夏克付

(安徽電子信息職業(yè)技術學院，安徽 蚌埠 233030)

0 引 言

目標識別是指利用計算機技術實現(xiàn)人類的視覺功能，其主要任務是從圖像或視頻中識別出指定的目標。目標識別技術一直是國際學術研究的熱點，許多優(yōu)秀的目標識別算法不斷涌現(xiàn)，并已廣泛應用于無人飛行、精確制導、智能交通、視頻監(jiān)控、醫(yī)學分析等軍事與民用的各個領域[1-2]。目標識別的關鍵在于特征點的提取與匹配，傳統(tǒng)的目標識別方法大多基于目標的全局特征，這些特征計算簡單，但在目標存在噪聲、發(fā)生形變或被遮擋等情況時識別誤差較大。與全局特征相比，基于局部特征的目標識別方法由于描述能力強，穩(wěn)定性好，能有效克服以上不足[3-4]。

尺度不變特征變換(SIFT)算法是一種局部特征檢測算法[5-6]，它所提取的特征點對尺度、旋轉、光照等變化具有不變性，可以較好地應用于圖像匹配，能夠在目標發(fā)生遮擋、平移、旋轉等變化時具有良好的識別效果。SIFT算法優(yōu)勢明顯，但也存在不足，其特征描述的高復雜度使得特征匹配計算量大，耗時較長，并且存在一定的誤匹配。本文在SIFT算法的基礎上，利用特征點的主方向性質對SIFT算法進行改進，提出了一種基于改進SIFT的目標識別方法。首先分別提取原圖像與目標圖像的特征點，并計算其特征點對的主方向差值，然后利用此差值來剔除差異較大的特征點對，以減少特征匹配階段的運算量，降低誤匹配率。

1 SIFT特征提取與匹配

1.1 構建高斯差分尺度空間

高斯尺度空間是不同尺度的二維高斯核函數(shù)與圖像卷積生成的圖像序列，對該空間中每組的相鄰兩層做差值運算就可快速構建高斯差分尺度空間(DOG)。設每組相鄰兩層的比例系數(shù)為k，則DOG算子可通過下式定義。

D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)

(1)

其中L(x,y,σ)為二維圖像I(x,y)的尺度空間，G(x,y,σ)為二維高斯核函數(shù)，計算方法分別如式(2)和(3)。

L(x,y,σ)=G(x,y,σ)*I(x,y)

(2)

(3)

其中(x,y)是圖像像素坐標，σ是尺度空間因子。

1.2 精確定位關鍵點

高斯差分尺度空間構建完畢后，將該空間中的每個像素點分別與其同層的8個相鄰點和上下兩層的18個相鄰點進行比較，若其值為最大或最小，則可判定該點為極值點。由于對比度較低的極值點對噪聲比較敏感，位于邊緣的極值點又難于精確定位，為提高關鍵點的抗噪能力與穩(wěn)定性，需要對DOG算子進行曲線擬合，剔除對比度低與邊緣響應較強的極值點，精確確定關鍵點的位置與尺度?？赏ㄟ^式(4)剔除邊緣極值點。

(4)

其中H為極值點所在尺度空間的2×2階Hessian矩陣，Tr(H)為矩陣對角線元素之和，Det(H)為矩陣行列式的值，r為矩陣中最大特征值與最小特征值的比值。

1.3 確定關鍵點方向

關鍵點的方向利用其鄰域內(nèi)各個像素點的梯度分布特性確定。對于每個關鍵點，首先計算以其為中心的鄰域窗口內(nèi)所有像素的梯度方向與幅值，然后以此計算其鄰域的梯度方向直方圖。此直方圖有36個方向，每個方向10°，共360°。梯度方向直方圖的最高峰值所對應的方向為該關鍵點的主方向。關鍵點所在尺度空間L(x,y,σ)上的任一像素點(x,y)的梯度方向與幅值計算如式(5)和式(6)。

(5)

(6)

確定關鍵點的主方向后，對于每個關鍵點可以得到三個信息：位置、尺度與方向。

1.4 生成關鍵點描述符

關鍵點描述符用于描述關鍵點附近鄰域的梯度信息。為確保旋轉不變性，首先以關鍵點為中心，將坐標軸旋轉為關鍵點的主方向，并選取關鍵點周圍的16×16鄰域作為采樣窗口，然后利用式(5)和式(6)計算窗口中每個像素點的梯度方向與幅值，最后在每4×4的窗口上計算8個方向上的梯度直方圖，同時計算每個梯度方向的累加值，形成一個種子點。每個關鍵點由16個種子點組成，每個種子點表示8個方向的向量信息，這樣一個關鍵點就可以形成128維向量的特征描述符。

1.5 特征點匹配

對于待識別的兩幅圖像，在通過以上步驟提取其特征點后，可采用歐式距離來度量特征點的相似性。兩個特征點的歐氏距離越小，則其相似度越高，若該距離小于給定的閾值，則可以判定為匹配成功。兩個特征點P和Q的歐式距離可通過下式計算。

(7)

其中P=(p1,p2,…，pn)和Q=(q1,q2,…，qn)分別表示兩個特征點向量。

兩幅圖像特征點匹配的具體過程為：首先通過式(7)計算出原圖像中某個特征點P與目標圖像中全部特征點之間的歐式距離，之后找出其中的最小距離(設對應的特征點為Q)與次小距離，并計算其比值，若該比值小于給定的閾值，則判定特征點P與特征點Q為一對匹配點。以此類推，直至原圖像中全部特征點匹配完成。

2 改進的SIFT算法

SIFT算法中通過搜索計算特征點間歐式距離來檢測匹配點的方法，實現(xiàn)簡單，但搜索計算量較大，運行時間較長，并會產(chǎn)生一定的誤匹配，因此，本文提出一種基于特征點主方向的方法[7-9]，在計算歐氏距離前，通過特征點主方向的差值來消除部分錯誤匹配點，減少SIFT特征匹配的運算量，提高匹配精度。

2.1 基于特征點主方向的錯誤匹配點消除方法

為了使特征點具備旋轉不變性，SIFT為每個特征點都分配了主方向。若P和Q為兩幅圖像中的一對正確匹配特征點，則它們各自鄰域像素的梯度方向與幅值一定是相似或一致的，因此它們的主方向也一定是相似或一致的。反之，若P和Q是一對錯誤匹配點，則它們的主方向一定會有較大差異。因此，在進行SIFT特征匹配時，可以利用特征點的主方向性質過濾掉主方向差異較大的特征點，提高特征匹配效率。具體計算方法為：

對于原圖像與目標圖像中第i對特征點的主方向值θ1i與θ2i，計算其差值的絕對值，若此值大于給定的閾值r，則認為這對特征點是錯誤匹配點并直接舍棄，對于小于閾值r的特征點對，則進一步計算其歐氏距離，直至找出兩幅圖像中的全部正確匹配點。

2.2 基于改進SIFT算法的目標識別步驟

改進后的SIFT算法實現(xiàn)目標識別的具體步驟如下：

(1)特征點提取。對原圖像與目標圖像分別構建高斯差分尺度空間，檢測特征點，確定特征點的位置、尺度和主方向。

(2)特征點描述。為原圖像與目標圖像中提取到的每個特征點，分別建立128維的特征向量描述符。

(3)特征點對主方向差值計算。計算原圖像特征點Mi與目標圖像特征點Nj的主方向差值gi。

(4)特征點舍棄。若gi的絕對值大于給定的閾值r，則舍棄特征點對，轉到3)繼續(xù)計算下一對特征點的差值。

(5)歐式距離計算。若gi的絕對值不大于給定的閾值r，則利用式(7)計算特征點對的歐氏距離di，并轉到3)繼續(xù)計算下一對特征點的差值，直至Mi遍歷完N中的所有特征點。

(6)特征點匹配。找出N中與Mi最小的兩個距離，若他們之間的比值小于給定的閾值，則判定Mi與N中距離最小的點為一對正確匹配點。

(7)識別完成。若已找出M與N中的全部匹配點，則停止計算，目標識別完成，否則轉到3)繼續(xù)執(zhí)行。

3 實驗結果與分析

實驗選取了如圖1所示的兩組原圖像與目標圖像，分別從尺度、遮蓋、旋轉等視角來驗證本文目標識別算法的應用效果。實驗平臺為Win 7+MATLAB R2015b。

(a)圖像尺度不同 (b)圖像旋轉

首先利用原始SIFT算法進行特征提取與匹配。圖1所示a、b兩組圖像中，提取到的特征點個數(shù)從左至右依次為490,1876,87,528，獲得的匹配點對個數(shù)分別為160與45，如圖2所示。從圖示可以看出，采用原始SIFT算法匹配的特征點存在明顯的誤匹配。

(a)160對匹配點 (b)45對匹配點

采用本文改進后的SIFT算法對圖1所示的兩組圖像進行特征提取與匹配，獲得的匹配點對個數(shù)分別為114與31，如圖3所示?？梢钥闯霰疚母倪M后的算法由于在進行SIFT特征匹配之前剔除了主方向差異較大的特征點對，因此不僅減少了特征匹配的運算量，也提高了識別準確率。

為了驗證本文方法在識別精度和運行時間上的改進效果，實驗選取了一幅大小為185×265的原圖像，以及每類10幅，共4類40幅不同大小和視角的目標圖像，分別采用原始SIFT算法和本文改進的SIFT算法來進行特征點提取與匹配。實驗得到的平均識別精度與平均運算時間如表1所示。從表中對比數(shù)據(jù)可以看出，改進后的SIFT算法大幅提高了目標識別的精度，減少了運行時間，效果較好。

(a)114對匹配點 (b)31對匹配點

表1 改進前后的SIFT算法識別精度和運行時間比較

4 結 語

本文針對SIFT算法在特征匹配階段搜索計算量大、運行時間較長、誤匹配率高等問題，利用特征點的主方向性質對SIFT算法進行改進，提出了一種基于改進SIFT的目標識別方法。該方法通過特征點主方向的差值來剔除差異較大的特征點對，減少了特征匹配階段的運算量，降低了誤匹配率，提高了執(zhí)行效率。通過與原始SIFT算法的對比實驗表明，該方法運行時間少，識別精度高，是一種穩(wěn)定性強、效果較好的目標識別方法。