夏克付

(安徽電子信息職業(yè)技術(shù)學(xué)院，安徽 蚌埠 233030)

0 引 言

目標(biāo)識別是指利用計算機技術(shù)實現(xiàn)人類的視覺功能，其主要任務(wù)是從圖像或視頻中識別出指定的目標(biāo)。目標(biāo)識別技術(shù)一直是國際學(xué)術(shù)研究的熱點，許多優(yōu)秀的目標(biāo)識別算法不斷涌現(xiàn)，并已廣泛應(yīng)用于無人飛行、精確制導(dǎo)、智能交通、視頻監(jiān)控、醫(yī)學(xué)分析等軍事與民用的各個領(lǐng)域[1-2]。目標(biāo)識別的關(guān)鍵在于特征點的提取與匹配，傳統(tǒng)的目標(biāo)識別方法大多基于目標(biāo)的全局特征，這些特征計算簡單，但在目標(biāo)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(biāo)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(zhuǎn)、光照等變化具有不變性，可以較好地應(yīng)用于圖像匹配，能夠在目標(biāo)發(fā)生遮擋、平移、旋轉(zhuǎn)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(fù)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(chǔ)上，利用特征點的主方向性質(zhì)對SIFT算法進行改進，提出了一種基于改進SIFT的目標(biāo)識別方法。首先分別提取原圖像與目標(biāo)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(gòu)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(gòu)建高斯差分尺度空間(DOG)。設(shè)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(biāo)，σ是尺度空間因子。

1.2 精確定位關(guān)鍵點

高斯差分尺度空間構(gòu)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(guān)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(yīng)較強的極值點，精確確定關(guān)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(guān)鍵點方向

關(guān)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(guān)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(yīng)的方向為該關(guān)鍵點的主方向。關(guān)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(guān)鍵點的主方向后，對于每個關(guān)鍵點可以得到三個信息：位置、尺度與方向。

1.4 生成關(guān)鍵點描述符

關(guān)鍵點描述符用于描述關(guān)鍵點附近鄰域的梯度信息。為確保旋轉(zhuǎn)不變性，首先以關(guān)鍵點為中心，將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點的主方向，并選取關(guān)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(guān)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(guān)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(biāo)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(shè)對應(yīng)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(zhuǎn)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(zhì)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(biāo)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(rèn)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(biāo)識別步驟

改進后的SIFT算法實現(xiàn)目標(biāo)識別的具體步驟如下：

(1)特征點提取。對原圖像與目標(biāo)圖像分別構(gòu)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(biāo)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(biāo)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(zhuǎn)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(zhuǎn)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(biāo)識別完成，否則轉(zhuǎn)到3)繼續(xù)執(zhí)行。

3 實驗結(jié)果與分析

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

(a)圖像尺度不同 (b)圖像旋轉(zhuǎn)

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。可以看出本文改進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(zhǔn)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(biāo)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(biāo)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(jié) 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(zhì)對SIFT算法進行改進，提出了一種基于改進SIFT的目標(biāo)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(biāo)識別方法。