[发明专利]用于视频图像匹配的特征点快速检测方法

说明书

技术领域

本发明涉及一种图像处理技术领域的方法，特别涉及可用于视频图像匹配的特征点快速检测方法。

技术背景

特征点是目标轮廓上曲率的局部极大值点，对掌握目标的轮廓特征具有决定作用，一旦找到了目标的轮廓特征也就大致掌握了目标的形状。特征点具有能勾画出区域的形状，可以传递大部分图像信息等许多优点，对它们进行分析不仅可以为图像匹配提供基础，又为虚拟视点合成提供理论和方法。特征点没有明确的数学定义，但人们普遍认为特征点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，特征点是图像的一种重要局部特征。这些点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。其在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。

目前，特征点的数学定义有：图像灰度一阶导数所对应的最大值的位置；图像中两条或两条以上边缘的交点；二维图像亮度变化剧烈的位置等。由于特征点定义方式的不同，也就形成了不同原理的特征点检测方法。常用的方法包括两类：基于图像边缘的特征点检测方法和基于图像灰度信息的特征点检测方法。基于图像边缘的特征点检测方法，主要选择图像的边缘作为特征点进行提取和检测，包括图像预分割、提取轮廓链码和特征点检测三个步骤，这种方法对待检测区域的局部变化敏感性较强，而且在计算量上相当大，主要是因为整个过程需要对图像的边缘进行编码，这就使这个检测过程很大程度上要依赖图像分割和图像边缘提取。因此，这类方法的使用范围相对较小。而对于基于图像灰度信息的特征点检测方法，则是把图像的梯度和曲率直接作为判断特征点存在性的标准，避开了前者在结构上的缺陷，适用范围广。

Harris特征点检测器作为基于图像灰度信息的检测方法被广泛使用。其是以Moravec特征点检测器为基础上提出的，Moravec是通过研究图像的一个局部窗口在水平、垂直、对角线和反对角线四个方向上的位移，计算图像各个像素灰度变化情况，而Harris则是通过Taylor级数展开法扩展了思路，计算窗口沿着任何方向移动后的灰度变化情况，利用数学解析式来进一步确定特征点，定位精度高。同时引入了平滑因子，增强了该算法的鲁棒性。整个算法是受到信号处理中自相关函数的启发，引入与自相关函数相联系的矩阵M。矩阵M的特征值可以表示某一点的图像灰度自相关函数的极值曲率，如果两个曲率极值都高，那么就取该像素点为特征点。Harris特征点检测器原理参考图1，其中λ1和λ2是矩阵M的两个特征值。虽然Harris特征点定位准确，但由于涉及到卷积运算，计算量较大，时间复杂度高，在视频图像匹配中的应用受到一定的局限。

发明内容

为了克服现有技术的不足，提出用于视频图像匹配的特征点快速检测方法，其具有一定的鲁棒性，能够在图像发生灰度变化、旋转和干扰噪声等情况下检测特征点，同时具有很高的检测效率，能够应用于视频系统中，为此，本发明采取的技术方案是，用于视频图像匹配的特征点快速检测方法，依次包括：排除非特征点步骤；梯度计算步骤；特征点响应参数计算步骤；排除干扰候选特征点步骤。

排除非特征点步骤具体为：

所述的特征点检测方法首先选取一个半径为3像素的离散化的Bresenham圆，圆内有待检测点像素P以及像素P周围均布的像素1到像素16共16个点，首先检测像素点1和9，如果这两个像素点的灰度值都在[I(p)-t,I(p)+t]的范围内，则待检测点像素P不是特征点，将其排除，其中I(p)为点P的灰度值，t为一阈值；如果点p仍然可能是一个特征点，就继续检测像素点5和13，如果这四个像素点中至少有三个点的灰度值大于I(p)+t或者小于I(p)-t，那么点p即为一个候选特征点，供所述的特征点检测方法后续处理,如公式一所示。

N＝∑|I(n)–I(p)|>t     (公式一)

其中，n为像素1、5、9和13中的任意一点，如果N大于等于3，那么点P即为一个候选特征点，否则将其排除；

梯度计算步骤具体为：

梯度计算步骤分别使用水平差分算子和垂直差分算子对图像进行滤波，从而求得图像在水平和垂直方向上的梯度，并计算梯度的乘积，用于生成自相关矩阵M的元素；梯度计算如公式二和公式三所示：