[发明专利]一种基于DoG函数的图像表征方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于DoG函数的图像表征方法。

背景技术

图像表征方法又称描述子，是计算机视觉领域的基础问题和关键问题，被广泛应用于大规模图像检索、全景拼接等传统计算机视觉任务中以及很多识别任务中，如物体识别，人脸识别等。

现有技术中，描述子有很多类，其中一类为基于图像梯度的方法，以该方法中代表性的算法SIFT、GLOH为例，SIFT和GLOH进行计算时，以待表征图像的兴趣点为中心，用兴趣点周围区域的梯度形成的梯度方向直方图来表征该兴趣点，该兴趣点周围区域内每个像素点的梯度模值加权后分配给梯度直方图的相应方向，对每个像素点的梯度进行加权运算所用的权值的大小跟该像素点到兴趣点的距离和像素点到区域边界点的距离都成反比例关系。

然而，采用现有技术的上述描述子进行图像表征，都存在可区分性低和鲁棒性不好的问题。

发明内容

本发明提供一种基于DoG函数的图像表征方法，该方法可区分性高，同时鲁棒性好。

本发明提供一种基于DoG函数的图像表征方法，包括：

设置S个同心圆，所述S个同心圆从内到外半径呈指数m增长，所述S为大于等于2的整数；

在每个所述同心圆圆周上抽取T个采样点，在所述同心圆圆心抽取1个采样点构成采样点模板，第i个同心圆圆周上的采样点的DoG卷积尺度∑_d,i＝η·R_i，其中，R_i表示第i个同心圆的半径，i＝1，2，……，S，所述同心圆圆心的采样点的DoG卷积尺度与半径最小的同心圆圆周上的采样点的DoG卷积尺度相同，所述DoG卷积尺度指的是DoG函数包含的小尺度高斯函数的标准差；

根据所述S个同心圆的采样点模板的DoG卷积尺度得到S+1个高斯核尺度∑_g,j，j＝1,2，……，S，S+1，其中，∑_g,r＝∑_d,r，r＝1,2，……，S；∑_g,s+1＝∑_d,s·m；

获取待表征图像的N个方向的梯度图，所述N为大于等于1的整数；

针对每个方向的梯度图，采用所述S+1个高斯核尺度的高斯核进行高斯卷积处理，得到每个方向的S+1幅高斯卷积的梯度方向图；

针对每个方向的S+1幅高斯卷积的梯度方向图，高斯核尺度大小相邻的两幅高斯卷积的梯度方向图中用小尺度的高斯卷积的梯度方向图减去大尺度的高斯卷积的梯度方向图，得到S幅DoG卷积的梯度方向图，不同梯度方向的N幅DoG卷积的梯度方向图对应一个DoG卷积尺度；

按照每个采样点的DoG卷积尺度以及所述采样点在采样点模板的位置，在所述采样点的DoG卷积尺度对应的DoG卷积的梯度方向图中抽取同所述采样点在采样点模板中的位置相同位置的点的像素值；

根据所述采样点的DoG卷积尺度在对应的N幅DoG卷积的梯度方向图中抽取与所述采样点在采样点模板中的位置相同位置的点的像素值，构造所述采样点的特征向量；

用所有所述采样点的特征向量组成的总特征向量表征所述待表征图像。

如上所述的基于DoG函数的图像表征方法，用所有所述的采样点的特征向量组成的总特征向量表征所述待表征图像，包括：

将同一个DoG卷积尺度的采样点的特征向量，按照采样点在采样点模板中的位置依次拼接，得到每个DoG卷积尺度特征向量；

按照S个DoG卷积尺度的大小顺序，依次拼接所述S个DoG卷积尺度的特征向量组成总特征向量；

采用所述总特征向量表征待表征图像。

如上所述的基于DoG函数的图像表征方法，根据所述采样点的DoG卷积尺度在对应的N幅DoG卷积的梯度方向图中抽取与所述采样点在采样点模板中的位置相同位置的点的像素值，构造所述采样点的特征向量，包括：

根据公式得到采样点的特征向量；

其中，l_k(ε₀,v₀,R_c)表示距离中心点(ε₀,v₀)距离为R_c的同心圆上的第K个采样点，表示具有DoG卷积尺度∑_d,c的DoG卷积梯度方向图在位置l_k(ε₀,v₀,R_c)处的点的像素值。