[发明专利]基于Similarity-Pictorial结构模型的计算机视觉图像特征提取和匹配方法

权利要求书

1.一种基于Similarity-Pictorial结构模型的计算机视觉图像特征提取和匹配方法， 其特征在于：所述计算机视觉图像特征提取和匹配方法包括以下步骤：

1)、将待提取的计算机视觉图像建立PS模型，PS模型的代价函数L^*包括 appearance代价函数和结构代价函数，参照计算式(1)：

L*=argmin(Σvi∈Vai(I,lj)+Σ(vi,vj)∈Etij(li,lj))---(1);]]>

其中，a_i(I，l_j)表示appearance代价函数，是指当区域v_i定位在位置l时与 图像I的匹配度，t_ij(l_i，l_j)表示结构代价函数，是指区域v_i定位在l_i和区域v_j定 位在l_j时与图像I的匹配度；

2)、在待提取的计算机视觉图像中，用顶点的绝对坐标l_i来表示顶点，并随机的 选择其中的一个点作为原点，其他所有点和原点之间的相对关系是确定的，它们 与原点的关系用以下向量表示：

m_i(x)＝x_i-x₀                                        (3)

m_i(y)＝y_i-y₀                                        (4)

m(x)=1/n*Σi=1nmi(x)---(5)]]>

m(y)=1/n*Σi=1nmi(y)---(6)]]>

Dxi=1/(n-1)*Σi=1n(mi(x)-m(x))2---(7)]]>

Dyi=1/(n-1)*Σi=1n(mi(y)-m(y))2---(8)]]>

其中，x₀，y₀表示原点的x，y坐标，x_i，y_i表示其他点的坐标，n表示被训练 的对象的个数，m就表示离原点的距离均值，D表示离原点的距离方差；

一旦m和D确定下来，PS模型中的结构代价函数t_ij(v_i，v_j)就随之确定；结 构代价函数t_ij(l_i，l_j)简化为t_i(v_i)；结构代价函数t_i(v_i)通过对测试对象和训练对象 进行比较得到：

ti(vi)=-log(2*π*Dxi*Dyi)+0.5*(xdi2+ydi2)/log(Dxi+Dyi)---(9)]]>

其中，x_di＝m_i(x)-m’_i(x)，m’_i(x)表示测试图片中相应特征点的离原点的距离； 同理，y_di＝m_iy-m’_iy；

3)、将基于自相似描述子的模板匹配算法引入PS模型，具体有：

3.1)、对每个需要检测的特征点建立模板描述子T_i；先训练模板，既在每 幅被训练的图片上标记需要找的结构上的特征点q_ij，简写q；对每个被标记的特 征点做自相似描述子d_ij计算，转化为相关性平面相S_q(x，y)：

Sq(x,y)=exp(-SSDq(x,y)max(varnoise,varauto(q)))---(2)]]>

其中，SSD_q(x，y)是归一化的相关性平面，而var_noise是一个常数；var_auto(q)表示以q 为中心的附近区域中与A的最大的方差值；

相关性平面SSD_q(x，y)转化到以q为中心的极坐标中，并且分成预设数量的位 数，旋转每个位中的最大值，将所有旋转的最大值组成一个m×n的矩阵，即以q 为中心的自相似描述子；

在计算完所有的被训练图片的特征点后，对所有相应的特征点的描述子，做平 均值运算，得到每个特征的模板描述子为：

Ti=1/nΣj=1ndij---(10)]]>

其中，n表示被训练的图片数量，i表示每幅被训练图片上的第i个特征点，dij表 示第j幅图上的第i个特征点的描述子；

T_i就是所有特征点的模板描述子；

3.2)、对所有测试图片做模板匹配算法：在模板匹配过程中，采用每2个像素 点对测试图片进行描述子运算；

3.3)、在被测试图片上寻找与模板描述子较相似的所有点：通过对被测试描述 子和T_i进行欧式距离计算，距离最小的描述子是相似区域，其中心点就是候选特 征点，把中心点的坐标记录下来，并且把它与模板描述子之间的欧式距离也记录 下来，记为a_i(I，l_j)，然后对它归一化，确定appearance代价函数a_i(I，l_j)；

4)、找出代价函数L^*的最小值，即确定计算机视觉图像的匹配点。