特征提取和匹配技术的演进历程

视觉图像特征提取是实现图像信息理解、处理与决策的基础。由于计算机图像算法使用特征提取来作为初级计算步骤,因此有大量特征提取算法被发展,且提取特征多种多样。在图像识别中,角点的辨识度最高。但是单纯的角点并不能满足需求。因此,研究者设计了很多更为稳定的特征点,这些特征点不会随着相机移动、旋转或者光照变化而发生变化,如SIFT(Scale Invariant Feature Transform)算法、SURF(Speeded Up Robust Features)算法、ORB(Oriented FAST and Rotated BRIEF)算法等。

1.图像边缘

图像边缘是视觉图像的主要特征信息之一。1965年,Roberts提出了一种基于灰度梯度的边缘检测算子。1992年,R.Nevatia提出了一种模板匹配方法,先进行互相关运算,再进行阈值判决。1998年,Steger先利用黑塞矩阵来确定图像中线条边缘的法线方向,再通过求解法线方向上的极值点来得到线条边缘的子像素级位置。2006年,胡坤等在Steger算法的基础上将大模板高斯卷积的递归思想引入线条边缘检测,提出了一种基于黑塞矩阵的子像素精度线条边缘快速提取改进算法。

2.图像角点

角点是指图像中具有高曲率的点。1977年,Moravec提出了角点检测方法,Harris使用Harris角点探测器改善了检测效果和可重复性。1997年,剑桥大学的Smith提出了SUSAN算子,计算基于核心点的SUSAN面积大小,并以此作为初始角点响应。X型角点是一种常见靶标特征点,陈大志、王颖等人提出了一种X型角点子像素级提取方法。栅格型角点是另外一种较常见的用于视觉的靶标特征点,陈大志等提出了一种栅格型角点子像素级提取方法。

3.椭圆或圆

重心法可以有效提取成像较小的椭圆图像中心,魏新国等提出了一些改进的重心法形式。椭圆拟合法可以有效提取成像较大的椭圆图像中心,魏振忠等给出了椭圆拟合法的具体过程。通常,空间椭圆的图像中心并不是椭圆中心所对应像点,针对这一问题,Hekkil建立了空间圆中心在摄像机像平面上的畸变误差模型。2011年,曹世翔等提出一种多分辨率图像特征提取方法,通过构建边缘图像的Gauss金字塔来提取稳定的特征点完成匹配,有效地减少了误匹配特征点的数量。(www.xing528.com)

一个图像的特征点由关键点(Keypoint)和描述子(Descriptor)组成。关键点是指该特征点在图像中的位置,有些还具有方向、尺度信息；描述子通常是一个向量,按照人为设计的方式,描述关键点周围像素的信息。外观相似的特征应该有相似的描述子,通常根据这一要求来设计描述子。因此,匹配时只要两个特征点的描述子在向量空间的距离相近,就可以认为它们是同一个特征点。

特征匹配通常需要三个步骤：

第1步,提取图像中的关键点。

第2步,根据关键点位置,计算特征点的描述子。

第3步,根据描述子进行匹配。