摘  要： 針對目標檢測中利用SIFT算法在提取圖像特征時提取的背景特征點所占比例較大，提出了一種圖像顯著區(qū)域與SIFT算法相結(jié)合的目標匹配方法。為使檢測出的極值點與人眼觀察到的極值點相似，提出對尺度空間中的圖像進行顯著區(qū)域的檢測；為了使特征點具有仿射不變性，對特征點進行橢圓擬合；特征匹配時引入夾角余弦相似度測度方法。實驗表明，該算法在實時性

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

　　0 引言

　　隨著計算機科學(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]，許多研究者實驗表明SIFT算法存在著128維的特征描述符計算復(fù)雜度較高、時間過長、誤匹配較多的問題。

　　為了減少特征點提取的個數(shù)以及使得提取出的特征點與人眼觀察到的特征點相近，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)域檢測的方法來得到特征點；再利用SIFT方法對其進行描述；最后，利用歐氏距離與夾角余弦相結(jié)合的相似性測度方法進行特征匹配。實驗結(jié)果表明，本文算法在計算復(fù)雜度方面比傳統(tǒng)算法有較大的提高。

1 SIFT算法

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

　?。?）尺度空間極值點檢測

　　首先構(gòu)建尺度空間：

　　關(guān)鍵點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)鍵點的準確定位

　　接下來就是要確定關(guān)鍵點的位置、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。

　　（3）關(guān)鍵點方向分配

　　對于在DOG金字塔中檢測出的關(guān)鍵點，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：

　　（4）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)鍵點為中心的16×16像素大小的鄰域，然后從16×16的區(qū)域中計算4×4的描述符序列。在關(guān)鍵點周圍4×4的鄰域內(nèi)計算8個方向的描述序列，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

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

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

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

　?。?）計算得到顯著圖區(qū)域[5]：

　　式（6）計算所得就是最終的顯著圖。

3 顯著圖檢測在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與人眼實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

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

　　二維正態(tài)分布函數(shù)方程為：

　　此二元的高斯函數(shù)可以看成是兩個一元函數(shù)相乘的結(jié)果，即：

　　在對圖像進行二維高斯模糊時，可以先進行一次水平方向的一維高斯模糊，再進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)域的檢測及橢圓擬合

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

　　檢測顯著區(qū)域后，對區(qū)域進行橢圓擬合，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，橢圓的兩個軸中長軸a和短軸b代表這個區(qū)域的形狀，?茲代表長軸的方向，同時也是這個擬合的橢圓區(qū)域的方向。

　　橢圓的中心為：

　　如圖3所示，圖3（a）為實驗圖像，圖3（b）是對圖像顯著區(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

　　對區(qū)域進行橢圓擬合使提取出的特征點具有仿射不變性。在進行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為測量區(qū)域的坐標，歸一化區(qū)域的坐標，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

　　在完成特征點提取后，本文利用顯著圖檢測進行橢圓擬合，以橢圓的中心為關(guān)鍵點進行方向分配以及特征向量的計算。最后對每個特征點利用SIFT描述子對其進行描述，得到1個128維的特征向量表。

4 實驗結(jié)果分析

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

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

　　圖像進行不同參數(shù)的高斯模糊后的顯著圖區(qū)域檢測結(jié)果如圖5所示。由圖可見對同一尺度下的圖像進行不同參數(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，圖像的目標顯著區(qū)域越大。

　　特征點提取對比圖如圖6所示?？梢钥闯觯疚奶崛〉哪繕宋矬w上的特征點比傳統(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明顯減少。這樣可以減少特征點描述子生成的時間。

　　在特征向量匹配時，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；本文在傳統(tǒng)算法的基礎(chǔ)上再利用夾角余弦對其進行檢測，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]，其表達式為：

　　最后利用RANSC算法對匹配特征點對進行檢測，進一步消除錯誤匹配。

　　本文算法利用視覺顯著圖檢測到的特征點，因此不僅具有實際的意義而且還減少了錯誤的匹配點對。

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

　　實驗結(jié)果對比如圖7所示。圖7（a）顯示，雖然本文算法提取的特征點少，但是誤匹配點對明顯降低。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目標匹配算法。在傳統(tǒng)SIFT算法的基礎(chǔ)上對尺度空間中的各圖像進行顯著區(qū)域的檢測，最后利用歐氏距離與夾角余弦相結(jié)合的方法進行特征匹配。實驗結(jié)果表明，本文算法在實時性以及匹配準確率方面都優(yōu)于傳統(tǒng)的SIFT算法。

參考文獻

　　[1] 張春美，龔志輝，孫雷.改進SIFT特征在圖像匹配中的應(yīng)用[J].計算機工程與應(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.一種改進的頻率調(diào)諧顯著性檢測方法[J].艦船電子對抗，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].微計算機信息，2007，23（8-3）：285-287.

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

　　關(guān)鍵詞： 尺度空間；顯著圖；目標檢測；橢圓擬合；特征匹配