專利名稱:基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種圖像匹配方法,具體是指一種基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法。
背景技術(shù):
圖像匹配,是指根據(jù)給定目標(biāo)圖像所包含的顏色、紋理、形狀或它們的組合特征等信息建立索引,并且通過(guò)圖像特征向量間的相似性度量,在一幅(或一批)圖像中尋找與給定目標(biāo)相同或相似的圖像區(qū)域(子圖像)的過(guò)程。通常將給定目標(biāo)圖像稱為模板圖像,而將后續(xù)待搜索的序列圖像稱為待測(cè)圖像。圖像匹配技術(shù)在諸多領(lǐng)域內(nèi)有著廣泛的應(yīng)用,其中包括如下方面。醫(yī)學(xué)圖像處理中的CT、MRI、PET、SPECT圖像結(jié)構(gòu)信息融合。遙感圖像領(lǐng)域中的多電磁波段圖像(如微波、紅外、可見(jiàn)光或多光譜圖像)信息融合,定位和識(shí)別已定義或已知特征的如飛機(jī)場(chǎng)、高速路、車站等場(chǎng)景,礦物尋找、特定區(qū)域搜索、農(nóng)作物估產(chǎn)、森林和水源保護(hù)、臺(tái)風(fēng)追蹤、天氣預(yù)報(bào)等方面。在機(jī)器視覺(jué)領(lǐng)域中的字符識(shí)別、標(biāo)志確認(rèn)、波形分析、運(yùn)動(dòng)跟蹤、序列圖像分析等研究方向。在工業(yè)檢測(cè)領(lǐng)域中的目標(biāo)產(chǎn)品定位、表面缺陷檢測(cè)、工業(yè)測(cè)量、產(chǎn)品質(zhì)量評(píng)估、構(gòu)建三維信息等。根據(jù)圖像匹配的基本原理可以將圖像匹配算法分為二類基于灰度相關(guān)的匹配和基于特征的匹配。其中,基于灰度相關(guān)的匹配方法簡(jiǎn)單,匹配精度較高。但是需要處理的數(shù)據(jù)量多,計(jì)算復(fù)雜,很難達(dá)到實(shí)時(shí)匹配的要求,對(duì)噪聲較為敏感,當(dāng)外界條件的變化如光照條件的影響或是目標(biāo)圖像缺損、遮擋都會(huì)很大地影響匹配精度?;谔卣鞯钠ヅ鋵?duì)圖像畸變、噪聲、遮擋、光照變化等具有一定的魯棒性,計(jì)算量小,匹配速度高,目前先進(jìn)的圖像匹配都采用了這一類的方法。Luigi Di stefano等提出了一種基于零均值歸一化積相關(guān)的邊界局部相關(guān)算法。Wang等首先利用灰度相關(guān)法進(jìn)行出匹配,再用MAPSAC算法對(duì)變換矩陣進(jìn)行修正,以消除誤匹配。Lowe等利用尺度空間性質(zhì),提出了一種尺度不變關(guān)鍵點(diǎn)的檢測(cè)方法,以同時(shí)在尺度域和空間域取得極值的點(diǎn)作為關(guān)鍵點(diǎn),并以關(guān)鍵點(diǎn)作為特征區(qū)域的中心。同時(shí),關(guān)鍵點(diǎn)所在的尺度還用以確定特征區(qū)域的大小。這種方法較好地同時(shí)解決了特征區(qū)域定位和大小選擇的問(wèn)題。在每個(gè)特征區(qū)域內(nèi),Lowe以梯度方向的直方圖為基礎(chǔ)構(gòu)造了一種稱為SIFT的局部不變特征提取性能的衡量標(biāo)準(zhǔn)。YKe等提出了 PCA-SIFT算法,通過(guò)采用PCA方法把SIFT的128維特征向量降到36維,從而加快匹配速度。Herbert Bay等提出了一種新的特征提取算法SURF,它通過(guò)快速Hessian矩陣求極值點(diǎn),并通過(guò)非極大值抑制進(jìn)行插值方法得到特征點(diǎn),計(jì)算特征描述向量是通過(guò)計(jì)算區(qū)域的Harr響應(yīng)得到。Keller等提出的基于Fourier-Mellin變換的算法從原理上很好地解決了具有平移、旋轉(zhuǎn)和尺度差異的圖像匹配問(wèn)題。隨著極坐標(biāo)Fourier變換計(jì)算方法的改進(jìn),Averbuch等利用偽極坐標(biāo)Fourier變換技術(shù)改進(jìn)了對(duì)圖像平移、旋轉(zhuǎn)和尺度的檢測(cè)穩(wěn)定性。在商業(yè)領(lǐng)域,很多公司開發(fā)出了成熟的圖像匹配定位算法包,如美國(guó)Cognex公司、的PatMax根據(jù)模板定位原理進(jìn)行幾何特征模板匹配來(lái)取代基于像素灰度的匹配方式。但是幾何模式匹配的基礎(chǔ)是圖像的幾何特征提取,因而此法的定位精度依賴于圖像幾何特征的邊緣檢測(cè)精度,在特征提取過(guò)程中此方法比NCC法對(duì)隨機(jī)噪聲更敏感。比利時(shí)Euresys公司開發(fā)的基于點(diǎn)特征的圖像分析軟件EasyFind,采用創(chuàng)新的特征點(diǎn)技術(shù),EasyFind可迅速在圖像中找到一個(gè)或多個(gè)參考模型的例證。它不是將樣本圖像的像素層次與參考模型相對(duì)比,而是精心選擇模型中的重要特征。Acbpt公司開發(fā)的HexSight機(jī)器視覺(jué)軟件系統(tǒng),其定位工具是根據(jù)幾何特征,采用最先進(jìn)的輪廓檢測(cè)技術(shù)來(lái)識(shí)別對(duì)象和模式。Matrox公司的Inspector軟件則先提取模板和待匹配對(duì)象的邊緣點(diǎn),再將邊緣點(diǎn)進(jìn)行匹配,從而計(jì)算出模板和對(duì)象之間的幾何位姿關(guān)系。日本Keyence公司的定位軟件ShapeTrax II則同樣通過(guò)物體輪廓抽取的形狀為特征基礎(chǔ),進(jìn)行目標(biāo)定位。德國(guó)MVTec公司的HALCON軟件基于形狀的匹配模塊則使用邊緣特征定位物體。此外,加拿大的Dalsa公司、丹麥的JAI/Pulnix公司、加拿大的Coreco Imaging公司、美國(guó)的Navitar公司、瑞士的Photonfocus公司、日本的CCS公司等世界一流的圖像和機(jī)器視覺(jué)技術(shù)領(lǐng)先企業(yè)對(duì)圖像匹配定位技術(shù)都有深入的研究和應(yīng)用。 由于拍攝時(shí)間、拍攝角度、拍攝位置、自然環(huán)境的變化、多種傳感器的使用、傳感器本身的缺陷及噪聲、相同規(guī)格不同個(gè)體之間的略微差別等因素的影響,對(duì)同一或相同規(guī)格的不同目標(biāo)拍攝的圖像之間會(huì)存在灰度失真和幾何畸變等差別。同時(shí),圖像預(yù)處理過(guò)程又會(huì)引入誤差,這都會(huì)導(dǎo)致模板圖像與待測(cè)圖像之間通常存在著一定程度上的差異。其差異主要表現(xiàn)為不同的分辨率、不同的灰度屬性、不同的位置(平移和旋轉(zhuǎn))、不同的大小(縮小和放大)、以及其他的非線性變化(部分物體被遮擋、光照不均)等。在這種情況下,如何使匹配算法精度高、正確匹配率高、速度快、魯棒性和抗干擾性強(qiáng)成為人們關(guān)心的問(wèn)題。
發(fā)明內(nèi)容
本發(fā)明目的在于針對(duì)以往圖像匹配方法計(jì)算量大、耗時(shí)嚴(yán)重、抗圖像畸變、噪聲、遮擋和光照變化等外界環(huán)境影響力小、模板極性反轉(zhuǎn)時(shí)不易匹配的等多方面缺點(diǎn),提出了一種在嵌入式系統(tǒng)上利用輪廓點(diǎn)方向向量為特征,考慮目標(biāo)平移和旋轉(zhuǎn),根據(jù)待測(cè)圖像具體圖像內(nèi)容,實(shí)現(xiàn)圖像目標(biāo)快速、準(zhǔn)確匹配定位。按照本發(fā)明提供的技術(shù)方案,所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法包括以下步驟第一步,模板圖像特征提取模塊在輸入的模板灰度圖中,利用2*2均值法構(gòu)建圖像金字塔、高斯濾波、Sobel邊緣提取、大津法閾值分割、非極大值抑制、高低閾值處理算法,提取用于圖像匹配的模板圖像金字塔各層X(jué)、Y方向向量特征圖和二值化輪廓圖;第二步,待測(cè)圖像特征提取模塊在輸入的待測(cè)灰度圖中,利用均值法構(gòu)建圖像金字塔、高斯濾波、Sobel邊緣提取、大津法閾值分割算法,提取與模板特征進(jìn)行相似度吻合比較的待測(cè)像金字塔各層X(jué)、Y方向向量特征圖和二值化輪廓圖;第三步,匹配參數(shù)自動(dòng)設(shè)置模塊通過(guò)獲取模板二值化輪廓圖中距質(zhì)心最遠(yuǎn)邊緣點(diǎn)和統(tǒng)計(jì)邊緣點(diǎn)總數(shù),計(jì)算最佳旋轉(zhuǎn)角度步長(zhǎng)、金字塔分層數(shù);第四步,圖像金字塔最高層匹配模塊分析不同待測(cè)圖像的具體內(nèi)容,利用三級(jí)篩選匹配策略,剔除待測(cè)圖像中非目標(biāo)位置,在圖像金字塔最高層實(shí)現(xiàn)快速準(zhǔn)確的模板粗匹配;第五步,圖像金字塔非最高層匹配模塊根據(jù)上一層圖像金字塔傳遞來(lái)的匹配信息,通過(guò)圖像金字塔構(gòu)建逆向工程原理,定位出本層目標(biāo)位置,然后將本層定位信息傳遞到下一層圖像金字塔進(jìn)行更精確匹配,直至圖像金字塔第一層。進(jìn)一步的,所述第一步具體為(I. I)利用2*2均值法構(gòu)建多層模板圖像金字塔,模板原始灰度圖作為第一層,高一層金字塔圖像則根據(jù)其下一層灰度圖相鄰四個(gè)像素的灰度值的均值求得;(I. 2)對(duì)圖像金字塔各層模板灰度圖利用高斯濾波去噪,高斯卷積模板如下
權(quán)利要求
1.基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,包括以下步驟 第一步,模板圖像特征提取模塊在輸入的模板灰度圖中,利用2*2均值法構(gòu)建圖像金字塔、高斯濾波、Sobel邊緣提取、大津法閾值分割、非極大值抑制、高低閾值處理算法,提取用于圖像匹配的模板圖像金字塔各層X(jué)、Y方向向量特征圖和二值化輪廓圖; 第二步,待測(cè)圖像特征提取模塊在輸入的待測(cè)灰度圖中,利用均值法構(gòu)建圖像金字塔、高斯濾波、Sobel邊緣提取、大津法閾值分割算法,提取與模板特征進(jìn)行相似度吻合比較的待測(cè)像金字塔各層X(jué)、Y方向向量特征圖和二值化輪廓圖; 第三步,匹配參數(shù)自動(dòng)設(shè)置模塊通過(guò)獲取模板二值化輪廓圖中距質(zhì)心最遠(yuǎn)邊緣點(diǎn)和統(tǒng)計(jì)邊緣點(diǎn)總數(shù),計(jì)算最佳旋轉(zhuǎn)角度步長(zhǎng)、金字塔分層數(shù); 第四步,圖像金字塔最高層匹配模塊分析不同待測(cè)圖像的具體內(nèi)容,利用三級(jí)篩選匹配策略,剔除待測(cè)圖像中非目標(biāo)位置,在圖像金字塔最高層實(shí)現(xiàn)快速準(zhǔn)確的模板粗匹配;第五步,圖像金字塔非最高層匹配模塊根據(jù)上一層圖像金字塔傳遞來(lái)的匹配信息,通過(guò)圖像金字塔構(gòu)建逆向工程原理,定位出本層目標(biāo)位置,然后將本層定位信息傳遞到下一層圖像金字塔進(jìn)行更精確匹配,直至圖像金字塔第一層。
2.如權(quán)利要求I所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,所述第一步具體為 (I. I)利用2*2均值法構(gòu)建多層模板圖像金字塔,模板原始灰度圖作為第一層,高一層金字塔圖像則根據(jù)其下一層灰度圖相鄰四個(gè)像素的灰度值的均值求得; (I. 2)對(duì)圖像金字塔各層模板灰度圖利用高斯濾波去噪,高斯卷積模板如下
3.如權(quán)利要求2所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,所述第二步具體為 (2. I)利用2*2均值法構(gòu)建多層待測(cè)像金字塔,待測(cè)圖原始灰度圖作為第一層,高一層金字塔圖像則根據(jù)其下一層灰度圖相鄰四個(gè)像素的灰度值的均值求得; (2. 2)對(duì)圖像金字塔各層待測(cè)灰度圖利用高斯濾波去噪,高斯卷積模板如下
4.如權(quán)利要求3所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,所述第三步具體為 (3. I)根據(jù)處理過(guò)的圖像金字塔各層模板二值化輪廓圖計(jì)算其質(zhì)心坐標(biāo)及輪廓總點(diǎn)數(shù),并求解距質(zhì)心點(diǎn)歐式距離最遠(yuǎn)的模板輪廓點(diǎn),以下為質(zhì)心點(diǎn)求解
5.如權(quán)利要求4所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,所述第四步具體為 (4. I)構(gòu)建搜索框根據(jù)圖像金字塔最高層的模板二值化輪廓圖,以其質(zhì)心點(diǎn)N為旋轉(zhuǎn)基準(zhǔn)點(diǎn),構(gòu)建包圍模板在旋轉(zhuǎn)角度范圍內(nèi)任意角度位置的最小外接矩形,設(shè)置旋轉(zhuǎn)角度范圍為0 360°,并且使該矩形四條邊與原模板圖像坐標(biāo)軸平行,該矩形即為搜索框,縱長(zhǎng)M個(gè)像素,橫長(zhǎng)H個(gè)像素,旋轉(zhuǎn)基準(zhǔn)點(diǎn)即為搜索框基準(zhǔn)點(diǎn)N ; (4. 2)待測(cè)圖搜索框范圍內(nèi)邊緣總點(diǎn)數(shù)統(tǒng)計(jì)假設(shè)該層模板輪廓總點(diǎn)數(shù)為K,相似度閾值為S,以搜索框基準(zhǔn)點(diǎn)N在待測(cè)圖中逐像素遍歷移動(dòng)搜索框,判斷搜索框覆蓋區(qū)域中待測(cè)圖邊緣點(diǎn)數(shù),若統(tǒng)計(jì)點(diǎn)數(shù)大于K*S,則進(jìn)入第4. 3步;否則,則認(rèn)為待測(cè)圖該像素上不存在以它為質(zhì)心的任意角度目標(biāo),而后搜索框成“S”形在待測(cè)圖中移動(dòng)再次執(zhí)行本步操作;若搜索框沿X軸移動(dòng),只需在上一步統(tǒng)計(jì)的邊緣總點(diǎn)數(shù)基礎(chǔ)上,加上沿移動(dòng)方向向前新進(jìn)入搜索框范圍的一列M個(gè)像素點(diǎn)中的待測(cè)圖邊緣點(diǎn)數(shù),并減去相應(yīng)移出搜索框范圍的一列M個(gè)像素點(diǎn)中的待測(cè)圖邊緣點(diǎn)數(shù);若搜索框沿Y軸移動(dòng),只需在上一步統(tǒng)計(jì)的邊緣總點(diǎn)數(shù)基礎(chǔ)上,加上沿移動(dòng)方向向前新進(jìn)入搜索框范圍的一行H個(gè)像素點(diǎn)中的待測(cè)圖邊緣點(diǎn)數(shù),并減去相應(yīng)移出搜索框范圍的一行H個(gè)像素點(diǎn)中的待測(cè)圖邊緣點(diǎn)數(shù); (4. 3)模板旋轉(zhuǎn)與待測(cè)圖對(duì)應(yīng)邊緣點(diǎn)數(shù)統(tǒng)計(jì)以搜索框基準(zhǔn)點(diǎn)N與模板質(zhì)心對(duì)齊并以搜索框基準(zhǔn)點(diǎn)N為旋轉(zhuǎn)中心,按該層旋轉(zhuǎn)角度步長(zhǎng)旋轉(zhuǎn)模板二值化輪廓圖,統(tǒng)計(jì)每旋轉(zhuǎn)一個(gè)角度步長(zhǎng)的模板邊緣點(diǎn)對(duì)應(yīng)到待測(cè)圖的二值化輪廓圖相應(yīng)坐標(biāo)下同時(shí)也存在邊緣點(diǎn)的個(gè)數(shù),當(dāng)模板旋轉(zhuǎn)至某角度該統(tǒng)計(jì)數(shù)大于K*S時(shí),則進(jìn)行第4. 4步,否則,繼續(xù)旋轉(zhuǎn)至下一個(gè)角度; 其中輪廓點(diǎn)旋轉(zhuǎn)采用如下公式
6.如權(quán)利要求5所述基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法,其特征是,所述第五步具體為 (5. I)根據(jù)圖像金字塔上一層在待測(cè)圖中定位的目標(biāo)位置信息,即 (質(zhì)心點(diǎn)坐標(biāo)U。y。)1,旋轉(zhuǎn)角度e。), 通過(guò)圖像金字塔構(gòu)建逆向工程原理,計(jì)算本層目標(biāo)位置信息(質(zhì)心點(diǎn)坐標(biāo)(X y)T,旋轉(zhuǎn)角度e)如下:
全文摘要
本發(fā)明提出一種基于輪廓向量特征的嵌入式實(shí)時(shí)圖像匹配方法。采用基于X、Y方向向量的線特征,抗圖像畸變、噪聲、遮擋、光照變化、極性反轉(zhuǎn)等能力強(qiáng)。采用圖像金字塔搜索策略,在高層小分辨率待測(cè)圖中快速匹配模板,然后逐級(jí)向下精確找出目標(biāo)位置,大大減少匹配時(shí)間。根據(jù)模板圖像具體信息,自動(dòng)計(jì)算出最佳金字塔分層數(shù)及每層金字塔模板匹配最佳旋轉(zhuǎn)角度步長(zhǎng)。圖像金字塔最高層三級(jí)篩選匹配策略根據(jù)待測(cè)圖具體內(nèi)容進(jìn)行處理,第一、二級(jí)篩選,僅利用加減運(yùn)算和判斷語(yǔ)句篩除非目標(biāo)位置,在嵌入式系統(tǒng)中比乘除運(yùn)算更高效,第三級(jí)則僅對(duì)滿足上兩級(jí)要求的較少位置進(jìn)行處理,極大提高匹配速度。整體方法可實(shí)現(xiàn)任意角度、坐標(biāo)下的目標(biāo)匹配定位工作。
文檔編號(hào)G06K9/64GK102654902SQ20121001280
公開日2012年9月5日 申請(qǐng)日期2012年1月16日 優(yōu)先權(quán)日2012年1月16日
發(fā)明者倪健, 吉峰, 白瑞林 申請(qǐng)人:無(wú)錫信捷電氣有限公司, 江南大學(xué)