專利名稱：一種基于p-SIFT特征的物體識別方法
技術領域：
本發明涉及計算機視覺技術領域，特別涉及適用于需要平衡識別準確率和計算復雜度的實時2D或3D物體識別應用場景的基于p-SIFT特征的物體識別方法。
背景技術：
目前，2D或3D圖片中的剛性物體識別越來越廣泛地應用于各類計算機視覺算法中并已開發出很多相關的應用系統，例如工業生產中的次品檢測、交通路口的車牌識別以及互聯網的圖片檢索等。在衡量物體識別算法優劣時，識別準確率和計算復雜度是兩個重要的指標，通常識別準確率的提高是以引入更多的特征來實現的，這同時會帶來計算復雜度的提升，即識別準確率和計算復雜度是一對相互矛盾的指標。而現今應用場景卻越來越復雜，例如復雜的背景、光線的明暗變化、其他物體的遮擋或多物體的識別等等，這些應用場景的復雜化導致了識別算法必須引入更多更細致的特征或者在同一場景中結合多種識別算法，這在保證識別準確率的前提下勢必導致計算復雜度的提升，影響實時系統的運行速度。在軟件算法層面上，這些應用場景的出現對平衡高的識別準確率和低的計算復雜度提出了新的挑戰。要實現高的識別準確率和低的計算復雜度，必須首先清楚地了解物體識別算法的構成。一個完整的物體識別算法包括特征描述和特征匹配兩部分，而大部分算法的特征描述部分又可以分為特征點提取和描述子計算，魯棒性良好的特征點、簡單且分辨率高的描述子、快速準確的匹配方法對于改善識別準確率和降低計算復雜度都有不同程度的貢獻，因此想要改善算法的性能，可以從特征點提取、描述子計算和特征匹配方法三個方面著手。David G. Lowe 等人(Distinctive Image Features from Scale-InvariantKeypoints, International Journal of Computer Vision, 2004)提出了基于 SIFT(Scale-Invariant Feature Transform,尺度不變特征變換)特征的物體識別算法，該算法 將局部的灰度值極值點作為物體的特征點，將該特征點周圍16個子區域像素的梯度8-方向直方圖作為描述子并用歐式距離的二階匹配作為匹配方法。該算法在特征點提取時，利用不同尺度系數的高斯濾波器構建了一系列的尺度空間，并在所有的尺度空間中尋找上述極值點，從而實現了尺度不變性；在描述子計算時，先將2D圖片旋轉到其主方向后統計梯度方向直方圖，從而實現了旋轉不變性，這兩個不變性使得該算法對不同的應用場景具有良好的魯棒性，能實現很高的識別準確率。但是其識別準確率的提高是以高的計算復雜度為代價的，其在構建高斯尺度空間、統計梯度方向直方圖時花費了很大的計算量，而得到的128維描述子在特征匹配階段也帶來了大量的計算，這在很大程度上限制了該算法的應用。為了繼承SIFT算法的高識別率同時降低計算復雜度，Yan Ke等(PCA_SIFT:A MoreDistinctive Representation for Local Image Descriptors， IEEE Computer SocietyConference on Computer Vision and Pattern Recognition，2004)提出了基于 SIFT特征的改進算法一PCA-SIFT。該算法利用K-L變換的原理將SIFT描述子投影到一個新的向量空間中，而該向量空間是經過主成分分析篩選后的特征空間，實現了降低描述子維數的目的。雖然該算法能有效地降低計算量，但是其存在兩個問題，一是其特征空間的不完備性使得特征點的區分度相較SIFT有所下降從而影響了識別正確率，二是其訓練過程不易擴展。
發明內容
本發明旨在至少解決現有技術中存在的技術問題，特別創新地提出了一種基于P-SIFT特征的物體識別方法。為了實現本發明的上述目的，本發明提供了一種基于p-SIFT(PiOminent SIFT，顯著的尺度不變特征變換)特征的物體識別方法，其包括模板庫訓練階段和測試圖片匹配階段，所述模板庫訓練階段包括如下步驟SI :分別計算模板庫中M張訓練圖片中的每一張訓練圖片的SIFT特征點，得到M個特征矩陣，所述M為正整數；
S2 :計算所述每一個特征矩陣的協方差矩陣，得到p-SIFT特征描述子；所述測試圖片匹配階段包括如下步驟S3 :計算測試圖片的SIFT特征矩陣；S4 :計算測試圖片與模版庫M張訓練圖片的特征矩陣相似度。本發明的p-SIFT特征描述的是特征點的區域相關性和方向相關性，使得特征點從絕對位置、絕對方向變為相對位置、相對方向，提高了識別正確率。在本發明的一種優選實施例中，所述模板庫訓練階段還具有以下步驟利用主成分分析，減少p-SIFT特征描述子個數。在本發明的另一種優選實施例中，選取包含不少于90%信息量的特征值和特征向量的p-SIFT特征描述子。本發明利用主成分分析的思路，選取信息量大的特征值和特征向量對作為p-SIFT描述子，使得描述子數量下降到原有的一半。在本發明的一種優選實施例中，采用測試圖片的特征矩陣在當前訓練圖片的L個p-SIFT特征向量上的投影P1=AX μ i與T1=A iX μ I的歐式距尚之和度量特征矩陣的相似度，其中，A為測試圖片的特征矩陣，U1為當前訓練圖片的第I個p-SIFT特征向量，XJ當前訓練圖片第I個特征值，1=1，2，…，L，L是當前訓練圖片的p-SIFT特征點的個數。在本發明的另一種優選實施例中，所述測試圖片匹配階段的步驟S4之后還具有以下步驟在所述特征矩陣相似度中引入權值。在本發明的再一種優選實施例中，在所述特征矩陣相似度中弓I入權值的方法為
權利要求
1.一種基于P-SIFT特征的物體識別方法，其特征在于，包括模板庫訓練階段和測試圖片匹配階段，所述模板庫訓練階段包括如下步驟 51:分別計算模板庫中M張訓練圖片中的每一張訓練圖片的SIFT特征點，得到M個特征矩陣，所述M為正整數； 52:計算所述每一個特征矩陣的協方差矩陣，得到p-SIFT特征描述子； 所述測試圖片匹配階段包括如下步驟 53:計算測試圖片的SIFT特征矩陣； 54:計算測試圖片與模版庫M張訓練圖片的特征矩陣相似度。
2.如權利要求I所述的基于P-SIFT特征的物體識別方法，其特征在于，所述模板庫訓練階段的步驟S2之后還具有以下步驟利用主成分分析，減少P-SIFT特征描述子個數。
3.如權利要求2所述的基于p-SIFT特征的物體識別方法，其特征在于，選取包含不少于90%信息量的特征值和特征向量的p-SIFT特征描述子。
4.如權利要求I所述的基于P-SIFT特征的物體識別方法，其特征在于，采用測試圖片的特征矩陣在當前訓練圖片的L個p-SIFT特征向量上的投影P1=AX μ i與T1=A iX μ i的歐式距離之和度量特征矩陣的相似度，其中，A為測試圖片的特征矩陣，μ I為當前訓練圖片的第I個P-SIFT特征向量，X1為當前訓練圖片第I個特征值，1=1,2,…，L，L是當前訓練圖片的P-SIFT特征點的個數。
5.如權利要求I所述的基于P-SIFT特征的物體識別方法，其特征在于，所述測試圖片匹配階段的步驟S4之后還具有以下步驟在所述特征矩陣相似度中引入權值。
6.如權利要求5所述的基于p-SIFT特征的物體識別方法，其特征在于，在所述特征矩陣相似度中引入權值的方法為
7.如權利要求6所述的基于p-SIFT特征的物體識別方法，其特征在于，將得到的測試圖片與M張訓練圖片的M個歐氏距離E進行比較，如果最小歐氏距離比第二小歐氏距離小I.6倍以上，則認為所述測試圖片與最小歐氏距離對應的訓練圖片匹配。
全文摘要
本發明提出了一種基于p-SIFT特征的物體識別方法，其包括模板庫訓練階段和測試圖片匹配階段，其中，模板庫訓練階段包括步驟對模板庫中的每一張訓練圖片分別計算SIFT特征點，得到特征矩陣；計算所述特征矩陣的協方差矩陣，得到p-SIFT特征描述子；測試圖片匹配階段包括步驟計算測試圖片的SIFT特征矩陣；計算測試圖片與模版庫訓練圖片的特征矩陣相似度。本發明的p-SIFT特征描述的是特征點的區域相關性和方向相關性，使得特征點從絕對位置、絕對方向變為相對位置、相對方向，提高了識別正確率。
文檔編號G06K9/62GK102930292SQ201210395429
公開日2013年2月13日 申請日期2012年10月17日 優先權日2012年10月17日
發明者尹首一, 張杰男, 歐陽鵬, 劉雷波, 魏少軍 申請人:清華大學