯著區(qū)域的檢測(cè)及橢圓擬合

　　利用上節(jié)提到的分離的高斯模板對(duì)圖像進(jìn)行高斯模糊后再對(duì)各采樣點(diǎn)進(jìn)行隔點(diǎn)采樣，然后再對(duì)金字塔中的圖片使用不同的模糊參數(shù)進(jìn)行高斯模糊。這樣可以保證提取出的特征點(diǎn)具有尺度不變性。

　　檢測(cè)顯著區(qū)域后，對(duì)區(qū)域進(jìn)行橢圓擬合，如圖2所示。設(shè)擬合的橢圓中心（xc，yc）為顯著區(qū)域的重心，橢圓的兩個(gè)軸中長軸a和短軸b代表這個(gè)區(qū)域的形狀，?茲代表長軸的方向，同時(shí)也是這個(gè)擬合的橢圓區(qū)域的方向。

　　橢圓的中心為：

　　如圖3所示，圖3（a）為實(shí)驗(yàn)圖像，圖3（b）是對(duì)圖像顯著區(qū)域的橢圓擬合，擬合后的區(qū)域具有旋轉(zhuǎn)不變性。

　　3.3 橢圓的歸一化及生成特征描述子

　　3.3.1 橢圓的歸一化

　　對(duì)區(qū)域進(jìn)行橢圓擬合使提取出的特征點(diǎn)具有仿射不變性。在進(jìn)行SIFT描述之前，需要采用歸一化的方法去除圖像之間的差異。歸一化的仿射變換區(qū)域關(guān)系為：

　　其中，x為測(cè)量區(qū)域的坐標(biāo)，歸一化區(qū)域的坐標(biāo)，D為橢圓擬合產(chǎn)生的協(xié)方差矩陣的相似變換陣。

　　3.3.2 特征向量生成

　　在完成特征點(diǎn)提取后，本文利用顯著圖檢測(cè)進(jìn)行橢圓擬合，以橢圓的中心為關(guān)鍵點(diǎn)進(jìn)行方向分配以及特征向量的計(jì)算。最后對(duì)每個(gè)特征點(diǎn)利用SIFT描述子對(duì)其進(jìn)行描述，得到1個(gè)128維的特征向量表。

4 實(shí)驗(yàn)結(jié)果分析

　　本文的算法是在PC上用MATLAB7.0實(shí)現(xiàn)的。本文選擇一幅目標(biāo)圖像，兩幅樣本圖像，如圖4所示。針對(duì)光照和旋轉(zhuǎn)這兩個(gè)因素，比較了傳統(tǒng)SIFT算法與本文算法在特征點(diǎn)提取上的差異。在目標(biāo)圖像中，卡車就是要檢測(cè)出的目標(biāo)。SIFT算法各步驟的時(shí)間分配比較如表1所示。

　　由表1可以得出，提取的特征點(diǎn)越多，所用的時(shí)間越多。因此采用一種算法來減少特征點(diǎn)提取個(gè)數(shù)在時(shí)間效率方面將有很大的改善。

　　圖像進(jìn)行不同參數(shù)的高斯模糊后的顯著圖區(qū)域檢測(cè)結(jié)果如圖5所示。由圖可見對(duì)同一尺度下的圖像進(jìn)行不同參數(shù)的高斯模糊后顯著圖的變化，參數(shù)越大得到的圖像越模糊，圖像的目標(biāo)顯著區(qū)域越大。

　　特征點(diǎn)提取對(duì)比圖如圖6所示。可以看出，本文提取的目標(biāo)物體上的特征點(diǎn)比傳統(tǒng)SIFT算法提取的多，并且本文算法提取的背景圖像的特征點(diǎn)明顯減少。這樣可以減少特征點(diǎn)描述子生成的時(shí)間。

　　在特征向量匹配時(shí)，傳播SIFT特征向量的匹配利用BBF搜索算法找到最佳的匹配點(diǎn)；本文在傳統(tǒng)算法的基礎(chǔ)上再利用夾角余弦對(duì)其進(jìn)行檢測(cè)，用以減少誤匹配。夾角余弦是用來度量兩組向量之間的夾角大小的，它也被稱為一致性相合系數(shù)[7]，其表達(dá)式為：

　　最后利用RANSC算法對(duì)匹配特征點(diǎn)對(duì)進(jìn)行檢測(cè)，進(jìn)一步消除錯(cuò)誤匹配。

　　本文算法利用視覺顯著圖檢測(cè)到的特征點(diǎn)，因此不僅具有實(shí)際的意義而且還減少了錯(cuò)誤的匹配點(diǎn)對(duì)。

　　傳統(tǒng)SIFT匹配算法與本文算法對(duì)比如表2所示。由此可以看出，本文算法所用的時(shí)間比傳統(tǒng)SIFT算法時(shí)間短。

　　實(shí)驗(yàn)結(jié)果對(duì)比如圖7所示。圖7（a）顯示，雖然本文算法提取的特征點(diǎn)少，但是誤匹配點(diǎn)對(duì)明顯降低。從圖7（b）可以看出，當(dāng)待匹配圖像存在旋轉(zhuǎn)的情況下，本文算法也有較好的匹配效果。

　　5 結(jié)論

　　本文提出了一種基于頻率調(diào)諧的顯著圖SIFT目標(biāo)匹配算法。在傳統(tǒng)SIFT算法的基礎(chǔ)上對(duì)尺度空間中的各圖像進(jìn)行顯著區(qū)域的檢測(cè)，最后利用歐氏距離與夾角余弦相結(jié)合的方法進(jìn)行特征匹配。實(shí)驗(yàn)結(jié)果表明，本文算法在實(shí)時(shí)性以及匹配準(zhǔn)確率方面都優(yōu)于傳統(tǒng)的SIFT算法。

參考文獻(xiàn)

　　[1] 張春美，龔志輝，孫雷.改進(jìn)SIFT特征在圖像匹配中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（2）：95-97.

　　[2] 石釗銘，耿伯英，董銀文.基于改進(jìn)SIFT的航拍圖像快速匹配方法[J].指揮控制與仿真，2013，35（1）：106-110.

　　[3] LOWE D G. Distinctive image features from scale invariant key points[J]. Journal of Computer Vision， 2004，60（2）： 91-110.

　　[4] 田明輝.視覺注意機(jī)制建模及其應(yīng)用研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2010.

　　[5] 于乃昭，姚志均，楊波.一種改進(jìn)的頻率調(diào)諧顯著性檢測(cè)方法[J].艦船電子對(duì)抗，2013，36（1）：57-61.

　　[6] 宰小濤，趙宇明.基于SIFT特征描述子的立體匹配算法[J].微計(jì)算機(jī)信息，2007，23（8-3）：285-287.

　　[7] 張宇，劉雨東，計(jì)釗.向量相似度測(cè)度方法[J].聲學(xué)技術(shù)，2009，28（4）：532-536.以及匹配準(zhǔn)確率方面都優(yōu)于傳統(tǒng)的SIFT算法。

　　關(guān)鍵詞： 尺度空間；顯著圖；目標(biāo)檢測(cè)；橢圓擬合；特征匹配