馬書香，楊會偉

(蕪湖職業(yè)技術(shù)學(xué)院信息工程學(xué)院，安徽蕪湖 241001)

?

基于移動平臺的SIFT算法優(yōu)化

馬書香，楊會偉

(蕪湖職業(yè)技術(shù)學(xué)院信息工程學(xué)院，安徽蕪湖 241001)

本文通過快速構(gòu)建圖像的低頻信息圖像，并完成其上的特征點(diǎn)檢測，簡化SIFT(Scale Invariant Feature Transform)圖像匹配算法高斯空間構(gòu)造的復(fù)雜度，以此來提高特征點(diǎn)檢測效率，提高算法在移動設(shè)備上的運(yùn)行速度，并在Android平臺上將優(yōu)化算法和SIFT算法進(jìn)行對比。實(shí)驗結(jié)果表明，優(yōu)化的算法在多種場景下保證配準(zhǔn)效果的同時提高了特征點(diǎn)檢測速度，尤其是在旋轉(zhuǎn)變化條件下效果更好。

低頻圖像；特征點(diǎn)檢測；配準(zhǔn)

SIFT(Scale Invariant Feature Transform)算法的核心是通過高斯變化獲取尺度空間，然后在尺度空間中尋找特征點(diǎn)，并提取其位置、尺度等信息，在目標(biāo)識別、圖像檢索等圖像處理領(lǐng)域有著廣泛的應(yīng)用。隨著移動平臺的飛速發(fā)展，將優(yōu)秀的算法應(yīng)用于移動平臺是一種迫切需求，但是SIFT算法存在計算量大、實(shí)時性差的問題，阻礙其在移動平臺上的使用。因此，優(yōu)化算法是必然趨勢。

1 SIFT算法的基本原理

SIFT算法是在不同尺度空間上尋找極值點(diǎn)，提取圖像的特征不變量，主要步驟如下所示。

1.1 尺度空間構(gòu)建

一幅圖像的尺度空間L(x,y,σ)為

L(x,y,σ)=G(x,y,σ)*I(x,y).

(1)

其中，G(x,y,σ)為尺度可變的高斯函數(shù)，*為卷積運(yùn)算，I(x,y)為原圖像。

利用不同尺度的高斯差分核與圖像卷積生成高斯差分尺度空間D(x,y,kσ)為

(2)

其中，k為不同的高斯核尺度，k的初始值為1，尺度以k倍遞增。

1.2 尺度空間極值點(diǎn)檢測及定位

在高斯差分空間中間的幾層圖像上，將每個像素點(diǎn)與它同尺度的8個相鄰點(diǎn)及上下相鄰尺度對應(yīng)的9×2個點(diǎn)比較，以確定其是否為極值點(diǎn)。然后利用擬合函數(shù)來確定關(guān)鍵點(diǎn)的位置和尺度，同時去除低對比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)。

1.3 關(guān)鍵點(diǎn)特征方向的確立

采集關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特征，計算高斯空間圖像(x,y)處的梯度值m(x,y)和方向θ(x,y)。

(3)

(4)

其中，L為關(guān)鍵點(diǎn)所在的尺度空間值。

統(tǒng)計鄰域內(nèi)像素的梯度和方向，把最大梯度值對應(yīng)的角度值作為關(guān)鍵點(diǎn)的主方向。

1.4 關(guān)鍵點(diǎn)特征描述

在關(guān)鍵點(diǎn)所在的高斯圖像上，將關(guān)鍵點(diǎn)附近的鄰域劃分為4×4個子區(qū)域，每個子區(qū)域作為一個種子點(diǎn)，每個種子點(diǎn)有8個方向。統(tǒng)計4×4個子區(qū)域的8個方向的梯度值，就生成了128維的關(guān)鍵點(diǎn)的特征向量，該向量就是SIFT的特征描述。

2 SIFT算法優(yōu)化

根據(jù)SIFT原理可知，尺度空間的構(gòu)造耗時多。另外，在SIFT算法高斯尺度空間構(gòu)造的過程中，如果保持圖像的分辨率不變，隨著高斯平滑核的增大和逐步的高斯低通濾波，原體現(xiàn)圖像細(xì)節(jié)的高頻信號和污染圖像的高頻信號減少，包含圖像大部分信息的低頻信息被提取。因此，本文直接在低頻圖像中獲取穩(wěn)定的特征點(diǎn)，步驟如下：第一步，選擇合適的高斯核對圖像進(jìn)行高斯濾波，濾除高頻信號，保留圖像的低頻信號；第二步，在第一步中的低頻信號上確定檢測區(qū)域，并獲取區(qū)域內(nèi)的極值點(diǎn)，即穩(wěn)定點(diǎn)。

2.1 高斯核的確定

首先對圖像進(jìn)行預(yù)處理，然后通過高斯濾波快速獲取低頻信息圖像。對于多維高斯濾波運(yùn)算采用分離濾波器把多維的卷積分解成多個一維卷積，從而提高運(yùn)算速度。例如，圖像的二維高斯濾波運(yùn)算，先對圖像的行進(jìn)行一維卷積運(yùn)算，再對圖像的列進(jìn)行一維卷積運(yùn)算。由此可知，對圖像進(jìn)行一次高斯平滑濾波，其運(yùn)算量與圖像尺寸和高斯核有關(guān)。在圖像尺寸確定的情況下，二維高斯濾波的計算量與σ成線性關(guān)系，σ越大，運(yùn)算時間越長。

在低頻信息圖像檢測區(qū)域固定的情況下，不斷改變高斯核σ，將所檢測到的穩(wěn)定點(diǎn)進(jìn)行統(tǒng)計，繪制σ(橫坐標(biāo))和穩(wěn)定點(diǎn)數(shù)(縱坐標(biāo))間的關(guān)系圖(圖1)。σ與檢測的穩(wěn)定點(diǎn)數(shù)近似反比關(guān)系，在σ達(dá)到一定值時穩(wěn)定點(diǎn)數(shù)趨于穩(wěn)定。

圖1 高斯核σ與檢測到的特征點(diǎn)數(shù)目的對應(yīng)關(guān)系曲線

綜合考慮特征點(diǎn)的穩(wěn)定性、特征點(diǎn)的數(shù)目和檢測時間三個關(guān)鍵性指標(biāo)，在保障檢測出的特征點(diǎn)數(shù)目穩(wěn)定的情況下，σ越小檢測時間越短，否則算法的實(shí)時性差。由圖1知，σ在值為7時穩(wěn)定點(diǎn)數(shù)已基本穩(wěn)定。

2.2 穩(wěn)定點(diǎn)檢測區(qū)域的確定

在固定σ值為7的條件下，通過實(shí)驗的方式確定極值檢測區(qū)域。對不同圖像的低頻信息圖像，統(tǒng)計其在大小不同的檢測區(qū)域檢測到的極值點(diǎn)數(shù)目，如表1所示。

表1 不同的極值點(diǎn)檢測區(qū)域所檢測出的穩(wěn)定點(diǎn)數(shù)

其中，第一列為圖像的名稱，主要是從牛津大學(xué)標(biāo)準(zhǔn)圖像庫選取，第一行為穩(wěn)定點(diǎn)檢測鄰域的半徑大小，表格中內(nèi)容為在所對應(yīng)情況下的點(diǎn)數(shù)。

從表1可以看出，檢測區(qū)域太小，檢測到的穩(wěn)定點(diǎn)數(shù)有冗余，算法執(zhí)行時間長，會降低算法的實(shí)時性。當(dāng)極值檢測區(qū)域太大，所檢測到的特征點(diǎn)數(shù)目減少的幅度太大，會降低配準(zhǔn)效果，因此，本文選擇以被檢測點(diǎn)為中點(diǎn)，半徑為3個像素點(diǎn)大小的范圍作為檢測區(qū)域，不僅能夠保證適當(dāng)數(shù)目的穩(wěn)定檢測點(diǎn)，還能夠盡可能地提高算法的檢測效率。

圖2 不同場景的圖像對在不同方法下的特征點(diǎn)檢測運(yùn)行時間(ms)

圖3 不同場景的圖像對在不同方法下的特征點(diǎn)配準(zhǔn)率(%)

3 實(shí)驗結(jié)果與分析

在Android移動設(shè)備平臺上使用Android NDK和OpenCV，對不同場景下的圖像采用兩種算法從特征點(diǎn)檢測時間和特征點(diǎn)配準(zhǔn)率(兩幅圖像配準(zhǔn)點(diǎn)和特征點(diǎn)數(shù)目比值的平均值)兩方面進(jìn)行對比分析。從旋轉(zhuǎn)變化情況下的Adam組、光線變化條件下的Leuven組、模糊變化條件下的Trees組、壓縮的條件下的UBC組、縮放條件下的Boat組、視角變化條件下的Graffiti組中每組選擇兩幅圖像作為測試數(shù)據(jù)，編號為1到12，使用Matlab繪制不同環(huán)境下兩種算法的對比曲線圖(圖2、圖3)。

在圖3中，配準(zhǔn)率越大，檢測出的特征點(diǎn)穩(wěn)定性越高；反之，穩(wěn)定性越低。由圖3可知，Adam圖像組，優(yōu)化的特征點(diǎn)檢測方法特征點(diǎn)配準(zhǔn)率明顯高于SIFT特征點(diǎn)檢測方法。Trees圖像組、Leuven圖像組、UBC圖像組、Graffiti圖像組，優(yōu)化算法和SIFT的特征點(diǎn)配準(zhǔn)率相近。Boat圖像組，SIFT特征點(diǎn)檢測方法配準(zhǔn)率明顯高于優(yōu)化算法。但是，由圖2可知，優(yōu)化算法的檢測時間明顯低于SIFT特征點(diǎn)檢測方法。

4 結(jié)論

通過綜合對比分析可知，SIFT方法所檢測的特征點(diǎn)穩(wěn)定，但是運(yùn)算時間長，效率低。本文提出的優(yōu)化方法，計算量相對較少，檢測效率較高，特別是對于旋轉(zhuǎn)變化的圖像具有較高的特征點(diǎn)穩(wěn)定性、特征點(diǎn)配準(zhǔn)率以及較高的檢測效率，明顯優(yōu)于SIFT方法，但是對于較大尺寸縮放條件下優(yōu)化算法配準(zhǔn)效果還有待提高。故本文提出的優(yōu)化方法還存在一定不足，有待進(jìn)一步的完善。

[1]劉佳,傅衛(wèi)平,王雯,等.基于改進(jìn)SIFT算法的圖像匹配[J].儀器儀表學(xué)報,2013(5):1107-1112.

[2]柯杉,王博亮,黃曉陽.一種改進(jìn)的SIFT算法及其在醫(yī)學(xué)圖像配準(zhǔn)中的應(yīng)用[J].廈門大學(xué)學(xué)報:自然科學(xué)版,2010(3):354-358.

[3]Oxford.Visual geometry group-affine covariant regions datasets[EB/OL].(2004-09-19)[2015-07-07]. http://www.robots.ox.ac.uk/～vgg/data/data-aff.html.

[4]李剛.瘋狂Android講義[M].2版.北京:電子工業(yè)出版社,2014.

[5]Lowe D.Distinctive image features from scale-invariant key-point[J].International Journal of Computer Vision,2004(2):91-110.

An Optimization of SIFT Algorithm Based on Mobile Platform

MA Shu-xiang,YANG Hui-wei

(Information Engineering Institute，Wuhu Institute of Technology,Wuhu Anhui 241001,China)

Through the rapid construction of low-frequency information and the feature point detection of the image,simplified SIFT (Scale Invariant Feature Transform) image matching algorithm for a Gaussian spatial structure complexity to improve the efficiency of feature point detection and improve the algorithm running speed in mobile devices. Finally,the optimization algorithm and SIFT algorithm are compared in the Android platform. The experimental results show that the optimization algorithm ensure the registration effect and improves the detection speed of the feature points in a variety of scenarios,especially the effect of the rotation change is better.

low frequency image；feature points detection；registration

2016-04-01

安徽省自然科學(xué)重點(diǎn)項目“基于目標(biāo)特征提取的公共交通車輛客流量檢測系統(tǒng)設(shè)計與實(shí)現(xiàn)”(KJ2016A758)。

馬書香(1982- )，女，講師，碩士，從事計算機(jī)控制與圖像處理研究。

TP391

A

2095-7602(2016)10-0039-04