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

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t_ij(v_i，v_j)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。

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)：$L^{*}=\arg \min (\underset{v_i\in V}{\Sigma }{a}_i(I,l_j)+\underset{(v_i,v_j)\in E}{\Sigma }{t}_{\mathrm{ij}}(l_i,l_j))---\left(1\right);$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)$m\left(x\right)=1/n*\underset{i=1}{\overset{n}{\Sigma }}{m}_i\left(x\right)---\left(5\right)$$m\left(y\right)=1/n*\underset{i=1}{\overset{n}{\Sigma }}{m}_i\left(y\right)---\left(6\right)$$D_{\mathrm{xi}}=1/(n-1)*\underset{i=1}{\overset{n}{\Sigma }}{(m_i\left(x\right)-m\left(x\right))}^2---\left(7\right)$$D_{\mathrm{yi}}=1/(n-1)*\underset{i=1}{\overset{n}{\Sigma }}{(m_i\left(y\right)-m\left(y\right))}^2---\left(8\right)$其中，x0，y0表示原点的x，y坐标，xi，yi表示其他点的坐标，n表示被训练的对象的个数，m就表示离原点的距离均值，D表示离原点的距离方差；一旦m和D确定下来，PS模型中的结构代价函数tij(vi，vj)就随之确定；结构代价函数tij(li，lj)简化为ti(vi)；结构代价函数ti(vi)通过对测试对象和训练对象进行比较得到：$t_i\left(v_i\right)=-\log (2*\pi *D_{\mathrm{xi}}*D_{\mathrm{yi}})+0.5*(x_{\mathrm{di}}^2+y_{\mathrm{di}}^2)/\log (D_{\mathrm{xi}}+D_{\mathrm{yi}})---\left(9\right)$其中，xdi＝mi(x)-m’i(x)，m’i(x)表示测试图片中相应特征点的离原点的距离；mi(x))；同理，ydi＝miy-m’iy；3)、将基于自相似描述子的模板匹配算法引入PS模型，具体有：3.1)、对每个需要检测的特征点建立模板描述子Ti；先训练模板，既在每幅被训练的图片上标记需要找的结构上的特征点qij，简写q；对每个被标记的特征点做自相似描述子dij计算，转化为相关性平面相Sq(x，y)：$S_q(x,y)=\exp (-\frac{{\mathrm{SSD}}_q(x,y)}{\max ({\mathrm{var}}_{\mathrm{noise}},{\mathrm{var}}_{\mathrm{auto}}\left(q\right))})---\left(2\right)$其中，SSDq(x，y)是归一化的相关性平面，而varnoise是一个常数，对应于可接受的光度变化；varauto(q)表示以q为中心的附近区域中与A的最大的方差值；相关性平面SSDq(x，y)转化到以q为中心的极坐标中，并且分成预设数量的位数，旋转每个位中的最大值，将旋转所有的最大值组成一个m×n的矩阵，即以q为中心的自相似描述子；在计算完所有的被训练图片的特征点后，对所有相应的特征点的描述子，做平均值运算，得到每个特征的模板描述子为：$T_i=1/n\underset{j=1}{\overset{n}{\Sigma }}{d}_{\mathrm{ij}}---\left(10\right)$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。