王凱華, 李曉輝, 周明珠, 羅澤，邢軍*

1. 中國科學(xué)院計算機(jī)網(wǎng)絡(luò)信息中心，北京 100190

2. 中國科學(xué)院大學(xué)，北京 100049

3. 國家煙草質(zhì)量監(jiān)督檢驗中心，河南 鄭州 450001

引 言

近年來，卷煙行業(yè)中的假冒偽劣現(xiàn)象比較普遍，大量假冒偽劣卷煙在市場流通，對市場秩序造成了嚴(yán)重影響，也對國家與消費者的合法權(quán)益產(chǎn)生了侵害。卷煙真?zhèn)舞b別問題受到了我國相關(guān)管理部門的高度重視，也是社會大眾普遍比較關(guān)注的問題。一般對卷煙的真?zhèn)舞b別工作是基于卷煙的物化檢測，但考慮到真?zhèn)尉頍熢谕獍b商標(biāo)紙上有一定區(qū)分，可以利用計算機(jī)視覺技術(shù)對其進(jìn)行處理，實現(xiàn)現(xiàn)場檢測，對打擊假冒偽劣煙草，提高檢測效率有重要意義。

當(dāng)前計算機(jī)視覺在卷煙生產(chǎn)中的應(yīng)用有識別和剔除煙葉中的異物[1]以及自動檢測煙標(biāo)的漏貼情況[2]。但基于外包裝商標(biāo)紙對于真?zhèn)尉頍煹膮^(qū)分，依靠的還是人的感官鑒別，相關(guān)工作還在探索，主要難點在于真?zhèn)尉頍熒虡?biāo)紙相似度高，不易區(qū)分，本文將圖像配準(zhǔn)的方法應(yīng)用到真?zhèn)尉頍煹蔫b別工作中，對后續(xù)研究有參考意義。

圖像配準(zhǔn)是對不同傳感器、不同角度或不同時間獲取的同一場景的兩幅或多幅圖像進(jìn)行空間對準(zhǔn)的過程[3]。圖像配準(zhǔn)在多個領(lǐng)域應(yīng)用廣泛，比如遙感、醫(yī)學(xué)圖像分析、機(jī)器視覺、場景分類等[4]。

圖像配準(zhǔn)技術(shù)根據(jù)在配準(zhǔn)過程中使用的圖像信息差異分為3 類：基于變換域的圖像配準(zhǔn)、基于特征的圖像配準(zhǔn)和基于灰度信息的圖像配準(zhǔn)[5]。其中，基于特征的圖像配準(zhǔn)方法因其計算量較低，對位置變化較敏感，同時降低了噪聲、遮擋、光照和圖像變形的影響，成為當(dāng)前主流的配準(zhǔn)方法[6]。 在基于特征的圖像配準(zhǔn)中，基于點特征的圖像配準(zhǔn)技術(shù)成為該研究領(lǐng)域的熱點，所以本文主要研究的是點特征。在基于點特征的研究方法中，SIFT 算法與其他匹配方法相比，提取的點特征由于在圖像平移、旋轉(zhuǎn)、縮放、視角變換和光照變化等因素下具有很好的效果[7]，因而廣泛受到關(guān)注。而基于深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的點特征目前在匹配問題上并沒有取得突破性進(jìn)展[8]。

基于此，本文將基于改進(jìn)的SIFT 算法提取的匹配特征點進(jìn)行卷煙商標(biāo)紙圖像細(xì)粒度配準(zhǔn)，細(xì)粒度配準(zhǔn)的含義是基于開源的圖像配準(zhǔn)框架BIRL（Benchmark on Image Registration methods with Landmark validations）提供的彈性配準(zhǔn)方法實現(xiàn)圖像的精細(xì)配準(zhǔn)。本文的目的是提升卷煙商標(biāo)紙配準(zhǔn)的精度，并能夠?qū)φ鎮(zhèn)尉頍煂崿F(xiàn)有效區(qū)分。

1 相關(guān)技術(shù)

1.1 SIFT 算法

SIFT 算法主要分為四步[9]：

（1）尺度空間的建立

SIFT 算法用DOG 尺度空間代替LOG 尺度函數(shù)，是為了獲得穩(wěn)定特征點的位置，將兩幅相鄰高斯尺度空間圖像相減，得到DOG 尺度空間，該尺度空間的計算方法如式（3）。

（2）尺度空間中提取特征點

尺度空間中的關(guān)鍵點和它所在尺度以及上下尺度27 個點進(jìn)行比較，最終保留局部極值點。然后通過剔除不穩(wěn)定的邊緣響應(yīng)點、對比度低的點以及用子像元插值方法優(yōu)化檢測的關(guān)鍵點。

（3）生成特征點描述子

在關(guān)鍵點鄰域窗口中采樣，計算鄰域中各個像元的梯度幅值和方向，統(tǒng)計鄰域中像元梯度方向直方圖，則直方圖峰值就是關(guān)鍵點的主方向。為了保證旋轉(zhuǎn)不變性，把特征點的方向作為坐標(biāo)軸旋轉(zhuǎn)方向，把特征點周圍區(qū)域分成4×4 個子區(qū)域，統(tǒng)計每個子區(qū)域塊內(nèi)的梯度方向，獲得8 個方向的梯度方向直方圖，最終產(chǎn)生維度為128 的SIFT 特征向量。

（4）特征點匹配

在匹配的時候，SIFT 算法計算出待匹配圖像上距離基準(zhǔn)圖像上某一個特征點最近和次近的特征點，距離計算基于歐氏距離，然后給最近和次近的比值設(shè)置一個閾值，把小于這個閾值的最近點視作匹配點，經(jīng)過比值提純后，一般還會使用隨機(jī)抽樣一致性算法（Random Sample Consensus, RANSAC）剔除離群匹配對。

1.2 圖像細(xì)粒度配準(zhǔn)

本文基于BIRL 圖像配準(zhǔn)框架實現(xiàn)卷煙商標(biāo)紙圖像細(xì)粒度配準(zhǔn)過程，該框架是2019ISBI(International Symposium on Biomedical Imaging)大會舉辦的非剛性幾何圖像自動配準(zhǔn)項目的關(guān)鍵組成部分。

使用的細(xì)粒度配準(zhǔn)方法是該框架集成的bUnwarpJ 彈性配準(zhǔn)方法，該方法基于能量函數(shù)最小化求解變形過程，不僅能夠?qū)傂宰儞Q的圖像進(jìn)行配準(zhǔn)，對彈性變換的圖像也有好的配準(zhǔn)效果，且該方法適合2D 圖像配準(zhǔn)。

該細(xì)粒度配準(zhǔn)方法輸入數(shù)據(jù)包括源圖像和目標(biāo)圖像，以及源圖像和目標(biāo)圖像上標(biāo)定的匹配點的坐標(biāo)。該框架使用的數(shù)據(jù)是人工標(biāo)注的匹配點，為了在工程上達(dá)到特征點自動化匹配和圖像配準(zhǔn)，本文重點研究了如何提取兩幅圖像上相應(yīng)的精確匹配點，在工程上完成圖像配準(zhǔn)的自動化并達(dá)到好的配準(zhǔn)效果。

2 卷煙商標(biāo)紙細(xì)粒度配準(zhǔn)算法

2.1 細(xì)粒度配準(zhǔn)流程設(shè)計

對SIFT 算法改進(jìn)，包括分塊提取卷煙商標(biāo)紙SIFT 特征點，進(jìn)行穩(wěn)健度篩選、單應(yīng)性粗配準(zhǔn)，基于距離約束篩選匹配對。針對細(xì)粒度圖像配準(zhǔn)的結(jié)果，基于輸入的匹配特征點經(jīng)細(xì)粒度配準(zhǔn)后的距離對整體效果進(jìn)行評估。整體配準(zhǔn)流程如圖1 所示。

圖1 卷煙商標(biāo)紙圖像細(xì)粒度配準(zhǔn)流程圖Fig.1 Image of cigarette wrapping paper fine-grained registration flow chart

2.2 圖像匹配策略的改進(jìn)

（1）圖像分塊提取特征策略

由于SIFT 算法提取的卷煙商標(biāo)紙圖像特征點，存在不夠均勻、有些位置特征點檢測較少的問題，本文采取圖像分塊的方法加以解決。主要方法為：首先利用預(yù)先設(shè)置的塊數(shù)對整幅圖像進(jìn)行均勻切割分塊，為了避免分塊圖像邊緣的特征點被遺漏，對分塊邊緣區(qū)域進(jìn)行重疊采樣處理，保障SIFT 算法對原始圖像的每個區(qū)域進(jìn)行檢測。塊數(shù)的選擇設(shè)定為2*1，2*2，3*2，3*3，2*5，4*3。

分塊后，根據(jù)檢測特征點所需時間和檢測特征點的總個數(shù)，確定分塊方式。最后比較分塊前后每一個圖像塊檢測到的特征點個數(shù)，驗證分塊處理的實驗效果，并分析特征點的均衡性。

（2）不穩(wěn)健特征點的剔除

特征點提取階段，由于卷煙商標(biāo)紙圖像是由掃描方式采集的，單幅圖像分辨率高，檢測的特征點數(shù)目很多，直接利用這些特征點，會增加計算量，影響匹配速度，還容易產(chǎn)生誤匹配。提出了先粗配準(zhǔn)后細(xì)粒度配準(zhǔn)的圖像配準(zhǔn)策略，在細(xì)粒度配準(zhǔn)的時候，需要足夠精確的匹配對作為輸入，但對匹配對的數(shù)量并沒有做過多要求，因此上述策略的基礎(chǔ)上，根據(jù)特征點的響應(yīng)強度進(jìn)行排序特征點的穩(wěn)健度，剔除一部分穩(wěn)健度低的特征點，減少計算量，提高匹配精度。

（3）單應(yīng)性粗配準(zhǔn)過濾匹配對

SIFT 算法對最近鄰和次近鄰匹配的距離比設(shè)定閾值進(jìn)行匹配對篩選，該閾值被稱為ratio，ratio=0.4適用于準(zhǔn)確度要求高的匹配；ratio=0.6 適用于匹配點數(shù)目要求比較多的匹配；ratio=0.5 適用于一般情況[10]。本文需要找到最精確的匹配對，所以閾值為0.4，后序的剔除偽匹配需要使用隨機(jī)一致性方法RANSAC。

在上述基礎(chǔ)上，通過單應(yīng)性矩陣將基準(zhǔn)圖像和待配準(zhǔn)圖像進(jìn)行粗配準(zhǔn)，根據(jù)粗配準(zhǔn)后匹配對的距離約束，篩選出更精確的匹配對。

其中，H表示單應(yīng)性矩陣，表示三維齊次坐標(biāo)向量。

根據(jù)RANSAC 篩選的匹配對計算單應(yīng)性矩陣，并通過該矩陣將待配準(zhǔn)圖像的匹配點映射到基準(zhǔn)圖像上，就可以計算匹配對經(jīng)過單應(yīng)性粗配準(zhǔn)后的距離。

圖2 三維空間中兩個平面Fig.2 Two planes in three-dimensional space

計算出匹配對的距離后，根據(jù)如下方法設(shè)置閾值，對匹配對進(jìn)行精確篩選。

①匹配數(shù)小于等于100，不對粗配準(zhǔn)后的匹配對進(jìn)行篩選，因為要保證有足夠的匹配對作為細(xì)粒度配準(zhǔn)的輸入；

②匹配數(shù)大于100，計算出這些匹配對的距離均值；

③將②計算的距離均值作為閾值，保留距離小于閾值的匹配對。

將距離均值作為篩選閾值的方法，既可以把距離過大的匹配過濾掉，也可以保留一定數(shù)量的匹配對。之后根據(jù)細(xì)粒度配準(zhǔn)后的匹配對距離均值衡量本文改進(jìn)SIFT 工作前后的卷煙商標(biāo)紙配準(zhǔn)效果。

2.3 圖像細(xì)粒度配準(zhǔn)評價標(biāo)準(zhǔn)

由于圖像配準(zhǔn)的研究領(lǐng)域不同、目的不同、側(cè)重點不同，很難用一個統(tǒng)一的標(biāo)準(zhǔn)界定圖像配準(zhǔn)結(jié)果的好壞[11]。實踐中，會結(jié)合圖像所屬領(lǐng)域、配準(zhǔn)方法等多個方面進(jìn)行綜合評估[12]。對圖像配準(zhǔn)結(jié)果的評估研究也是圖像配準(zhǔn)領(lǐng)域的一個研究熱點。

在細(xì)粒度配準(zhǔn)階段，要輸入基準(zhǔn)圖像和待配準(zhǔn)圖像的匹配對，BIRL 會基于這些匹配對進(jìn)行圖像細(xì)粒度配準(zhǔn)。本文提出細(xì)粒度配準(zhǔn)后根據(jù)這些匹配對的距離均值對配準(zhǔn)結(jié)果進(jìn)行評估。

基于細(xì)粒度配準(zhǔn)后匹配對距離均值進(jìn)行配準(zhǔn)評估的依據(jù)是一張圖像變換到另一張圖像上，匹配點在配準(zhǔn)后位置會接近或者重合。好的配準(zhǔn)效果，兩張圖像基本完全重合，匹配點的距離會很小，差的配準(zhǔn)效果，匹配點的距離會較大。傳統(tǒng)的人工圖像配準(zhǔn)是人工標(biāo)定匹配對，稱之為“控制點”，在圖像配準(zhǔn)后會通過觀察控制點的對準(zhǔn)效果，來判斷配準(zhǔn)的好壞[13]。本文基于此，自動提取圖像的匹配對，定量進(jìn)行距離計算，對配準(zhǔn)效果進(jìn)行定量分析。

具體方法如圖3 所示，實線三角形和虛線三角形表示待配準(zhǔn)圖像和基準(zhǔn)圖像在配準(zhǔn)后圖像上的位置，AA′BB′CC′表示輸入的卷煙商標(biāo)紙?zhí)卣鼽c，也是本文用改進(jìn)的SIFT 算法提取的精確匹配點，線段AA′，BB′，CC′表示細(xì)粒度配準(zhǔn)后匹配對的距離，本文基于這些距離均值評價圖像配準(zhǔn)效果，稱為圖像配準(zhǔn)錯誤偏移（Image Registration Error Offset, IREO）計算方法如式（5）。

圖3 IREO 計算示意圖Fig.3 IREO calculation diagram

n表示匹配對數(shù)目，表示待配準(zhǔn)圖像（源圖 像）匹配特征點，表示基準(zhǔn)圖像（目標(biāo)圖像）匹配特征點。

IREO 評估商標(biāo)紙配準(zhǔn)精度，IREO 值越小，說明配準(zhǔn)的精度越高。

3 實驗和參數(shù)校準(zhǔn)

3.1 實驗數(shù)據(jù)和環(huán)境

實驗數(shù)據(jù)是項目采集的卷煙商標(biāo)紙圖像數(shù)據(jù)，為了保留原始圖像的更多細(xì)節(jié)，用掃描方法進(jìn)行數(shù)據(jù)采集。實驗采用四組商標(biāo)紙圖像數(shù)據(jù)，圖4-圖7，其中每組的(a)表示真煙盒商標(biāo)紙基準(zhǔn)圖像，(b)表示真煙盒商標(biāo)紙待配準(zhǔn)圖像，(c)表示假煙盒商標(biāo)紙待配準(zhǔn)圖像。

實驗的硬件配置是Intel(R)Core(TM)i5-7200U 2.50GHzCPU，內(nèi)存8GB，操作系統(tǒng)為windows10。

3.2 圖像分塊提取特征策略

按照2.2(1)圖像分塊策略，對圖4(a),圖5(a),圖6(a),圖7(a)進(jìn)行分塊處理，得到圖8-圖11 的圖像分塊特征檢測折線圖，藍(lán)色折線表示檢測的特征點個數(shù)，黃色折線表示該圖像進(jìn)行特征檢測所耗時間。通過對圖8-圖11 分析得出，隨著分塊數(shù)的增多，檢測特征點數(shù)目越多，但檢測時間也越多。根據(jù)圖中特征點個數(shù)和時間的變化趨勢發(fā)現(xiàn)，當(dāng)分塊為3*2 時，提取的特征點數(shù)目趨于穩(wěn)定，并且檢測特征點所需時間沒有大幅提升，所以本文針對卷煙商標(biāo)紙圖像數(shù)據(jù)的默認(rèn)分塊方式為3*2。

圖4 卷煙商標(biāo)紙圖像1Fig.4 Image 1 of cigarette wrapping paper

圖5 卷煙商標(biāo)紙圖像2Fig.5 Image 2 of cigarette wrapping paper

圖6 卷煙商標(biāo)紙圖像3Fig.6 Image 3 of cigarette wrapping paper

圖7 卷煙商標(biāo)紙圖像4Fig.7 Image 4 of cigarette wrapping paper

基于3*2 的分塊方式對圖4(a),圖5(a),圖6(a),圖7(a)進(jìn)行特征點檢測，3*2 表示三行兩列，從上到下，從左到右對每個圖像塊編號①②③④⑤⑥，統(tǒng)計分塊前后每一塊上檢測到的特征點個數(shù)，統(tǒng)計結(jié)果如表1 所示，每行上面的數(shù)字表示圖像塊原來檢測的特征點個數(shù)，下面的數(shù)字表示分塊后檢測特征點的個數(shù)。分析可知，分塊后每個圖像塊都可以提取到更多的特征點，并且原來特征點提取較少的區(qū)域，分塊后能提取到與其他塊數(shù)目相近的特征點，表示該方法可以提取到更均勻的特征點，能提取更能描述圖像全局特征的特征點，便于后續(xù)匹配。

圖8 圖4(a)分塊特征檢測折線圖Fig.8 Fig4(a) feature detection based on segmentation

圖9 圖5(a)分塊特征檢測折線圖Fig.9 Fig5(a) feature detection based on segmentation

圖10 圖6(a)分塊特征檢測折線圖Fig.10 Fig6(a) feature detection based on segmentation

圖11 圖7(a)分塊特征檢測折線圖Fig.11 Figure7(a) feature detection based on segmentation

3.3 不穩(wěn)健特征點的剔除

對圖4(a)(b)，圖5(a)(b)，圖6(a)(b)，圖7(a)(b)， 以10%作為間隔，剔除穩(wěn)健度排序靠后的10%，20%，30%，40%，50% 的特征點。然后基于保留的特征點進(jìn)行匹配，得到推定匹配率（Putative Match Ratio），即匹配的特征點數(shù)占特征點總數(shù)的比值，來衡量剔除部分不穩(wěn)健特征點的匹配效果，如圖12 所示。

表1 每塊圖像上特征點數(shù)目比較Table 1 Comparison of the number of feature points on each segment image

由圖12 可知，當(dāng)剔除30%不穩(wěn)健匹配特征點時，推定匹配率有較大提高，高的原因是因為剔除的不穩(wěn)健特征點沒有參與圖像匹配，所以采用剔除后30%不穩(wěn)健的特征點作為剔除標(biāo)準(zhǔn)。

3.4 單應(yīng)性粗配準(zhǔn)過濾匹配對

基于2.2(3)，對圖4(a)-圖4(b)(A1 組)，圖4(a)-圖4(c))(A2 組)， 圖5(a)- 圖5(b)(B1 組)， 圖5(a)-圖5(c))(B2 組)，圖6(a)-圖6(b)(C1 組)，圖6(a)-圖6(c))(C2 組)， 圖7(a)- 圖7(b)(D1 組)， 圖7(a)- 圖7(c))(D2 組)，進(jìn)行粗配準(zhǔn)實驗，得到表2。

圖12 推定匹配率折線圖Fig.12 Putative match ratio line chatr

表2 粗配準(zhǔn)前后的匹配點距離均值Table 2 Mean distance of matching points before and after coarse registration

對粗配準(zhǔn)距離約束篩選前后的匹配對進(jìn)行可視化，得圖13(A1 組實驗)和圖14(B1 組實驗)。

由表2、圖13 和圖14 可知，經(jīng)過粗配準(zhǔn)距離約束篩選后，匹配對的距離會大大縮小，說明本文提出的匹配對過濾策略能有效剔除誤匹配，提高匹配精度，有利于下一步進(jìn)行的BIRL 細(xì)粒度圖像配準(zhǔn)。

3.5 圖像細(xì)粒度配準(zhǔn)

圖像細(xì)粒度配準(zhǔn)是基于BIRL 的bUnwarpJ 方法進(jìn)行的，在1.2 中有介紹。將要配準(zhǔn)的圖像和3.4 中提取的匹配特征點坐標(biāo)作為BIRL 的輸入。

以A1 組配準(zhǔn)過程為例，配準(zhǔn)的可視化過程如圖15 所示。

圖13 商標(biāo)紙圖像1(a)(b)粗配準(zhǔn)前后特征點匹配圖Fig.13 Image1(a)(b) feature points matching

圖14 商標(biāo)紙圖像2(a)(b)粗配準(zhǔn)前后特征點匹配圖Fig.14 Image2(a)(b) feature points matching

圖15 細(xì)粒度配準(zhǔn)過程可視化Fig.15 Visualization of fine-grained registration process

基于該細(xì)粒度配準(zhǔn)方法和提出的IREO 配準(zhǔn)評估方法，對A1-D2 八組圖像進(jìn)行配準(zhǔn)實驗。

實驗步驟為：對每組配準(zhǔn)圖像，首先用SIFT 算法提取的特征匹配點進(jìn)行細(xì)粒度圖像配準(zhǔn)，然后使用本文改進(jìn)的SIFT 算法，即經(jīng)過分塊提取特征點、剔除不穩(wěn)健的特征點、單應(yīng)性粗配準(zhǔn)距離約束的SIFT 算法提取的匹配點去進(jìn)行細(xì)粒度圖像配準(zhǔn)，計算SIFT 提取匹配對的IREO 配準(zhǔn)結(jié)果如表3 所示。

表3 算法改進(jìn)前后IREO 對比Table 3 IREO before and after algorithm improvement

4 結(jié)果分析

卷煙商標(biāo)紙細(xì)粒度配準(zhǔn)是基于BIRL 集成的bUnwarpJ 細(xì)粒度配準(zhǔn)方法進(jìn)行的，在細(xì)粒度配準(zhǔn)階段，本文提出了用圖像配準(zhǔn)錯誤偏移（IREO）去衡量配準(zhǔn)效果。

在細(xì)粒度配準(zhǔn)之前的步驟，對SIFT 算法的改進(jìn)主要在特征點檢測和匹配對過濾兩個階段。

4.1 特征點檢測分析

對SIFT 提取特征點的改進(jìn)包括分塊處理和剔除不穩(wěn)健特征點。

圖像分塊處理，當(dāng)分塊方式為3*2 時，特征點檢測花費時間較少，且能夠提取到數(shù)量更多的特征點。由表1 可知商標(biāo)紙圖像分塊提取的特征點比原來提取的特征點更加均勻，數(shù)量也更多，改進(jìn)后提取的特征點分布均勻，更能表示圖像本身蘊含的特征信息。

基于2.2(1)分塊采集的特征點雖然更均勻，但分布均勻的同時，也使得圖像特征的數(shù)量增加，本文基于特征點的響應(yīng)強度，即穩(wěn)健度，剔除一部分不穩(wěn)健的特征點。由圖12 可知，根據(jù)特征點穩(wěn)健度排序，剔除后30%的穩(wěn)健度低的特征點時，可以最大程度提高圖像匹配的推定匹配率。剔除后，可以提升商標(biāo)紙圖像匹配的計算速度，保留更穩(wěn)健的特征點。

4.2 細(xì)粒度配準(zhǔn)結(jié)果分析

表3 表示八組細(xì)粒度圖像配準(zhǔn)結(jié)果，可視化為圖16 所示。IREO 為本文2.3 提出的圖像配準(zhǔn)評估指標(biāo)，即細(xì)粒度配準(zhǔn)后匹配對的距離均值。藍(lán)色表示基于原來SIFT 算法的IREO 值，黃色表示改進(jìn)后IREO 值，可以發(fā)現(xiàn)，對SIFT 算法改進(jìn)后的IREO值比原來小，說明改進(jìn)的卷煙商標(biāo)紙配準(zhǔn)算法有效果，能夠提升配準(zhǔn)精度。

圖16 算法改進(jìn)前后IREO 柱狀圖Fig.16 IREO histogram before and after algorithm improvement

進(jìn)行分組比較，A1A2 組，B1B2 組，C1C2 組，D1D2 組，1 表示真煙和真煙的商標(biāo)紙配準(zhǔn)結(jié)果，2 表示真煙和假煙商標(biāo)紙配準(zhǔn)結(jié)果，對比發(fā)現(xiàn)，真煙和假煙配準(zhǔn)的IREO 值要大于真煙和真煙配準(zhǔn)的IREO值，說明假煙盒的配準(zhǔn)距離比真煙盒的配準(zhǔn)距離大，在對比情況下，能夠?qū)φ鏌熀泻图贌熀猩虡?biāo)紙圖像數(shù)據(jù)進(jìn)行區(qū)分。可以進(jìn)一步根據(jù)這個差值，來研究如何最大差異化真?zhèn)尉頍熒虡?biāo)紙圖像數(shù)據(jù)，進(jìn)而對真假卷煙進(jìn)行區(qū)分。

5 總結(jié)與展望

本文研究了基于特征點的細(xì)粒度圖像配準(zhǔn)框架BIRL，針對細(xì)粒度配準(zhǔn)結(jié)果，提出使用圖像配準(zhǔn)錯誤偏移（IREO）衡量配準(zhǔn)結(jié)果，使用該標(biāo)準(zhǔn)可以對細(xì)粒度配準(zhǔn)結(jié)果進(jìn)行定量分析。結(jié)合細(xì)粒度配準(zhǔn)方法對輸入匹配點的要求，改進(jìn)了SIFT 算法對特征匹配對的提取。

對SIFT 算法的改進(jìn)在特征點提取和匹配點過濾兩個方面。特征提取階段，通過分塊方式，檢測到圖像上更均勻的特征點；根據(jù)特征點穩(wěn)健度排序剔除后30%的特征點，提高了推定匹配率。在匹配階段，提出了單應(yīng)性矩陣粗配準(zhǔn)后經(jīng)距離約束篩選匹配點，實驗表明，經(jīng)粗配準(zhǔn)距離約束后提取的匹配點可以提高細(xì)粒度圖像配準(zhǔn)的精度。

此外，對比不同組的實驗結(jié)果，可以對卷煙商標(biāo)紙圖像進(jìn)行區(qū)分。根據(jù)對比實驗，真煙和真煙的精配準(zhǔn)效果要優(yōu)于真煙和假煙的精配準(zhǔn)效果，根據(jù)兩組之間的差值，能夠區(qū)分真?zhèn)尉頍熒虡?biāo)紙圖像數(shù)據(jù)，對以后根據(jù)真?zhèn)尉頍熒虡?biāo)紙圖像區(qū)分真?zhèn)尉頍煹难芯坑袇⒖家饬x，有利于卷煙質(zhì)檢工作自動化的推進(jìn)，對打擊假冒偽劣卷煙，維護(hù)市場秩序有重要意義。

本文對圖像細(xì)粒度配準(zhǔn)的改進(jìn)主要體現(xiàn)在前期匹配對的精確提取，下一步可以對細(xì)粒度配準(zhǔn)的具體方法進(jìn)行研究，拉大真?zhèn)尉頍熍錅?zhǔn)的差異，從而實現(xiàn)更有效的區(qū)分。

利益沖突聲明

所有作者聲明不存在利益沖突關(guān)系。