專利名稱：圖像特征點(diǎn)檢測(cè)方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)，尤其涉及一種圖像特征點(diǎn)檢測(cè)方法及裝置。
背景技術(shù)：
圖像配準(zhǔn)(Image Registration)指的是對(duì)同一場(chǎng)景獲取的多幅圖像中兩兩分析 并找出相對(duì)應(yīng)的區(qū)域，即在空間關(guān)系上進(jìn)行匹配的一種圖像分析與處理技術(shù)。當(dāng)圖像由不 同的傳感器或者不同的時(shí)間、不同的視角獲取時(shí)，通常需要進(jìn)行圖像配準(zhǔn)。圖像配準(zhǔn)廣泛應(yīng) 用于導(dǎo)航與制導(dǎo)技術(shù)、地理圖像鑲嵌、圖像融合、圖像檢索、目標(biāo)識(shí)別等許多領(lǐng)域。圖像配準(zhǔn)中一個(gè)重要的步驟就是尋找待匹配的圖像的特征信息，例如邊緣特征、 區(qū)域特征和點(diǎn)特征，圖像的邊緣特征對(duì)于旋轉(zhuǎn)、縮放等幾何畸變的適應(yīng)能力不強(qiáng)，圖像的區(qū) 域特征的提取不易達(dá)到一致性，而圖像的點(diǎn)特征的提取則容易達(dá)到高穩(wěn)定性和高精度，所 以圖像的特征點(diǎn)檢測(cè)是獲取圖像特征信息的一種常用方法?，F(xiàn)有技術(shù)中提供一種基于多尺度金字塔思想的圖像特征點(diǎn)檢測(cè)方法，首先構(gòu)建多 尺度圖像金字塔，圖像金字塔分成多組，每組包括多層，下一組的圖像由上一組圖像降采樣 得到，然后進(jìn)行高斯差分(Difference of Gaussian，簡(jiǎn)稱DOG)計(jì)算，利用已經(jīng)獲得的圖像 金字塔，在每一組由鄰近的兩層相減得到該組的一個(gè)DOG金字塔數(shù)據(jù)，重復(fù)該過(guò)程，從而產(chǎn) 生多尺度DOG金字塔。然后確定特征點(diǎn)，具體為將每層圖像的每個(gè)點(diǎn)和該點(diǎn)的相鄰點(diǎn)(即 本層與該點(diǎn)相鄰的8個(gè)點(diǎn)以及上層與該點(diǎn)相鄰的9個(gè)點(diǎn)和下層與該點(diǎn)相鄰的9個(gè)點(diǎn))比較， 將DOG值為極大值或極小值的點(diǎn)作為特征點(diǎn)。發(fā)明人在實(shí)現(xiàn)本發(fā)明的過(guò)程中發(fā)現(xiàn)現(xiàn)有技術(shù)中基于多尺度金字塔思想的圖像特 征點(diǎn)檢測(cè)方法至少存在以下問(wèn)題⑴占用大量?jī)?nèi)存；⑵將DOG值為極大值或極小值的點(diǎn) 作為特征點(diǎn)，檢測(cè)到特征點(diǎn)的準(zhǔn)確性不高。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，提供一種圖像特征點(diǎn)檢測(cè)方法及裝置， 能夠減小內(nèi)存占用，提高檢測(cè)到圖像特征點(diǎn)的準(zhǔn)確性。本發(fā)明實(shí)施例提供了一種圖像特征點(diǎn)檢測(cè)方法，包括對(duì)于待匹配的圖像的圖像金字塔中第M組圖像中的第S層圖像，計(jì)算第S層圖像 中每個(gè)點(diǎn)的高斯拉普拉斯值，S、M為自然數(shù)；將每個(gè)點(diǎn)的高斯拉普拉斯值，與該點(diǎn)的η X η鄰域點(diǎn)的高斯拉普拉斯值比較，選擇 出第一初始候選特征點(diǎn)，以所述第一初始候選特征點(diǎn)為中心的ηΧη區(qū)域中，所述第一初始 候選特征點(diǎn)的高斯拉普拉斯值為極值，所述極值為極大值或極小值；將最佳極值模板與以所述第一初始候選特征點(diǎn)為中心的(η+2) X (η+2)區(qū)域的點(diǎn) 的高斯拉普拉斯值卷積，獲取所述第一初始候選特征點(diǎn)的卷積值，比較每個(gè)第一初始候選 特征點(diǎn)的卷積值和每個(gè)第一初始候選特征點(diǎn)的ηΧη鄰域點(diǎn)的卷積值，選擇出精確候選特 征點(diǎn)，以所述精確候選特征點(diǎn)為中心的ηΧη區(qū)域中，所述精確候選特征點(diǎn)的卷積值為極值；所述最佳極值模板滿足r{i/*F}^r{F}，H為最佳極值模板，Γ表示極值點(diǎn)的集合，F(xiàn) 為以所述第一初始候選特征點(diǎn)為中心的ηΧη區(qū)域中各點(diǎn)的高斯拉普拉斯值組成的ηΧη矩 陣，η為奇數(shù)，Γ {F}表示在F中的極值點(diǎn)；剔除所述精確候選特征點(diǎn)中的邊緣點(diǎn)，從所述精確候選特征點(diǎn)中選擇出所述第S 層圖像的特征點(diǎn)。本發(fā)明實(shí)施例還提供了一種圖像特征點(diǎn)檢測(cè)裝置，包括計(jì)算模塊，用于計(jì)算待匹配的圖像的圖像金字塔中第M組圖像中的第S層圖像中 每個(gè)點(diǎn)的高斯拉普拉斯值，S、M為自然數(shù)；第一選擇模塊，用于將所述計(jì)算模塊計(jì)算得到的所述每個(gè)點(diǎn)的高斯拉普拉斯值與 該點(diǎn)的ηΧη鄰域點(diǎn)的高斯拉普拉斯值比較，選擇出第一初始候選特征點(diǎn)，以所述第一初始 候選特征點(diǎn)為中心的ηΧη區(qū)域中，所述第一初始候選特征點(diǎn)的高斯拉普拉斯值為極值，所 述極值為極大值或極小值；第二選擇模塊，用于將最佳極值模板與以所述第一選擇模塊選擇出的所述第一初 始候選特征點(diǎn)為中心的(n+幻X (η+2)區(qū)域的點(diǎn)的高斯拉普拉斯值卷積，獲取所述第一初 始候選特征點(diǎn)的卷積值，比較每個(gè)第一初始候選特征點(diǎn)的卷積值和每個(gè)第一初始候選特征 點(diǎn)的ηΧη鄰域點(diǎn)的卷積值，選擇出精確候選特征點(diǎn)，以所述精確候選特征點(diǎn)為中心的ηΧη 區(qū)域中，所述精確候選特征點(diǎn)的卷積值為極值；所述最佳極值模板滿足，Η 為最佳極值模板，Γ表示極值點(diǎn)的集合，F(xiàn)為以所述第一初始候選特征點(diǎn)為中心的ηΧη區(qū) 域中各點(diǎn)的高斯拉普拉斯值組成的ηΧη矩陣，η為奇數(shù)，Γ {F}表示在F中的極值點(diǎn)；第三選擇模塊，用于剔除所述第二選擇模塊選擇出的所述精確候選特征點(diǎn)中的邊 緣點(diǎn)，從所述精確候選特征點(diǎn)中選擇出所述第S層圖像的特征點(diǎn)。本發(fā)明實(shí)施例提供的圖像特征點(diǎn)檢測(cè)方法，首先計(jì)算出圖像金字塔中各組圖像中 任意一層圖像中各點(diǎn)的LOG值，然后選擇出初始候選特征點(diǎn)，再在初始候選特征點(diǎn)中選擇 出精選候選特征點(diǎn)；在選擇初始候選特征點(diǎn)的時(shí)候就剔除掉了一部分不可能是特征點(diǎn)的 點(diǎn)，減少了后續(xù)選擇精選特征點(diǎn)的運(yùn)算量，減小內(nèi)存占用。并且，由于LOG值的極值是高斯 差分(DOG)值的極值的近似估計(jì)，將LOG值為極大值或極小值的點(diǎn)作為初始候選特征點(diǎn)，與 現(xiàn)有技術(shù)中將DOG值為極大值或極小值的點(diǎn)作為特征點(diǎn)的方法相比，能夠提高檢測(cè)到特征 點(diǎn)的準(zhǔn)確性，另外，采用最佳極值模板獲取初始候選特征點(diǎn)的卷積值，通過(guò)卷積值選取精確 候選特征點(diǎn)，進(jìn)一步提高了檢測(cè)到特征點(diǎn)的準(zhǔn)確性。下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。


圖1所示為本發(fā)明圖像特征點(diǎn)檢測(cè)方法實(shí)施例一流程圖；圖2所示為本發(fā)明實(shí)施例中獲得最佳極值模板的一種流程圖；圖3所示為經(jīng)過(guò)步驟202之后獲取的特征點(diǎn)、鄰域點(diǎn)及次鄰域點(diǎn)示意圖；圖4所示為本發(fā)明圖像特征點(diǎn)檢測(cè)裝置實(shí)施例結(jié)構(gòu)示意圖。
具體實(shí)施例方式如圖1所示為本發(fā)明圖像特征點(diǎn)檢測(cè)方法實(shí)施例一流程圖，包括
步驟101、對(duì)于待匹配的圖像的圖像金字塔中第M組圖像中的第S層圖像，計(jì)算第 S層圖像中每個(gè)點(diǎn)的高斯拉普拉斯(LOG)值，S、M為自然數(shù)。步驟102、將每個(gè)點(diǎn)的高斯拉普拉斯值，與該點(diǎn)的nXn鄰域點(diǎn)的LOG值比較，選擇 出第一初始候選特征點(diǎn)，以第一初始候選特征點(diǎn)為中心的nXn區(qū)域中，第一初始候選特征 點(diǎn)的LOG值為極值，極值為極大值或極小值。其中，每個(gè)點(diǎn)作為中心點(diǎn)，與其周圍相鄰的點(diǎn) 可以組成nXn區(qū)域，nXn區(qū)域中除中心點(diǎn)之外的點(diǎn)稱作nXn鄰域點(diǎn)。步驟103、將最佳極值模板與以第一初始候選特征點(diǎn)為中心的(η+2) X (η+2)區(qū)域 的點(diǎn)的LOG值卷積，獲取第一初始候選特征點(diǎn)的卷積值，比較每個(gè)第一初始候選特征點(diǎn)的 卷積值和每個(gè)第一初始候選特征點(diǎn)的nXn鄰域點(diǎn)的卷積值，選擇出精確候選特征點(diǎn)，以精 確候選特征點(diǎn)為中心的nXn區(qū)域中，精確候選特征點(diǎn)的卷積值為極值；最佳極值模板滿足 r{//*F}^r{F}，H為最佳極值模板，Γ表示極值點(diǎn)的集合，F(xiàn)為以第一初始候選特征點(diǎn)為 中心的nXn區(qū)域中各點(diǎn)的LOG值組成的nXn矩陣，η為奇數(shù)，Γ {F}表示在F中的極值點(diǎn)。步驟104、剔除精確候選特征點(diǎn)中不穩(wěn)定的點(diǎn)，從精確候選特征點(diǎn)中選擇出所述第 S層圖像的特征點(diǎn)。其中，不穩(wěn)定的點(diǎn)可以是精確候選特征點(diǎn)終端邊緣點(diǎn)。本發(fā)明實(shí)施例提供的圖像特征點(diǎn)檢測(cè)方法，首先計(jì)算出圖像金字塔中各組圖像中 任意一層圖像中各點(diǎn)的LOG值，然后選擇出初始候選特征點(diǎn)，再在初始候選特征點(diǎn)中選擇 出精選候選特征點(diǎn)；在選擇初始候選特征點(diǎn)的時(shí)候就剔除掉了一部分不可能是特征點(diǎn)的 點(diǎn)，減少了后續(xù)選擇精選特征點(diǎn)的運(yùn)算量，減小內(nèi)存占用。并且，由于LOG值的極值是高斯 差分(DOG)值的極值的近似估計(jì)，將LOG值為極大值或極小值的點(diǎn)作為初始候選特征點(diǎn)，與 現(xiàn)有技術(shù)中將DOG值為極大值或極小值的點(diǎn)作為特征點(diǎn)的方法相比，能夠提高檢測(cè)到特征 點(diǎn)的準(zhǔn)確性，另外，采用最佳極值模板獲取初始候選特征點(diǎn)的卷積值，通過(guò)卷積值選取精確 候選特征點(diǎn)，進(jìn)一步提高了檢測(cè)到特征點(diǎn)的準(zhǔn)確性。下面詳細(xì)介紹每個(gè)步驟的具體實(shí)現(xiàn)方式。在進(jìn)行圖像特征點(diǎn)檢測(cè)之前，可以先建立圖像金字塔。具體可以是基于 Linderberg提出的多尺度圖像金字塔，尺度變換可以采用公式(1)G(X，y，σ ) = g(X，y，σ )*I(X，y) (1)ι公式(1)中，g(w，cr) = ^^e & g(x, y，σ)為尺度可變高斯函數(shù)，I (χ,2πσ,y)為圖像函數(shù)，將圖像函數(shù)I(x，y)與g(x，y，σ )卷積可以得到一層圖像，g(x，y，σ)中 σ取不同的值，就可以得到一組多層圖像。將一組圖像降采樣，可以得到下一組圖像，從而 得到圖像金字塔。圖像金字塔可以包括M組，每組可以包括S層，S、M可以是自然數(shù)。例 如，圖像金字塔中每組圖像可以包括3層，從底層到高層依次稱作S-I層、S層和S+1層。 as,l=y[2a = 2as+l,gs2 = g^, gj = gs，可以取=1.6λ/^便于層間同一位置的點(diǎn)的高斯 變換的遞歸處理。本發(fā)明實(shí)施例中以檢測(cè)圖像金字塔一組圖像中第S層圖像的特征點(diǎn)為例，說(shuō)明圖 像特征點(diǎn)的檢測(cè)方法，對(duì)于其他組圖像，或者其他層圖像，可以采用相同的處理方式。步驟101具體可以是，取高斯拉普拉斯算子如下
權(quán)利要求
1.一種圖像特征點(diǎn)檢測(cè)方法，其特征在于，包括對(duì)于待匹配的圖像的圖像金字塔中第M組圖像中的第S層圖像，計(jì)算第S層圖像中每 個(gè)點(diǎn)的高斯拉普拉斯值，S、M為自然數(shù)；將每個(gè)點(diǎn)的高斯拉普拉斯值，與該點(diǎn)的nXn鄰域點(diǎn)的高斯拉普拉斯值比較，選擇出第 一初始候選特征點(diǎn)，以所述第一初始候選特征點(diǎn)為中心的nXn區(qū)域中，所述第一初始候選 特征點(diǎn)的高斯拉普拉斯值為極值，所述極值為極大值或極小值；將最佳極值模板與以所述第一初始候選特征點(diǎn)為中心的(η+2)Χ(η+2)區(qū)域的點(diǎn)的高 斯拉普拉斯值卷積，獲取所述第一初始候選特征點(diǎn)的卷積值，比較每個(gè)第一初始候選特征 點(diǎn)的卷積值和每個(gè)第一初始候選特征點(diǎn)的nXn鄰域點(diǎn)的卷積值，選擇出精確候選特征點(diǎn)， 以所述精確候選特征點(diǎn)為中心的nXn區(qū)域中，所述精確候選特征點(diǎn)的卷積值為極值；所述 最佳極值模板滿足Γ{//* F} g r{F}，H為最佳極值模板，Γ表示極值點(diǎn)的集合，F(xiàn)為以所述 第一初始候選特征點(diǎn)為中心的nXn區(qū)域中各點(diǎn)的高斯拉普拉斯值組成的nXn矩陣，η為 奇數(shù)，Γ {F}表示在F中的極值點(diǎn)；剔除所述精確候選特征點(diǎn)中不穩(wěn)定的點(diǎn)，從所述精確候選特征點(diǎn)中選擇出所述第S層 圖像的特征點(diǎn)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，剔除所述精確候選特征點(diǎn)中不穩(wěn)定的點(diǎn)， 從所述精確候選特征點(diǎn)中選擇出所述第S層圖像的特征點(diǎn)具體包括將所述精確候選特征點(diǎn)中滿足[Dx, Dy] =
；DxxDyy-Dxy2 > 0 ；和Tr2 (/Z1) / DetiHl) < +r這三個(gè)條件的點(diǎn)作為特征點(diǎn)；Dx、Dy是圖像中任意一個(gè)精確候選特征點(diǎn)的一階偏導(dǎo)，Dxx,Dxy,Dyy是圖像中任意一個(gè)精D Dτ τ Γ XX xy -t確候選特征點(diǎn)的二階偏導(dǎo)，仏=[D D ] Det(H1) =DXX+Dyy，r為固定值；砂 yy ,將所述精確特征點(diǎn)中不滿足這三個(gè)條件的剔除。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括采用離線方式獲取初始極值模板 H。，具體包括選取已正確匹配的多個(gè)圖像對(duì)，對(duì)于所述正確匹配的圖像對(duì)中任意一個(gè)圖像的圖像金 字塔中第M組圖像中的第S層圖像，計(jì)算所述第S層圖像中每個(gè)點(diǎn)的高斯拉普拉斯值；將每個(gè)點(diǎn)的高斯拉普拉斯值，與以該點(diǎn)為中心的nXn鄰域中的點(diǎn)的高斯拉普拉斯值 比較，選擇正確匹配的圖像對(duì)中任意一個(gè)圖像的圖像金子塔中的M組圖像中的第S層圖像 的第二初始候選特征點(diǎn)，以所述第二初始候選特征點(diǎn)為中心的nXn區(qū)域中，所述第二初始 候選特征點(diǎn)的高斯拉普拉斯值為極值；以所述第二初始候選特征點(diǎn)為特征點(diǎn)進(jìn)行圖像匹配，獲取正確匹配的特征點(diǎn)對(duì)，記錄 所有正確匹配的特征點(diǎn)的高斯拉普拉斯值、所述正確匹配的特征點(diǎn)的nXn鄰域點(diǎn)的高斯 拉普拉斯值、所述正確匹配的特征點(diǎn)的次鄰域點(diǎn)的高斯拉普拉斯值以及所述正確匹配的特 征點(diǎn)的極值符號(hào)；所述正確匹配的特征點(diǎn)的次鄰域點(diǎn)為所述正確匹配的特征點(diǎn)的nXn鄰域點(diǎn)的nxn鄰域點(diǎn)；獲取矩陣Amxn， 所述矩陣Amxn的行元素為
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，將所述初始極值模板Htl作為所述最佳極 值模板。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，n= 3；結(jié)合約束條件\ = X4, X3 = X7以及& = &，將所述初始極值模板簡(jiǎn)化Htl，得到簡(jiǎn)化后 的極值模板應(yīng)，將所述簡(jiǎn)化后的模板泠作為所述最佳極值模板H。
6.一種圖像特征點(diǎn)檢測(cè)裝置，其特征在于，包括計(jì)算模塊，用于計(jì)算待匹配的圖像的圖像金字塔中第M組圖像中的第S層圖像中每個(gè) 點(diǎn)的高斯拉普拉斯值，S、M為自然數(shù)；第一選擇模塊，用于將所述計(jì)算模塊計(jì)算得到的所述每個(gè)點(diǎn)的高斯拉普拉斯值與該點(diǎn) 的nXn鄰域點(diǎn)的高斯拉普拉斯值比較，選擇出第一初始候選特征點(diǎn)，以所述第一初始候選 特征點(diǎn)為中心的nXn區(qū)域中，所述第一初始候選特征點(diǎn)的高斯拉普拉斯值為極值，所述極 值為極大值或極小值；第二選擇模塊，用于將最佳極值模板與以所述第一選擇模塊選擇出的所述第一初始候 選特征點(diǎn)為中心的(n+幻X (η+2)區(qū)域的點(diǎn)的高斯拉普拉斯值卷積，獲取所述第一初始候 選特征點(diǎn)的卷積值，比較每個(gè)第一初始候選特征點(diǎn)的卷積值和每個(gè)第一初始候選特征點(diǎn)的 nXn鄰域點(diǎn)的卷積值，選擇出精確候選特征點(diǎn)，以所述精確候選特征點(diǎn)為中心的nXn區(qū)域 中，所述精確候選特征點(diǎn)的卷積值為極值；所述最佳極值模板滿足，H為最 佳極值模板，Γ表示極值點(diǎn)的集合，F(xiàn)為以所述第一初始候選特征點(diǎn)為中心的nXn區(qū)域中 各點(diǎn)的高斯拉普拉斯值組成的nXn矩陣，η為奇數(shù)，Γ {F}表示在F中的極值點(diǎn)；第三選擇模塊，用于剔除所述第二選擇模塊選擇出的所述精確候選特征點(diǎn)中不穩(wěn)定的 點(diǎn)，從所述精確候選特征點(diǎn)中選擇出所述第S層圖像的特征點(diǎn)。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述第三選擇模塊具體用于將所述第二 選擇模塊選擇出的所述精確候選特征點(diǎn)中滿足這三個(gè)條件的點(diǎn)作為特征點(diǎn)；Dx、Dy是圖像中任意一個(gè)精確候選特征點(diǎn)的一階偏導(dǎo)，Dxx,Dxy,Dyy是圖像中任意一個(gè)精Dxx Dxy確候選特征點(diǎn)的二階偏導(dǎo)，H1 =[D D ] Det(H1) =DXX+Dyy，r為固定值；xy yy ，將所述精確特征點(diǎn)中不滿足這三個(gè)條件的剔除。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，還包括第一獲取模塊，用于通過(guò)離線方式 獲取初始極值模板Htl，具體包括選取已正確匹配的多個(gè)圖像對(duì)，對(duì)于所述正確匹配的圖像 對(duì)中任意一個(gè)圖像的圖像金字塔中第M組圖像中的第S層圖像，計(jì)算所述第S層圖像中每 個(gè)點(diǎn)的高斯拉普拉斯值；將每個(gè)點(diǎn)的高斯拉普拉斯值，與以該點(diǎn)為中心的nXn鄰域中的點(diǎn)的高斯拉普拉斯值 比較，選擇正確匹配的圖像對(duì)中任意一個(gè)圖像的圖像金子塔中的M組圖像中的第S層圖像 的第二初始候選特征點(diǎn)，以所述第二初始候選特征點(diǎn)為中心的nXn區(qū)域中，所述第二初始 候選特征點(diǎn)的高斯拉普拉斯值為極值；以所述第二初始候選特征點(diǎn)為特征點(diǎn)進(jìn)行圖像匹配，獲取正確匹配的特征點(diǎn)對(duì)，記錄 所有正確匹配的特征點(diǎn)的高斯拉普拉斯值、所述正確匹配的特征點(diǎn)的nXn鄰域點(diǎn)的高斯 拉普拉斯值、所述正確匹配的特征點(diǎn)的次鄰域點(diǎn)的高斯拉普拉斯值以及所述正確匹配的特 征點(diǎn)的極值符號(hào)；所述正確匹配的特征點(diǎn)的次鄰域點(diǎn)為所述正確匹配的特征點(diǎn)的nXn鄰 域點(diǎn)的nXn鄰域點(diǎn)；獲取矩陣Amxn， 所述矩陣Amxn的行元素為 ^=^,1^,2^ JjXN-mJjfiJuN+i)nL ,U’N-^] 'P e [l，M]，q ε [1, N], M = T X (N-I), N = nXn，i為所述正確匹配的特征點(diǎn)的編號(hào)，T為所述正確匹配的特征點(diǎn)的數(shù)目，i e [1， T]，j為所述正確匹配的特征點(diǎn)的鄰域點(diǎn)相對(duì)于所述正確匹配的特征點(diǎn)的編號(hào)，每個(gè)正確匹配的特征點(diǎn)的鄰域點(diǎn)的編號(hào)均為1，2，......j，......，N-l，k為所述次鄰域點(diǎn)相對(duì)于每個(gè)鄰域點(diǎn)的編號(hào)，相對(duì)于每個(gè)鄰域點(diǎn)，次鄰域點(diǎn)的編號(hào)均為
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，還包括第二獲取模塊，用于接收所述第一 獲取模塊獲取的初始極值模板，并將所述初始極值模板作為最佳極值模板發(fā)送給所述第二CN 102054269 A權(quán)利要求書(shū)3/4頁(yè)(r + 1)[Dx, Dy] =
；DxxDyy-Dxy2 > 0 ；和Tr2(Hl)ZDet(Hl)K4選擇模塊。
全文摘要
本發(fā)明公開(kāi)了一種圖像特征點(diǎn)檢測(cè)方法及裝置，其中方法包括計(jì)算圖像金字塔中第S層圖像中每個(gè)點(diǎn)的高斯拉普拉斯值；選擇第一初始候選特征點(diǎn)；將最佳極值模板與以第一初始候選特征點(diǎn)為中心的鄰域的點(diǎn)的高斯拉普拉斯值卷積，將卷積值是鄰域中極值的第一初始候選特征點(diǎn)作為精確候選特征點(diǎn)；在亞象素級(jí)別剔除精確候選特征點(diǎn)中邊緣點(diǎn)等不穩(wěn)定點(diǎn)，從所述精確候選特征點(diǎn)中選擇出所述第S層圖像的特征點(diǎn)。本發(fā)明實(shí)施例提供的方法能夠減小內(nèi)存占用，準(zhǔn)確檢測(cè)到圖像特征點(diǎn)。
文檔編號(hào)G06T7/00GK102054269SQ200910207058
公開(kāi)日2011年5月11日 申請(qǐng)日期2009年10月27日 優(yōu)先權(quán)日2009年10月27日
發(fā)明者史勝利, 楊杰, 牛彩卿 申請(qǐng)人:華為技術(shù)有限公司