一种基于DoG函数的图像表征方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，尤其涉及一种基于DoG函数的图像表征方法。
【背景技术】
[0002] 图像表征方法又称描述子，是计算机视觉领域的基础问题和关键问题，被广泛应 用于大规模图像检索、全景拼接等传统计算机视觉任务中以及很多识别任务中，如物体识 另1J，人脸识别等。
[0003] 现有技术中，描述子有很多类，其中一类为基于图像梯度的方法，以该方法中代表 性的算法SIFT、GLOH为例，SIFT和GLOH进行计算时，以待表征图像的兴趣点为中心，用兴 趣点周围区域的梯度形成的梯度方向直方图来表征该兴趣点，该兴趣点周围区域内每个像 素点的梯度模值加权后分配给梯度直方图的相应方向，对每个像素点的梯度进行加权运算 所用的权值的大小跟该像素点到兴趣点的距离和像素点到区域边界点的距离都成反比例 关系。
[0004] 然而，采用现有技术的上述描述子进行图像表征，都存在可区分性低和鲁棒性不 好的问题。
【发明内容】
[0005] 本发明提供一种基于DoG函数的图像表征方法，该方法可区分性高，同时鲁棒性 好。
[0006] 本发明提供一种基于DoG函数的图像表征方法，包括：
[0007] 设置S个同心圆，所述S个同心圆从内到外半径呈指数m增长，所述S为大于等于 2的整数；
[0008] 在每个所述同心圆圆周上抽取T个采样点，在所述同心圆圆心抽取1个采样点构 成采样点模板，第i个同心圆圆周上的采样点的DoG卷积尺度E tu= η ·、，其中，Ri表示 第i个同心圆的半径，i = 1，2，......，S，所述同心圆圆心的采样点的DoG卷积尺度与半径 最小的同心圆圆周上的采样点的DoG卷积尺度相同，所述DoG卷积尺度指的是DoG函数包 含的小尺度高斯函数的标准差；
[0009] 根据所述S个同心圆的采样点模板的DoG卷积尺度得到S+1个高斯核尺度Σ &j， j = I, 2, ......，S，S+1，其中，Σ &Γ=Σ d，r，r = 1，2，......，S ;Σ g，s+1= Σ d，s · m ;
[0010] 获取待表征图像的N个方向的梯度图，所述N为大于等于1的整数；
[0011] 针对每个方向的梯度图，采用所述S+1个尺度的高斯核进行高斯卷积处理，得到 每个方向的S+1幅高斯卷积的梯度方向图；
[0012] 针对每个方向的S+1幅高斯卷积的梯度方向图，高斯核尺度大小相邻的两幅高斯 卷积的梯度方向图中用小尺度的高斯卷积的梯度方向图减去大尺度的高斯卷积的梯度方 向图，得到S幅DoG卷积的梯度方向图，不同梯度方向的N幅DoG卷积的梯度方向图对应一 个DoG卷积尺度；
[0013] 按照每个采样点的DoG卷积尺度以及所述采样点在采样点模板的位置，在所述采 样点的DoG卷积尺度对应的DoG卷积的梯度方向图中抽取同所述采样点在采样点模板中的 位置相同位置的点的像素值；
[0014] 根据所述采样点的DoG卷积尺度在对应的N幅DoG卷积的梯度方向图中抽取与所 述采样点在采样点模板中的位置相同位置的点的像素值，构造所述采样点的特征向量；
[0015] 用所有所述采样点的特征向量组成的总特征向量表征所述待表征图像。
[0016] 如上所述的基于DoG函数的图像表征方法，用所有所述的采样点的特征向量组成 的总特征向量表征所述待表征图像，包括：
[0017] 将同一个DoG卷积尺度的采样点的特征向量，按照采样点在采样点模板中的位置 依次拼接，得到每个DoG卷积尺度特征向量；
[0018] 按照S个DoG卷积尺度的大小顺序，依次拼接所述S个DoG卷积尺度的特征向量 组成总特征向量；
[0019] 采用所述总特征向量表征待表征图像。
[0020] 如上所述的基于DoG函数的图像表征方法，根据所述采样点的DoG卷积尺度在对 应的N幅DoG卷积的梯度方向图中抽取与所述采样点在采样点模板中的位置相同位置的点 的像素值，构造所述采样点的特征向量，包括：
[0021] 根据公式
【主权项】
1. 一种基于DoG函数的图像表征方法，其特征在于，包括： 设置S个同屯、圆，所述S个同屯、圆从内到外半径呈指数m增长，所述S为大于等于2的 整数； 在每个所述同屯、圆圆周上抽取T个采样点，在所述同屯、圆圆屯、抽取1个采样点构成采 样点模板，第i个同屯、圆圆周上的采样点的DoG卷积尺度n -Ri，其中，而表示第i 个同屯、圆的半径，i = 1，2，......，S，所述同屯、圆圆屯、的采样点的DoG卷积尺度与半径最小 的同屯、圆圆周上的采样点的DoG卷积尺度相同，所述DoG卷积尺度指的是DoG函数包含的 小尺度高斯函数的标准差； 根据所述S个同屯、圆的采样点模板的DoG卷积尺度得到S+1个高斯核尺度j = 1, 2, ......，S，S+1，其中，Zg，r= z d，r, r = 1，2，......，S ; Zg，s+1= z d，s ? m ; 获取待表征图像的N个方向的梯度图，所述N为大于等于1的整数； 针对每个方向的梯度图，采用所述S+1个尺度的高斯核进行高斯卷积处理，得到每个 方向的S+1幅高斯卷积的梯度方向图； 针对每个方向的S+1幅高斯卷积的梯度方向图，高斯核尺度大小相邻的两幅高斯卷积 的梯度方向图中用小尺度的高斯卷积的梯度方向图减去大尺度的高斯卷积的梯度方向图， 得到S幅DoG卷积的梯度方向图，不同梯度方向的N幅DoG卷积的梯度方向图对应一个DoG 卷积尺度； 按照每个采样点的DoG卷积尺度W及所述采样点在采样点模板的位置，在所述采样点 的DoG卷积尺度对应的DoG卷积的梯度方向图中抽取同所述采样点在采样点模板中的位置 相同位置的点的像素值； 根据所述采样点的DoG卷积尺度在对应的N幅DoG卷积的梯度方向图中抽取与所述采 样点在采样点模板中的位置相同位置的点的像素值，构造所述采样点的特征向量； 用所有所述采样点的特征向量组成的总特征向量表征所述待表征图像。
2. 根据权利要求1所述的方法，其特征在于，用所有所述的采样点的特征向量组成的 总特征向量表征所述待表征图像，包括： 将同一个DoG卷积尺度的采样点的特征向量，按照采样点在采样点模板中的位置依次 拼接，得到每个DoG卷积尺度特征向量； 按照S个DoG卷积尺度的大小顺序，依次拼接所述S个DoG卷积尺度的特征向量组成 总特征向量； 采用所述总特征向量表征待表征图像。
3. 根据权利要求1所述的方法，其特征在于，根据所述采样点的DoG卷积尺度在对应的 N幅DoG卷积的梯度方向图中抽取与所述采样点在采样点模板中的位置相同位置的点的像 素值，构造所述采样点的特征向量，包括： 根据公式乂柄，，',>，尽W =[巧'.乂咕，，，尽化…，巧...乂怡，V'。，历^ 征向量； 其中，lk(e"，Vu，R。）表示距离中屯、点（e"，v。）距离为R。的同屯、圆上的第K个采样点， 啤- 柄，片;柄，V;,，/?,.)慷示具有DoG卷积尺度2d，。的DoG卷积梯度方向图在位 置Ik( e (I，V。，R。）处的点的像素值。
4. 根据权利要求2所述的方法，其特征在于，所述将同一个DoG卷积尺度的采样点的特 征向量，按照采样点在采样点模板的位置依次拼接，得到每个DoG卷积尺度的特征向量，包 括： 根据公式 柄，，A)=侣，,（/|(如，))，...，々s,, (/?佔，W ^ 2d，。的特征向量； 其中，/?1,.(/,.(6>，，'',,，/。)表示0〇6卷积尺度玄4。的第1(个采样点的特征向量。
5. 根据权利要求3所述的方法，其特征在于，所述按照S个DoG卷积尺度的大小顺序， 依次拼接所述S个DoG卷积尺度的特征向量组成的总特征向量，包括： 根据公式〇柄，，',>)=[//i咕，)，…，的，，'，,>，足刃得到所述总特征向量； 其中，//^,,(6|，1',,，/?|)表示卷积核尺度为玄"的特征向量。
6. -种基于DoG函数的图像表征方法，其特征在于，包括： 设置S个同屯、圆，所述S个同屯、圆从内到外半径呈指数m增长，所述S为大于等于2的 整数； 在每个所述同屯、圆圆周上抽取T个采样点，在所述同屯、圆圆屯、抽取1个采样点构成采 样点模板，每个采样点的DoG卷积尺度包括1个第一 DoG卷积尺度和P个第二DoG卷积尺 度，所述P为整数且2《P《S-1，其中，第i个同屯、圆圆周上的采样点的第一 DoG卷积尺度 z"= n -Ri，第i个同屯、圆圆周上的采样点的第二DoG卷积尺度Sd,，i= n -Rk，其中， i = 1,2,……S，k=l，2，……S并且k声i，R康示第i个同屯、圆的半径，Rk表示第k个 同屯、圆的半径，所述同屯、圆圆屯、的采样点的第一 DoG卷积尺度与半径最小的同屯、圆圆周上 的采样点的第一 DoG卷积尺度相同，所述DoG卷积尺度指的是DoG函数包含的小尺度高斯 函数的标准差； 根据所述S个同屯、圆的采样点模板的第一 DoG卷积尺度得到S+1个高斯核尺度2 & J， j = l，2，......，S，S+1，其中，Zg，r= 2 d，r，r = 1，2，......S ; 2&^二 2，，日? m ; 获取待表征图像的N个方向的梯度图，所述N为大于等于1的整数； 针对每个方向的梯度图，采用所述S+1个尺度的高斯核进行高斯卷积处理，得到每个 方向的S+1幅高斯卷积的梯度方向图； 针对每个方向的S+1幅高斯卷积的梯度方向图，高斯核尺度大小相邻的两幅高斯卷积 的梯度方向图中用小尺度的高斯卷积的梯度方向图减去大尺度的高斯卷积的梯度方向图， 得到S幅DoG卷积的梯度方向图，共生成S个尺度的DoG卷积梯度方向图； 按照每个采样点的第一 DoG卷积尺度和第二DoG卷积尺度W及所述采样点在采样点模 板位置，在所述采样点的第一 DoG卷积尺度和第二DoG卷积尺度对应的DoG卷积梯度方向 图中抽取同所述采样点在采样点模板中的位置有相同位置的点的像素值； 根据所述采样点的第一 DoG卷积尺度和第二DoG卷积尺度在对应的DoG卷积梯度方向 图中抽取同所述采样点在采样点模板中的位置有相同位置的点的像素值，构造所述采样点 的特征向量； 用所有所述采样点的特征向量组成的总特征向量表征所述待表征图像。
7. 根据权利要求6所述的方法，其特征在于，根据所述采样点的第一DoG卷积尺度和第 二DoG卷积尺度在对应的DoG卷积梯度方向图中抽取同所述采样点在采样点模板中的位置 有相同位置的点的像素值，构造所述采样点的特征向量，包括： 从所述采样点的第一 DoG卷积尺度对应的不同方向的DoG卷积的梯度方向图中抽取所 述采样点在采样点模板中的位置有相同位置的点的像素值，W及从所述采样点的P个第二 DoG卷积尺度对应的不同方向的DoG卷积梯度方向图中抽取所述采样点在采样点模板中的 位置有相同位置的点的像素值，组成所述采样点的特征向量。
【专利摘要】本发明提供一种基于DoG函数的图像表征方法，其主要步骤包括：抽取采样点建立采样点模板；获取待表征图像的N个方向的梯度图；针对每个方向的梯度图，得到每个方向的S+1幅高斯卷积的梯度方向图；针对每个方向的S+1幅高斯卷积的梯度方向图，得到S幅DoG卷积的梯度方向图；从这些不同梯度方向的DoG卷积的梯度方向图中按照每个采样点的DoG卷积尺度以及采样点在采样点模板中的位置有相同位置的点抽取像素值；最终组成总特征向量表征待表征图像，本发明提供的基于DoG函数的图像表征方法用来表征图像可以实现更高的区分性和更好的鲁棒性。
【IPC分类】G06K9-46
【公开号】CN104598911
【申请号】CN201510048398
【发明人】王蕴红, 翁大伟, 黄迪
【申请人】北京航空航天大学
【公开日】2015年5月6日
【申请日】2015年1月30日