馬書(shū)香，楊會(huì)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(dòng)平臺(tái)的SIFT算法優(yōu)化

馬書(shū)香，楊會(huì)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(guò)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(cè)，簡(jiǎn)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(lái)提高特征點(diǎn)檢測(cè)效率，提高算法在移動(dòng)設(shè)備上的運(yùn)行速度，并在Android平臺(tái)上將優(yōu)化算法和SIFT算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，優(yōu)化的算法在多種場(chǎng)景下保證配準(zhǔn)效果的同時(shí)提高了特征點(diǎn)檢測(cè)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(cè)；配準(zhǔn)

SIFT(Scale Invariant Feature Transform)算法的核心是通過(guò)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(shí)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(dòng)平臺(tái)的飛速發(fā)展，將優(yōu)秀的算法應(yīng)用于移動(dòng)平臺(tái)是一種迫切需求，但是SIFT算法存在計(jì)算量大、實(shí)時(shí)性差的問(wèn)題，阻礙其在移動(dòng)平臺(tái)上的使用。因此，優(yōu)化算法是必然趨勢(shì)。

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(cè)及定位

在高斯差分空間中間的幾層圖像上，將每個(gè)像素點(diǎn)與它同尺度的8個(gè)相鄰點(diǎn)及上下相鄰尺度對(duì)應(yīng)的9×2個(gè)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(lái)確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除低對(duì)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(jì)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(jì)鄰域內(nèi)像素的梯度和方向，把最大梯度值對(duì)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(gè)子區(qū)域，每個(gè)子區(qū)域作為一個(gè)種子點(diǎn)，每個(gè)種子點(diǎn)有8個(gè)方向。統(tǒng)計(jì)4×4個(gè)子區(qū)域的8個(gè)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(shí)多。另外，在SIFT算法高斯尺度空間構(gòu)造的過(guò)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(hào)和污染圖像的高頻信號(hào)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(duì)圖像進(jìn)行高斯濾波，濾除高頻信號(hào)，保留圖像的低頻信號(hào)；第二步，在第一步中的低頻信號(hào)上確定檢測(cè)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(duì)圖像進(jìn)行預(yù)處理，然后通過(guò)高斯濾波快速獲取低頻信息圖像。對(duì)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(gè)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(duì)圖像的行進(jìn)行一維卷積運(yùn)算，再對(duì)圖像的列進(jìn)行一維卷積運(yùn)算。由此可知，對(duì)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(jì)算量與σ成線性關(guān)系，σ越大，運(yùn)算時(shí)間越長(zhǎng)。

在低頻信息圖像檢測(cè)區(qū)域固定的情況下，不斷改變高斯核σ，將所檢測(cè)到的穩(wěn)定點(diǎn)進(jìn)行統(tǒng)計(jì)，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(cè)的穩(wěn)定點(diǎn)數(shù)近似反比關(guān)系，在σ達(dá)到一定值時(shí)穩(wěn)定點(diǎn)數(shù)趨于穩(wěn)定。

圖1 高斯核σ與檢測(cè)到的特征點(diǎn)數(shù)目的對(duì)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(cè)時(shí)間三個(gè)關(guān)鍵性指標(biāo)，在保障檢測(cè)出的特征點(diǎn)數(shù)目穩(wěn)定的情況下，σ越小檢測(cè)時(shí)間越短，否則算法的實(shí)時(shí)性差。由圖1知，σ在值為7時(shí)穩(wěn)定點(diǎn)數(shù)已基本穩(wěn)定。

2.2 穩(wěn)定點(diǎn)檢測(cè)區(qū)域的確定

在固定σ值為7的條件下，通過(guò)實(shí)驗(yàn)的方式確定極值檢測(cè)區(qū)域。對(duì)不同圖像的低頻信息圖像，統(tǒng)計(jì)其在大小不同的檢測(cè)區(qū)域檢測(cè)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(cè)區(qū)域所檢測(cè)出的穩(wěn)定點(diǎn)數(shù)

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

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

圖2 不同場(chǎng)景的圖像對(duì)在不同方法下的特征點(diǎn)檢測(cè)運(yùn)行時(shí)間(ms)

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

3 實(shí)驗(yàn)結(jié)果與分析

在Android移動(dòng)設(shè)備平臺(tái)上使用Android NDK和OpenCV，對(duì)不同場(chǎng)景下的圖像采用兩種算法從特征點(diǎn)檢測(cè)時(shí)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(duì)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(cè)試數(shù)據(jù)，編號(hào)為1到12，使用Matlab繪制不同環(huán)境下兩種算法的對(duì)比曲線圖(圖2、圖3)。

在圖3中，配準(zhǔn)率越大，檢測(cè)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(cè)方法特征點(diǎn)配準(zhǔn)率明顯高于SIFT特征點(diǎn)檢測(cè)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(cè)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(cè)時(shí)間明顯低于SIFT特征點(diǎn)檢測(cè)方法。

4 結(jié)論

通過(guò)綜合對(duì)比分析可知，SIFT方法所檢測(cè)的特征點(diǎn)穩(wěn)定，但是運(yùn)算時(shí)間長(zhǎng)，效率低。本文提出的優(yōu)化方法，計(jì)算量相對(duì)較少，檢測(cè)效率較高，特別是對(duì)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(cè)效率，明顯優(yōu)于SIFT方法，但是對(duì)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(bào),2013(5):1107-1112.

[2]柯杉,王博亮,黃曉陽(yáng).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(mén)大學(xué)學(xué)報(bào):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(xiàng)目“基于目標(biāo)特征提取的公共交通車(chē)輛客流量檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)”(KJ2016A758)。

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

TP391

A

2095-7602(2016)10-0039-04