[发明专利]基于最大位平均熵的SIFT描述子二值化及相似度匹配方法

摘要

基于最大位平均熵的SIFT描述子二值化及相似度匹配方法涉及图像匹配领域。SIFT算子匹配能力较强，但是SIFT算子带来的数据量是巨大的。所以要对SIFT算子进行二值化，如果对所有算子进行统一二值化，势必也会导致存在数据冗余或者信息丢失。本发明通过对SIFT算子进行二值化，然后对各层二值化结果进行位平均熵的计算，来自适应的选择不同的二值化层数，提取出新的二值化描述子，然后用汉明距离代替欧式距离计算两个描述子之间的距离，将其跟设定阈值进行比较。本发明保留了原始特征的信息并大大减少了数据存储量，降低了计算的复杂度，可更好实现实时性的要求。并且可以取得等同于原始SIFT描述子的匹配结果，远优于统一二值化进行匹配的结果。

主权项

一种基于最大位平均熵的SIFT描述子二值化方法及相似度匹配方案，包括以下步骤：A、二值化阶段，对于每一幅人脸图像，首先提取SIFT特征描述子，然后对SIFT描述子进行多层二值化，求得各个层次的信息熵，根据各层0和1出现的概率和保留的总比特数，求得位平均熵，然后找出最大位平均熵对应的二值化层数，保留这几层二值化结果，形成新的二值化特征描述子；所述步骤A具体包括：A1、对于每一幅人脸图像，首先提取SIFT特征描述子D＝(f1,f2,…,f128)T∈R128A2、对于每一幅人脸图像的每一个SIFT描述子进行二值化为向量D的中值A3、统计0和1的个数，分别为n10和n11；A4、标记为1的那些字节对应的描述子，继续进行二值化，统计此时0和1的个数，分别为n20和n21，继续进行上述二值化过程，依次得到n30和n31，n40和n41；A5、计算做各层二值化后的信息熵做一层二值化的信息熵为：H1＝‑P(n10)log2P(n10)‑P(n11)log2P(n11)做二层二值化的信息熵为：H2=-Σi=12P(ni0)log2P(ni0)-P(n21)log2P(n21)]]>做三层二值化的信息熵为：H3=-Σi=13P(ni0)log2P(h0)-P(n31)log2P(n31)]]>做四层二值化的信息熵为：H4=-Σi=14P(ni0)log2P(ni0)-P(n41)log2P(n41)]]>A6、计算经过各层二值化后保留的比特数做一层二值化后保留的总字节数为：N1＝n10+n11做二层二值化后保留的总字节数为：N2=Σi=12ni0+n21]]>做三层二值化后保留的总字节数为：N3=Σi=13ni0+n31]]>做四层二值化后保留的总字节数为：N4=Σi=14ni0+n41]]>A7、位平均熵可以由信息熵除以位数得到做一层二值化后的位平均熵为：H‾1=H1/N1=[-P(n10)log2P(n10)-P(n11)log2P(n11)]/(n10+n11)]]>做二层二值化后的位平均熵为：H‾2=H2/N2=[-Σi=12P(ni0)log2P(ni0)-P(n21)log2P(n21)]/(Σi=12ni0+n21)]]>做三层二值化后的位平均熵为：H‾3=H3/N3=[-Σi=13P(ni0)log2P(ni0)-P(n31)log2P(n31)]/(Σi=13ni0+n31)]]>做四层二值化后的位平均熵为：H‾4=H4/N4=[-Σi=14P(ni0)log2P(ni0)-P(n41)log2P(n41)]/(Σi=14ni0+n41)]]>A8、求得最大位平均熵所对应的层数保留对应层数的二值化结果，形成新的二值化描述子；B、匹配阶段，对于任意两幅人脸图像，分别提取其新的二值化特征描述子之后，然后用汉明距离代替欧式距离计算两个描述子之间的距离，将其跟设定阈值进行比较，如果汉明距离小于等于设定阈值，则认为匹配成功；否则，则认为匹配不成功；对于提取的不同层次的二值化特征描述子，需要选择不同的阈值；所述步骤B具体包括：B1、对于任意两幅人脸图像，提取其新的二值化描述子；B2、对于每两个描述子x＝[b11,b12,b13,…]和y＝[b21,b22,b23,…]，计算其汉明距离disH(x,y)=x⊕y]]>B3、将得到的汉明距离和阈值进行比较，对于不同层次的二值化描述子，选择的阈值也不相同，设定i层二值化的阈值为Ti，其中i＝1,2,3,4,T1＝17；T2＝28；T3＝34；T4＝39；SGN(disH)=1,disH≤Ti0,disH>Ti]]>B4、如果SGN(DisH)＝1，则认为匹配成功；否则，认为匹配不成功。