[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有效

专利信息
申请号: 200910101609.7 申请日: 2009-08-14
公开(公告)号: CN101639895A 公开(公告)日: 2010-02-03
发明(设计)人: 刘盛;杜小艳;陈胜勇;张剑华;管秋 申请(专利权)人: 浙江工业大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/46;G06K9/62
代理公司: 杭州天正专利事务所有限公司 代理人: 王 兵;王利强
地址: 310014*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要: 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,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模型的代价函数包appearance代价函数和结构代价函数;2)在待提取的计算机视觉图像中,用顶点的绝对坐标li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;一旦m和D确定下来,PS模型中的结构代价函数tij(vi,vj)也就随之确定;3)将基于自相似描述子的模板匹配算法引入PS模型,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。本发明能够适应不同的光照变化、具有良好的提取效果。
搜索关键词: 基于 similarity pictorial 结构 模型 计算机 视觉 图像 特征 提取 匹配
【主权项】:
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): <mrow> <msup> <mi>L</mi> <mo>*</mo> </msup> <mo>=</mo> <mi>arg</mi> <mi>min</mi> <mrow> <mo>(</mo> <munder> <mi>&Sigma;</mi> <mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>&Element;</mo> <mi>V</mi> </mrow> </munder> <msub> <mi>a</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <msub> <mi>l</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <munder> <mi>&Sigma;</mi> <mrow> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>v</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&Element;</mo> <mi>E</mi> </mrow> </munder> <msub> <mi>t</mi> <mi>ij</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>l</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>其中,ai(I,lj)表示appearance代价函数,是指当区域vi定位在位置1时与图像I的匹配度,tij(li,lj)表示结构代价函数,是指区域vi定位在li和区域vj定位在lj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li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,与它们原点的关系用以下向量表示:mi(x)=xi-x0 (3)mi(y)=yi-y0 (4) <mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mi>n</mi> <mo>*</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mi>n</mi> <mo>*</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>D</mi> <mi>xi</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>*</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>D</mi> <mi>yi</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>*</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>其中,x0,y0表示原点的x,y坐标,xi,yi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tij(vi,vj)就随之确定;结构代价函数tij(li,lj)简化为ti(vi);结构代价函数ti(vi)通过对测试对象和训练对象进行比较得到: <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mi>log</mi> <mrow> <mo>(</mo> <mn>2</mn> <mo>*</mo> <mi>&pi;</mi> <mo>*</mo> <msub> <mi>D</mi> <mi>xi</mi> </msub> <mo>*</mo> <msub> <mi>D</mi> <mi>yi</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mn>0.5</mn> <mo>*</mo> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>di</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>y</mi> <mi>di</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <mi>log</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>xi</mi> </msub> <mo>+</mo> <msub> <mi>D</mi> <mi>yi</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>其中,xdi=mi(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;mi(x));同理,ydi=miy-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Ti;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qij,简写q;对每个被标记的特征点做自相似描述子dij计算,转化为相关性平面相Sq(x,y): <mrow> <msub> <mi>S</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msub> <mi>SSD</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <msub> <mi>var</mi> <mi>noise</mi> </msub> <mo>,</mo> <msub> <mi>var</mi> <mi>auto</mi> </msub> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>其中,SSDq(x,y)是归一化的相关性平面,而varnoise是一个常数,对应于可接受的光度变化;varauto(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SSDq(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,将旋转所有的最大值组成一个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: <mrow> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mi>n</mi> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>d</mi> <mi>ij</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>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;Ti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,采用每个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Ti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ai(I,lj),然后对它归一化,确定appearance代价函数ai(I,lj);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。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/200910101609.7/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top