鄭麗君，李新偉,2，卜旭輝

(1.河南理工大學 電氣工程與自動化學院，河南 焦作 45400； 2.河南省高等學?？刂乒こ讨攸c學科開放實驗室，河南 焦作 454000)

基于尺度不變特征變換的快速圖像拷貝檢測

鄭麗君1，李新偉1,2*，卜旭輝1

(1.河南理工大學 電氣工程與自動化學院，河南 焦作 45400； 2.河南省高等學?？刂乒こ讨攸c學科開放實驗室，河南 焦作 454000)

針對傳統(tǒng)基于尺度不變特征變換(SIFT)特征的圖像拷貝檢測算法特征提取速度慢、匹配效率不高的問題，提出了一種基于SIFT特征點位置分布與方向分布特征的快速圖像拷貝檢測算法。首先，提取SIFT特征點二維位置信息，通過計算各個特征點與圖像中心點的距離、角度，分塊統(tǒng)計各區(qū)間的特征點數(shù)量，依據(jù)數(shù)量關(guān)系量化生成二值哈希序列，構(gòu)成一級魯棒特征；然后，根據(jù)特征點一維方向分布特征分塊統(tǒng)計各方向子區(qū)間特征點數(shù)量，依據(jù)數(shù)量關(guān)系構(gòu)成二級圖像特征；最后，拷貝檢測時采用級聯(lián)式過濾框架作出是否為拷貝的判斷。仿真實驗結(jié)果表明，與傳統(tǒng)SIFT以128維特征描述子為基礎(chǔ)構(gòu)建哈希序列的圖像拷貝檢測算法相比，所提算法在保證魯棒性與獨特性不降低的同時，特征提取時間縮短為原來的1/20，匹配時間也縮短了1/2以上，可滿足在線拷貝檢測的需求。

拷貝檢測；圖像哈希；尺度不變特征變換；級聯(lián)檢索；分布特征

0 引言

數(shù)字多媒體處理技術(shù)和網(wǎng)絡技術(shù)的發(fā)展，使得數(shù)字媒體的復制、編輯處理和分布更加容易和便捷，圖像是人們接觸最多的多媒體，而且也是包含信息面最廣的網(wǎng)絡多媒體，它涉及到生活的方方面面，近年來發(fā)生的圖像非法合成、復制、篡改事件，侵害了所有人的合法權(quán)益。有效判定圖像版權(quán)歸屬是圖像拷貝檢測研究的熱點和難點之一。

如何提取魯棒性強、處理速度快、占用內(nèi)存少的圖像特征是拷貝檢測方法的關(guān)鍵問題。根據(jù)圖像特征提取的方法可分為兩類：基于圖像全局特征的方法和基于圖像局部特征的方法。利用圖像的亮度均值、順序測度[1]、離散余弦變換(Discrete Cosine Transform, DCT)系數(shù)、非負矩陣分解(Non-negative Matrix Factorization, NMF)和直方圖[2]統(tǒng)計信息等構(gòu)造圖像特征的算法屬于第一類方法。鄒復好等[3]提出基于圓環(huán)分區(qū)的順序測度算法，以圖像中心為圓心，依據(jù)圖像的尺寸構(gòu)建一個最大的內(nèi)切圓形區(qū)域，然后將該圓形區(qū)域劃分為多個圓環(huán)，并計算各圓環(huán)特征的順序測度作為圖像特征向量。與Kim[4]采用DCT系數(shù)中直流系數(shù)的方法相比，鄒復好等[3]的算法在抗旋轉(zhuǎn)和裁剪失真方面有著良好的性能，可抵抗任意角度的旋轉(zhuǎn)和一定幅度的裁剪；但是對平移、局部裁剪、拉伸、和旋轉(zhuǎn)縮放裁剪的混合攻擊等失真抵抗能力一般。Monga等[5]提出NMF方法，該方法將矩陣分解為非負子矩陣，使非負系數(shù)描述圖像局部的能力增強，該方法對噪聲、壓縮、模糊的魯棒性非常好，但是存在對Gamma校正和幾何攻擊的魯棒性較弱的問題。

利用圖像特征點的方法屬于第二類方法，特征點就是指一些能夠穩(wěn)定出現(xiàn)并且具有較好的可區(qū)分性的一些點。例如在圖像不完全受到遮擋的情況下，一些特征依然穩(wěn)定存在，以代表這幅圖像。鑒于此，局部特征被越來越廣泛地應用于圖像檢索、目標檢測與跟蹤、圖像匹配等領(lǐng)域，比如Harris興趣點[6]、SIFT特征點[7]、主成分分析-尺度不變特征變換(Principle Component Analysis-Scale Invariant Feature Transform, PCA-SIFT)特征[8]。SIFT是由Lowe[9]于2004年提出的，該特征描述子是通過對特征點鄰域構(gòu)建三維梯度方向直方圖來產(chǎn)生128維特征向量。SIFT特征對旋轉(zhuǎn)和尺度變換具有不變性，對仿射變換和噪聲也保持一定的穩(wěn)定性，在匹配中具有較好的容錯性；但SIFT特征維數(shù)較高，存在匹配效率不高的問題。針對局部特征描述向量維數(shù)較高的問題，Ke等[10]最早采用PCA進行局部特征描述降維，該方法將特征點鄰域像素的梯度分量所構(gòu)成高維向量投影到前20維本征向量空間，產(chǎn)生20維的特征描述。PCA-SIFT方法雖然可以產(chǎn)生緊湊的低維數(shù)特征描述向量，但是它的算法復雜度較高，計算過程十分耗時。針對這一問題，顏雪軍等[11]提出采用二維PCA(Two-dimensional PCA, 2DPCA)方法對梯度向量描述塊進行降維來構(gòu)建特征描述子，實驗結(jié)果表明，該方法相比PCA-SIFT，可以快速地求解本征空間，并且從計算效率上看，2DPCA-SIFT具有更好的擴展性。Lyu等[12]將Harris和SIFT檢測聯(lián)合起來并結(jié)合特征點的分布提出了一種形狀上下文指紋(Radial and Angular Shape Context Hashing, R&ASCH) 算法，該算法對常規(guī)信號處理的魯棒性有了大幅提高，尤其是幾何攻擊方面。針對SIFT算法匹配速度慢的問題，許佳佳等[13]提出了一種改進的Harris-SIFT算法，對傳統(tǒng)Harris算法進行改進，然后利用SIFT算子的特征描述方法對提取的特征點進行描述，通過隨機kd樹算法對兩幅圖像的特征點進行匹配，大大減少了標準SIFT所需的配準時間。Ling等[14]也以SIFT特征點為基礎(chǔ)，采用其生成一系列32比特二值序列的詞庫，并且構(gòu)建了一個查找表用于大規(guī)模圖像檢索?；谔卣鼽c構(gòu)造特征的缺點在于計算復雜、有較低的檢測效率，優(yōu)點是對幾何攻擊穩(wěn)定。

綜上所述，當前以SIFT的描述子為基礎(chǔ)的圖像拷貝算法，構(gòu)建哈希序列時每一幅圖像提取若干個特征點，每個特征點對應一個哈希序列，即每幅圖像對應若干個哈希序列，SIFT特征描述子計算耗時，即使采用PCA進行局部特征描述降維，也存在特征提取時間耗時長與匹配效率不高的問題，受此啟發(fā)，本文以保證檢測精度和提高特征提取速度、匹配速度為目標，避開128維SIFT描述子計算，利用SIFT特征點的2維位置分布及1維方向分布特征，構(gòu)建級聯(lián)式過濾框架，實現(xiàn)拷貝檢測。本文算法在保持高檢測精度的同時，顯著提高特征提取速度和匹配速度，滿足在線拷貝檢測的需求。

1 SIFT算子

點特征是圖像最基本的局部特征之一，具有普遍性、容易表示等優(yōu)點[15]。選擇SIFT算子主要理由是SIFT特征是圖像局部區(qū)域梯度突出關(guān)系的一種反映，不但對旋轉(zhuǎn)、尺度縮放具有不變性，同時對亮度變化、噪聲、濾波、仿射變換、視角變換等也有較好的魯棒性，并且對每幅圖像生成的特征點數(shù)量非常多，這些因素使得圖像中特征點保持數(shù)量和位置分布的穩(wěn)定性，是目前公認的最為穩(wěn)定的特征匹配算子[16]。

2 特征提取算法描述

完整的圖像拷貝檢測系統(tǒng)框架包括特征數(shù)據(jù)庫生成和拷貝檢測兩個階段，其中特征數(shù)據(jù)庫包括測試特征庫和原始圖像特征庫，拷貝檢測階段采用兩級過濾式檢測。具體流程如圖1所示。

圖1 圖像拷貝檢測系統(tǒng)流程Fig.1 Flow chart of image copy detection system

2.1 一級魯棒特征生成

圖像的一級魯棒特征是基于圖像的SIFT特征點位置信息與中心點得到的參數(shù)，具體生成過程如下：

對于一幅大小為M×M的圖像，假設提取得到的SIFT特征點數(shù)量為Z，其中一個SIFT特征點坐標T=(xt,yt)，圖像中心點坐標R=(r,r)(r=M/2)。

特征點T與中心點R的距離可表示為：

(1)

向量角度表示為：

αt=arctan((yt-r)/(xt-r))

(2)

統(tǒng)計圖像中所有的SIFT特征點與中心點R的距離、角度分別為：

D=[d1,d2,…,dt,…,dz]

(3)

θ=[α1,α2,…,αt,…,αz]

(4)

采用數(shù)量分類統(tǒng)計的方法構(gòu)造哈希，根據(jù)角度θ的分布范圍[-π,π]，將角度均勻劃分為p份，生成p維列向量M=[m1;m2;…;mi;mi+1;…;mp]，其中mi表示落在第i個角度區(qū)間的SIFT特征點數(shù)量。

同時，在角度劃分成p份的基礎(chǔ)上，將圖像基于圓環(huán)等面積劃分為q份，假設在第i個角度區(qū)間上，可對應生成1維行向量N=[di1,di2,…,dij,dij+1,…,diq]，由此可生成矩陣：

V=(V(i,j))

(5)

其中V(i,j)(i=1,2,…，p;j=1,2,…，q)坐標表示落在第i個角度區(qū)間第j個距離區(qū)間的SIFT特征點數(shù)量。

將V(i,j)在所有角度、距離上形成一維向量，并通過與均值比較生成一維二值哈希序列：

H=[h1,h2,…,hk,hk+1,…,hp×q]

(6)

2.2 二級魯棒特征生成

圖像的二級魯棒特征是基于圖像的SIFT特征點方向信息得到的參數(shù)，根據(jù)特征點的方向分布范圍[-π,π]，基本符合均勻分布規(guī)律，因此將方向區(qū)間均勻劃分為l份，第m個區(qū)間內(nèi)的方向數(shù)量表示為ωm，對應的向量Ω=[ω1,ω2,…,ωm,ωm+1,…,ωl]。

2.3 級聯(lián)檢索

根據(jù)圖1，在兩級過濾式檢測階段，首先進行一級特征相似性檢測，假設原始特征庫中圖像一級特征為V′，采用“順序掃描檢索”的方式，按照漢明距離式(7)計算V′與測試特征庫圖像的一級圖像特征Vi的相似度sim(V′,Vi)：

(7)

通過預先設置的一級相似度閾值ξ，得到一級匹配結(jié)果，可獲得二級待檢測圖像索引，根據(jù)索引分別從原始特征庫和測試特征庫提取索引圖像的二級魯棒特征進行相似性度量，根據(jù)度量結(jié)果作出是否存在拷貝關(guān)系的判斷。參數(shù)ξ直接影響第二級特征匹配效率與準確性，設置太大則會導致大量漏檢事件的發(fā)生，設置過小則會降低二級特征匹配效率。

對Corel數(shù)據(jù)庫中的1 000幅源圖像及對應的拷貝圖像作為測試集進行分析，當閾值ξ在0.75～0.90范圍內(nèi)變化時，二級待檢測圖像數(shù)量所占比例(不同閾值情況下，疑似拷貝圖像數(shù)與1 000幅圖像的比值)如表1所示，一級匹配之后閾值ξ對二級特征相似性度量耗時影響如表2所示。

由表1～2可知，一級相似度閾值ξ設置為0.875時，其查全率及一級疑似拷貝圖像進行二級匹配的匹配速度相對其他閾值情況下較高，故將一級匹配最佳閾值設置為0.875。

表1 閾值對二級待檢測圖像數(shù)量影響Tab. 1 Effect of threshold on number of secondary image to be detected

表2 閾值對二級檢索耗時影響Tab. 2 Effect of threshold on secondary retrieval time

從圖像庫任意選取5幅圖像，以圖像1為標準，其二級特征在不同的角度區(qū)間設置情況下20個拷貝版本與圖像1的相似度如圖2所示。由圖2可知，在區(qū)間設置為10、20的情況下，雖然魯棒性顯著，但是獨特性不夠明顯，拷貝檢測時會影響正確率；在區(qū)間設置為30、40的情況下，獨特性相比前兩種區(qū)間設置方式顯著提升，考慮到特征存儲占用的內(nèi)存空間、特征匹配速度等因素，方向區(qū)間設置最佳閾值可選為30。

由表1和圖2可知：單獨生成一級特征或者二級特征作為圖像的整體魯棒特征，檢測精度不理想；采用級聯(lián)式檢索框架，實驗結(jié)果表明，本文算法在保證檢測精度的同時亦大大提高了匹配速度。

圖2 不同區(qū)間設置對比結(jié)果Fig. 2 Comparison results of different interval settings

2.4 圖像拷貝檢測評價標準

為了評價所提算法，采用受試者工作特性曲線(Receiver Operating Characteristic Curve, ROC)表示其性能，定義真正類率(True Positive Rate, TPR)和假正類率(False Positive Rate, FPR)分別為：

TPR=TP/(TP+FN)

(8)

FPR=FP/(FP+TN)

(9)

其中：TP(True Positive)表示被模型預測為正的正樣本，即哈希庫中已注冊數(shù)據(jù)被正確識別的數(shù)量；FN(False Negative)表示被模型預測為負的正樣本，即哈希庫中已注冊數(shù)據(jù)未被識別出的數(shù)量；FP(False Positive)表示被模型預測為正的負樣本，即哈希庫中已注冊數(shù)據(jù)未被正確識別的數(shù)量；TN(True Negative)表示被模型預測為負的負樣本，即哈希庫中未注冊數(shù)據(jù)被正確識別的數(shù)量；ROC曲線橫軸表示FPR，縱軸表示TPR，即正確識別率。設定閾值在一定范圍內(nèi)變化，可以得到一組TPR-FPR數(shù)據(jù)，繪制得到ROC曲線圖，通過曲線與坐標軸圍成的面積判斷算法效果的優(yōu)劣，面積越大算法性能越好。

3 仿真實驗與分析

3.1 實驗環(huán)境和數(shù)據(jù)

本文的實驗環(huán)境如下：Windows 7 旗艦版操作系統(tǒng)，Intel Core i3- 3120M 2.50 GHz CPU，4.00 GB內(nèi)存，Matlab R2014a。

實驗中，所選公共圖像庫為Corel圖像庫的1 000幅圖像(http://wang.ist.psu.edu/docs/related.html)。在此數(shù)據(jù)集上測試本文方法在各種圖像變換下的匹配性能，圖像庫分別包含非洲人、海灘、建筑、公交車、恐龍、大象、花、馬、山脈、食物等10種類別圖像，該數(shù)據(jù)集中的測試圖像包含模糊變換、幾何變換和JPEG壓縮等6種圖像變換，失真類型、參數(shù)設置如表3 所示。根據(jù)本文提出的特征提取方法構(gòu)建測試圖像特征庫。一級特征提取階段角度區(qū)間p、距離區(qū)間q參數(shù)分別設置為8和5，二級特征提取階段方向區(qū)間數(shù)量參數(shù)l設置30。二級特征匹配時閾值設置在0.80到0.95之間，在閾值區(qū)間均勻取10個值，每一個閾值得到一對TPR-FPR值，將所得數(shù)據(jù)繪制成ROC曲線。

3.2 圖像拷貝檢測系統(tǒng)的性能論證

對比SIFT算法生成128維描述子和本文算法生成4維描述子下平均特征生成時間,如表4所示。由于每幅圖像特征點數(shù)量不一致，故提取時間也會存在差異，通過求取平均值可縮小計算誤差。與傳統(tǒng)方式生成128維信息相比，改進算法只生成4維信息，特征提取時間縮短為原來的1/20，可滿足在線拷貝檢測的需求。

SIFT(128)、PCA-SIFT(36)、2DPCA-SIFT(n1=6,n2=3)、本文算法生成2 000個特征描述以及4 000 000次特征匹配所需的時間，如表5所示。

表3 構(gòu)建測試庫時失真操作類型及其參數(shù)設置Tab. 3 Distortion operation types and their parameters setting when building test libraries

表4 不同算法對系統(tǒng)平均特征生成時間影響Tab.4 Effect of different algorithms on the the generation time of system average feature

表5 不同算法特征描述生成與匹配時間比較Tab. 5 Time comparison of feature description generation and matching for different algorithms

從表5中可以看出，在特征提取階段前三種方法特征生成時間基本上是一致的，本文算法相比于它們特征提取時間大大縮短，提取速度顯著提高。在特征匹配階段，可以看出雖然36維的匹配速度明顯快于128維的SIFT特征匹配，但是本文算法采用的級聯(lián)檢索方式匹配速度上更快，一級匹配時間僅需0.53 s，在一級匹配結(jié)果上進行二級特征匹配則用時更短，僅用了0.21 s，匹配時間縮短了1/2以上，明顯優(yōu)于對比算法。

另外，本文還分別驗證在每一種攻擊方式下本文算法檢測精度，實驗結(jié)果如圖3所示。圖3(a)是JPEG壓縮情況下的ROC曲線，壓縮因子高于50%時真正類率達到一個非常好的性能，低于50%時性能有所下降，原因是深度時量化步長增加，解壓縮時圖像像素變化較大，導致特征點增多，一定程度上降低了算法的魯棒性與獨特性，但總體上依然保持較好性能。圖3(b)對應的是伽瑪校正情況下的曲線圖，可以看出算法對伽瑪校正的魯棒性很好。圖3(c)對應的是添加噪聲情況下的曲線圖，相較于前幾種失真操作，該操作性能有一定程度下降，原因是噪聲對圖像SIFT特征點提取影響較大，以至于相似性呈現(xiàn)一定差異。圖3(d)對應的是原始圖像及裁剪和縮放情況下的曲線圖，對于縮放操作，放大2倍時的性能明顯優(yōu)于放大1.5倍時，原因是放大能夠較好保持原有數(shù)據(jù)，故放大程度越大，則效果越好。圖3(e)對應的是濾波情況下的曲線圖，維納濾波模板為5的曲線與坐標軸包圍的面積最大，說明效果最好；均值濾波模板為3的曲線與坐標軸圍成的面積略低于其他模板為3的濾波，均值濾波時通常采用鄰域平均法，消弱了圖像邊緣，使圖像變得有些模糊，影響了特征點的檢測和匹配性能。圖3(f)對應的是旋轉(zhuǎn)和剪切情況下的曲線圖，從中可以看出，本文算法對圖像的小范圍角度的旋轉(zhuǎn)魯棒性很強；對于剪切操作，由于特征點的隨機性使得特征可抵御一定程度的剪切變換，故拷貝檢測效果也較好。

圖3 不同攻擊方式下ROC曲線Fig. 3 ROC curve of different attack modes

本文算法以SIFT特征點位置分布與方向分布特征為基礎(chǔ)，為了能全面地測試特征描述方法的性能，故選取同樣以SIFT特征為基礎(chǔ)的圖像拷貝檢測算法作為對比，對比算法選擇SIFT算法、PCA-SIFT算法，這些算法魯棒性都很不錯，都是經(jīng)典算法，對比結(jié)果如圖4所示。由圖4可知，PCA-SIFT算法可以產(chǎn)生緊湊的低維數(shù)特，在特征描述維數(shù)、檢索正確率以及低差錯率下的匹配響應率等方面優(yōu)于SIFT算法；但是，本文算法在生成特征維度較低的情況下，算法的魯棒性和獨特性仍然能保持較好的性能，明顯優(yōu)于對比的兩種算法。

圖4 不同算法ROC對比結(jié)果Fig. 4 ROC comparison results of different algorithms

4 結(jié)語

為了在保證圖像拷貝檢測算法精度的同時提高特征提取速度與匹配效率，本文基于SIFT特征點分布特征提出了一種快速圖像拷貝檢測方法。該算法以SIFT特征點位置分布與方向分布特征構(gòu)造兩級式過濾框架，提高了特征提取速度與匹配速度，同時也保持了較好的魯棒性與獨特性。與現(xiàn)有基于SIFT的拷貝檢測算法相比，該算法在保證檢測精度的同時具有更好的時間性能。但是，當圖像遭受JPEG壓縮攻擊，壓縮因子進一步降低時，該算法魯棒性不夠理想，在保證檢測精度的同時如何進一步降低特征描述的長度是以后的研究重點。

References)

[1] 余艷偉,周學海,許華杰.用于拷貝檢測的魯棒圖像特征提取方法[J].武漢大學學報(理學版),2013,59(1):87-92.(YU Y W, ZHOU X H, XU H J. A robust feature extraction scheme in image copy detection [J]. Journal of Wuhan University (Natural Science Edition), 2013, 59(1): 87-92.)

[2] 劉煒,歐陽建權(quán),李澤洲,等.運用邊緣方向直方圖進行圖像拷貝檢測[J].計算機工程與應用,2010,46(31):184-187.(LIU W, OUYANG J Q, LI Z Z, et al. Edge histogram-based image copy detection algorithm [J]. Computer Engineering and Applications, 2010, 46(31): 184-187.)

[3] 鄒復好,李曉威,許治華,等.抗旋轉(zhuǎn)和等比縮放失真的圖像拷貝檢測技術(shù)[J].計算機研究與發(fā)展,2009,46(8):1349-1356.(ZOU F H, LI X W, XU Z H, et al. Image copy detection with rotation and scaling tolerance [J]. Journal of Computer Research and Development, 2009, 46 (8): 1349-1356.)

[4] KIM C. Content-based image copy detection [J]. Signal Processing: Image Communication, 2003, 18(3): 169-184.

[5] MONGA V, MIHCAK M K. Robust and secure image hashing via non-negative matrix factorization [J]. IEEE Transactions on Information Forensics and Security, 2007, 2(3): 376-390.

[6] 王瑞,郝娜,張波,等.一種自適應Harris角點檢測算法[J].火力與指揮控制,2015,40(7):84-86.(WANG R, HAO N, ZHANG B, et al. Harris corners detection method based on self-adapting non-maximal suppression algorithm [J]. Fire Control & Command Control, 2015, 40(7): 84-86.)

[7] 劉兆慶,李瓊,劉景瑞,等.一種基于SIFT 的圖像哈希算法[J].儀器儀表學報,2011,32(9):2024-2028.(LIU Z Q, LI Q, LIU J R, et al. SIFT based image hashing algorithm [J]. Chinese Journal of Scientific Instrument, 2011, 32(9): 2024-2028.)

[8] 孫銳,閆曉星,高雋.基于SIFT和PCA的圖像感知哈希方法[J].電路與系統(tǒng)學報,2013,18(1):274-278.(SUN R, YAN X X, GAO J. A perceptual image hashing method via SIFT and PCA [J]. Journal of Circuits and Systems, 2013, 18(1): 274-278.)[9] LOWE D G. Distinctive image features from scale-invariant keypoints [J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[10] KE Y, SUKTHANKAR R. PCA-SIFT: a more distinctive representation for local image descriptors [C]// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2004: 506-513.

[11] 顏雪軍,趙春霞,袁夏.2DPCA-SIFT:一種有效的局部特征描述方法[J].自動化學報,2014,40(4):675-682.(YAN X J, ZHAO C X, YUAN X. 2DPCA-SIFT: an efficient local feature descriptor [J]. Acta Automatica Sinica, 2014, 40(4): 675-682.)

[12] LYU X D, WANG Z J. Perceptual image hashing based on shape contexts and local feature points [J]. IEEE Transactions on Information Forensics and Security, 2012, 7(3): 1081-1093.

[13] 許佳佳,張葉,張赫.基于改進Harris-SIFT算子的快速圖像配準算法[J].電子測量與儀器學報,2015,29(1):48-54.(XU J J, ZHANG Y, ZHANG H. Fast image registration algorithm based on improved Harris-SIFT descriptor [J]. Journal of Electronic Measurement and Instrumentation, 2015, 29(1): 48-54.)

[14] LING H F, YAN L Y, ZOU F H, et al. Fast image copy detection approach based on local fingerprint defined visual words [J]. Signal Processing, 2013, 93(8): 2328-2338.

[15] 張春美.特征點提取及其在圖像匹配中的應用研究[D].鄭州:信息工程大學,2008:10.(ZHANG C M. Study on feature point detecting and its application to image matching [D]. Zhengzhou: Information Engineering University, 2008: 10.)

[16] MIKOLAJCZYK K, SCHMID C. Performance evaluation of local descriptors [J]. IEEE Transaction on Pattern Analysis & Machine Intelligence, 2005, 27(10): 1615-1630.

This work is partially supported by the National Natural Science Foundation of China (61402152,61403130), the Key Laboratory of Control Engineering of Henan Province (KG2014- 06), the Doctoral Funds for the Henan Polytechnic University (B2013- 022).

ZHENGLijun, born in 1993, M. S. candidate. Her research interests include image analysis and processing.

LIXinwei, born in 1983, Ph. D., lecturer. His research interests include image hash, video fingerprint, multimedia information.

BUXuhui, born in 1981, Ph. D., associate professor. His research interests include data-driven control, intelligent information processing.

Scaleinvariantfeaturetransform-basedfastimagecopydetection

ZHENG Lijun1, LI Xinwei1,2*, BU Xuhui1

(1.SchoolofElectricalEngineeringandAutomation,HenanPolytechnicUniversity,JiaozuoHenan454000,China;2.KeyLaboratoryofControlEngineeringofHenanProvince,JiaozuoHenan454000,China))

Focusing on the problems of low feature extraction speed and low matching efficiency of the traditional image copy detection algorithm based on Scale Invariant Feature Transform (SIFT) feature, a fast image copy detection algorithm based on location distribution and orientation distribution features of SIFT feature points was proposed. Firstly, the two-dimensional location information of SIFT feature points was extracted. The number of feature points in each interval was counted with block statistics by calculating the distance and angle between each feature point and image center point. The binary hash sequence was generated to construct the first order robust feature according to the quantitative relationship. Then, the numbers of sub-interval feature points in all directions were counted with block statistics according to the one-dimensional direction distribution feature of feature points, and the secondary image feature was constructed according to the quantitative relationship. Finally, a cascade filter framework was used in the copy detection to make a judgement about whether the copy or not . The simulation experimental results show that, compared with the traditional copy detection algorithm which constructs the hash sequence based on the SIFT feature with 128-dimensional descriptor, the feature extraction time of the proposed algorithm is shortened to the original 1/20, and the matching time is also reduced by more than 1/2. Therefore the proposed algorithm meet the requirement of online copy detection.

copy detection; image hash; Scale Invariant Feature Transform (SIFT); cascade search; distribution feature

2017- 06- 12;

2017- 08- 28。

國家自然科學基金資助項目(61402152,61403130);河南省高等學?？刂乒こ讨攸c學科開放實驗室課題項目(KG2014- 06);河南理工大學博士基金資助項目(B2013- 022)。

鄭麗君(1993—)，女，河南鄭州人，碩士研究生，主要研究方向：圖像分析與處理； 李新偉(1983—)，男，河南南陽人，講師，博士，主要研究方向：圖像哈希、視頻指紋、多媒體信息； 卜旭輝(1981—)，男，河南商丘人，副教授，博士生導師，博士，主要研究方向：數(shù)據(jù)驅(qū)動控制、智能信息處理。

1001- 9081(2017)12- 3447- 05

10.11772/j.issn.1001- 9081.2017.12.3447

(*通信作者電子郵箱lixinwei@hpu.edu.cn)

TP391.41

A