多视角强度域与频域融合的转向架标识图像特征提取方法与流程

1.本发明属于图像处理技术领域，涉及轨道车辆的图像处理技术，具体地说，涉及一种多视角强度域与频域融合的转向架标识图像特征提取方法。


背景技术：

2.图像特征提取是图像处理与图形辨识的一个重要环节。在图像识别、图像匹配及图像校正处理中，通过区域特征提取与区域描述子找相对应的特征点，进而进行图像深度处理。然而，图像处理时获取的图像，通常会存在旋转、位移、亮度或者视角等变化，若要克服这些变化准确找出特征点的匹配，则必须从特征点周围感兴趣的范围内，提取出强健特征来构建出具有稳定描述性的区域描述子，通过区域描述子找出匹配的图像特征点，实现图像特征提取。目前，常用的图像特征提取方法为尺度不变特征转换算法(简称：sift)，该算法具有良好特征点提取匹配的区域描述子，然而其存在特征计算复杂且维度高、速度慢的缺点。针对此问题，国内外学者进行了一系列的研究，提出了pca-sift算法、gloh算法、lbp算法、cs-lbp算法等图像特征提取方法。其中：pca-sift算法通过pca将特征维度降低，以改善sift算法在特征点匹配速度过慢的缺点，然而，相对于sift算法，pca-sift算法的匹配效果不如sift算法的匹配效果好，存在匹配效果差的缺点。gloh算法是sift算法在效能上的改良版，能够提取更多精细的特征信息，再利用pca将特征维度降低至与sift算法相同，在匹配效果上比sift算法更佳，但其缺点是在特征计算时需要更多时间，特征提取效率低。lbp算法主要应用在人脸识别、背景提取等技术中，该算法需要相当高的维度来记录图像特征，并不适用于构建基于特征点的区域描述子。cs-lbp算法采用改变lbp计算特征的方式记录图像特征，使构建出的特征向量维度降低许多，但仍然需要不少维度去记录特征，同样不适用于特征点的描述。


技术实现要素：

3.本发明针对现有技术存在的图像特征提取不准确、提取效率低等上述问题，提供一种多视角强度域与频域融合的转向架标识图像特征提取方法，能够解决由于图像视角变化较大引起的图像特征提取不准确问题，提高图像特征提取精度，且提取效率高。
4.为了达到上述目的，本发明提供了一种多视角强度域与频域融合的转向架标识图像特征提取方法，其具体步骤为：
5.图像获取步骤：从转向架零部件带有标识的一面前方在45-135度视角范围内选取任意三个角度采集图像，得到不同尺度的图像；
6.图像特征点检测步骤：在不同尺度的图像上进行哈里斯角点检测，找出图像中的候选特征点，对候选特征点进行拉普拉斯极值检测，找出极值检测完的候选特征点中的最大值作为最终的图像特征点；
7.区域描述子构建步骤：计算图像特征点的方位，以图像特征点的主方向为基准，将以图像特征点为中心的图像区块进行旋转，使其与图像特征点的主方向一致，在旋转后的
图像区块上采用强度域特征与频域特征融合的方式构建区域描述子；
8.图像特征描述步骤：将强度域与频域融合特征描述匹配，图像特征提取完成。
9.优选的，图像特征点检测步骤中，在不同尺度的图像上进行哈里斯角点检测的具体步骤为：
10.对图像进行高斯模糊，得到高斯模糊图像；
11.以标准差σ＝1.5，在尺度为sn＝σn,n＝1,2,3的三个不同尺度高斯模糊图像上分别做哈里斯角点检测，检测表达式为：
12.corn
ity
＝det(c(x,sn)-αtrace(c(x,sn))
ꢀꢀꢀꢀ
(1)
13.式中，corn
ity
为角点强度值，det为行列式值；α为常数，数值为0.04；trace为矩阵的迹数；c(x,sn)为一个二阶矩阵，其定义为：
[0014][0015]
式中，l
x
(x,sn)表示点x在sn尺度图像上水平方向的梯度，ly(x,sn)表示点x在尺度图像sn上水平方向与垂直方向的梯度；
[0016]
利用表达式(1)对每个尺度图像中的点x，都能计算出一个角点强度值corn
ity
；将每个点x的角点强度值corn
ity
与其临近5
×
5区域内的角点强度值corn
ity
作比较，找出区域内的最大值，作为候选特征点x
candidate
。
[0017]
优选的，图像特征点检测步骤中，对候选特征点进行拉普拉斯极值检测的具体步骤为：
[0018]
从各个图像中找出候选特征点x
candidate
后，对候选特征点x
candidate
及其周围的8个邻居，即每张图像9个点，总共27个点分别通过公式(3)进行拉普拉斯运算，得到3个候选特征点x
candidate
和其余24个临近点的极值，公式(3)表示为：
[0019][0020]
式中，l
lap
为候选特征点x
candidate
进行拉普拉斯运算之后得到的极值，l
xx
(x
candidate
,sn)为候选特征点x
candidate
在sn尺度图像上水平方向的二阶导数，l
yy
(x
candidate
,sn)为候选特征点x
candidate
在sn尺度图像上垂直方向的二阶导数。
[0021]
优选的，图像特征点检测步骤中，找出极值检测完的候选特征点中的最大值作为最终的图像特征点的具体步骤为：
[0022]
对拉普拉斯极值检测完的候选特征点x
candidate
进行滤除，去除对比度低的候选特征点和位于图像边缘上的候选特征点；
[0023]
比较候选特征点x
candidate
与24个临近点经过公式(3)计算出的极值，若此时候选特征点x
candidate
具有最大的极值，则该候选特征点x
candidate
为最终的图像特征点。
[0024]
优选的，图像特征点检测步骤中，对拉普拉斯极值检测完的候选特征点x
candidate
进行滤除的具体步骤为：
[0025]
使用泰勒级数展开式将候选特征点x
candidate
展开，其表达式为：
[0026]
[0027]
式中，l
lap
(x
candidate
)为高斯函数差分值，t为转置矩阵；
[0028]
依据泰勒级数展开式，进行候选特征点修正，则有：
[0029][0030]
式中，为根据泰勒级数展开式修正后的特征点值，为根据泰勒级数展开式修正后的高斯函数差分值，用来滤除对比度低的点；x
candidate
＝(x,y,σ)
t
为候选特征点的位移量，x为候选特征点在图像中的横坐标，y为候选特征点在图像中的纵坐标；
[0031]
将候选特征点x
candidate
的值带入公式(5)，若则该候选特征点x
candidate
的对比度低，将该候选特征点x
candidate
去除；
[0032]
利用海森矩阵滤除位于图像边缘上的候选特征点，海森矩阵的表达式为：
[0033][0034]
式中，h为图像边缘上的候选特征点在x、y方向上的二阶偏导数所构成的方阵；
[0035]
根据海森矩阵的性质，求取海森矩阵的两个特征值δ1、δ2，其中，特征值δ1较大，特征值δ2较小；
[0036]
通过公式(7)计算海森矩阵h的迹数与行列值，公式(7)表示为：
[0037][0038]
式中，trace(h)为海森矩阵h的迹数，det(h)为海森矩阵h的行列值；
[0039]
根据设定阈值γ判断公式(8)是否成立，公式(8)表示为：
[0040][0041]
当γ＝10时，若公式(8)成立，则代表候选特征点位于图像边缘上，将位于图像边缘上的候选特征点删除。
[0042]
优选的，区域描述子构建步骤中，计算图像特征点的方位、旋转图像区块的具体步骤为：
[0043]
以图像特征点为中心，在图像中取大小为16
×
16的区域，通过公式(9)计算区域内所有像素位置的梯度强度与梯度方向，公式(9)表示为：
[0044][0045]
式中，m(x,y)为在坐标位置(x,y)上像素的梯度强度；越临近特征点则分配越大的高斯权重；θ(x,y)为在坐标位置(x,y)上像素的梯度方向；l表示区域内所有的像素位置；
[0046]
通过方向梯度直方图统计分布在每个角度上的梯度强度，将统计结果中具有最大
峰值的角度作为图像特征点的主方向；
[0047]
求出每个图像特征点的主方向后，依照此方向对图像特征点周围的图像区块作旋转，以图像特征点为基准，将以图像特征点为中心的图像区块旋转至与主方向对齐0度的方向。
[0048]
优选的，区域描述子构建步骤中，采用强度域与频域特征融合的方式构建区域描述子的具体步骤为：
[0049]
取图像特征点周围一个圆形区域作为兴趣区域，并以放射状的方式将其切割成多个小区块，将各个小区块内的所有像素的灰度值，分别与图像特征点的灰度值相减，有：
[0050]
c(p)＝i(p)-i(pc)
ꢀꢀꢀꢀꢀꢀ
(10)
[0051]
式中，c(p)为像素的灰度值与图像特征点的灰度值相减后的差值，p为位于兴趣区域内的像素，i(p)为像素p的灰度值，pc为图像特征点，i(pc)为图像特征点pc的灰度值；
[0052]
由公式(10)得到的差值c(p)有大于等于0和小于0两种情况，通过公式(11)统计两种差值的总和，并做平均，公式(11)表示为：
[0053][0054]
式中，ri代表兴趣区域内的小区块；为小区块内灰度值大于等于图像特征点灰度值的个数；为小区块内灰度值小于图像特征点灰度值的个数；与为将两种差值的总和分别除以其像素个数得到的图像特征点的强度域特征值；
[0055]
进而得到图像特征点的强度域特征用下式表示：
[0056][0057]
对图像特征点邻近的4个8
×
8小区块做离散余弦变换，得到四组频域系数，分别为然后取这四组频域系数当做新的特征加入区域描述子从而得到新的区域描述子，新的区域描述子由16维强度域特征与16为的频域特征组成，表示为：
[0058][0059]
式中，dct_pv为区域描述子，w为设置权重；
[0060]
公式(13)得到的区域描述子dct_pv即为构建区域描述子。
[0061]
优选的，图像特征描述步骤中，将强度域与频域融合特征描述匹配的具体步骤为：计算图像i中所有区域描述子与图像i'中所有区域描述子的欧式距离，找出距离第一相近的配对与第二相近的配对，将第一相近距离与第二相近距离进行比较，通过公式(14)进行判断，公式(14)表示为：
[0062]
dist(pc,pc')《threshold
×
dist(pc,p
c”)
ꢀꢀꢀꢀꢀꢀ
(14)
[0063]
式中，pc为图像i中的一个图像特征点，pc'与p
c”分别为图像i'中与pc最相近与第二相近的图像特征点配对，dist(pc,p
c”)为两个图像特征点区域描述子之间的欧氏距离；
threshold为权重；
[0064]
当寻找出的图像特征点配对符合公式(14)的判断，则表示这两个图像特征点描述具有相当高的相似性，认定为两个图像特征点相互匹配。
[0065]
与现有技术相比，本发明的优点和积极效果在于：
[0066]
(1)本发明在采集转向架标识图像时，采用在45-135度视角内任意三个视角采集图像，避免了由于图像视角变化较大引起的图像特征提取不准确的问题，有效提高了图像特征提取精度。
[0067]
(2)本发明对不同尺度图像进行哈里斯角点检测，找出候选特征点，并候选特征点进行拉普拉斯极值检测，找出最终的图像特征点，在找出最终的图像特征点过程中，首先对拉普拉斯极值检测之后的候选特征点进行滤除，去除对比度低且在边缘上的候选特征点，然后再找出具有最大的极值的候选特征点作为图像特征点，提升了图像特征提取的准确性。
[0068]
(3)本发明采用强度域与频域特征融合的方式构建区域描述子，使用精简维度的图像强度域稳健特征融合图像经过离散余弦变换提取的少量低频特征，增强区域描述子对纹理特征的描述，既降低强度域维度，又增加频域特征，提高了图像特征提取的快速性与准确性
附图说明
[0069]
图1为本发明所述多视角强度域与频域融合的转向架标识图像特征提取方法的流程简图；
[0070]
图2为本发明实施例所述多视角强度域与频域融合的转向架标识图像特征提取方法流程图；
[0071]
图3本发明实施例多角度工业摄像机布置示意图；
[0072]
图4为本发明实施例图像哈里斯角点检测示意图；
[0073]
图5为本发明实施例候选特征点拉普拉斯极值检测示意图；
[0074]
图6为本发明实施例图像特征点方位统计图；
[0075]
图7为本发明实施例图像区块旋转示意图；
[0076]
图8为本发明实施例频域特征系数分布示意图；
[0077]
图9为本发明实施例图像特征点像素统计示意图；
[0078]
图10为本发明实施例频域特征提取示意图；
[0079]
图11为本发明实施例特征向量区域描述子示意图。
[0080]
图中，1、工业摄像机，2、转向架零部件，3、标识，4、0度基准线，5、45度基准线，6、90度基准线，7、135度基准线，8、候选特征点，9、感兴趣区域，10、周围特征点，11、低频区域，12、中频区域，13、高频区域，14、主方向，15、特征向量区域描述子。
具体实施方式
[0081]
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
[0082]
参见图1，本发明提供了一种多视角强度域与频域融合的转向架标识图像特征提取方法，其步骤为：
[0083]
s1、图像获取步骤：从转向架零部件带有标识的一面前方在45-135度视角范围内选取任意三个角度采集图像，得到不同尺度的图像；
[0084]
s2、图像特征点检测步骤：在不同尺度的图像上进行哈里斯角点检测，找出图像中的候选特征点，对候选特征点进行拉普拉斯极值检测，找出极值检测完的候选特征点中的最大值作为最终的图像特征点；
[0085]
s3、区域描述子构建步骤：计算图像特征点的方位，以图像特征点的主方向为基准，将以图像特征点为中心的图像区块进行旋转，使其与图像特征点的主方向一致，在旋转后的图像区块上采用强度域特征与频域特征融合的方式构建区域描述子；
[0086]
s4、图像特征描述步骤：将强度域与频域融合特征描述匹配，图像特征提取完成。
[0087]
本发明能够快速可靠的提取图像特征，形成有效特征区域描述子，降低各类图像变换因素对图像处理时鲁棒性的影响，一方面在45-135度视角范围内选取任意三个角度采集图像，多视角采集图像信息，避免了由于图像视角变化较大引起的图像特征提取不准确的问题。另一方面，在区域描述子构建过程中，采用尺度不变、特征变换修正方法，即采用强度域特征与频域特征融合的方式构建区域描述子，使用精简维度的图像强度域稳健特征融合图像经过离散余弦变换提取的少量低频特征，增强区域描述子对纹理特征的描述，从而提高图像特征提取的快速性与准确性。
[0088]
以下以从三个角度获取转向架零部件图像为例对本发明上述方法进行详细说明。
[0089]
实施例：参见图2，本发明实施例提供了一种多视角强度域与频域融合的转向架标识图像特征提取方法，其具体步骤为：
[0090]
s1、图像获取步骤：参见图3，采用三台工业摄像机从三个视角采集标识图像，三台工业摄像机的角度分别为45度、90度、135度，架设于转向零部件带有标识的正前方，从45度、90度、135度三个视角分别采集图像。
[0091]
需要说明的是，三台工业摄像机的角度可以根据实际需求进行调整，不限于45度、90度、135度，还可以是60度、90度、120度，也可以是50度、90度、130度。此处仅以45度、90度、135度为例进行说明。
[0092]
s2、图像特征点检测步骤：在不同尺度的图像上进行哈里斯角点检测，找出图像中的候选特征点，对候选特征点进行拉普拉斯极值检测，找出极值检测完的候选特征点中的最大值作为最终的图像特征点。
[0093]
具体地，参见图4，在不同尺度的图像上进行哈里斯角点检测的具体步骤为：
[0094]
(1)对图像进行3次的高斯模糊g，得到高斯模糊图像g'。
[0095]
令i(x,y)为输入图像，g(x,y,σ)为每一张图像的高斯平滑程度，其表达式为：
[0096][0097]
式中，σ为标准差；
[0098]
g'(x,y,σ)为建立的高斯尺度空间，其表达式为：
[0099]
g'(x,y,σ)＝g(x,y,σ)
×
i(x,y)
[0100]
(2)以标准差σ＝1.5，在尺度为sn＝σn,n＝1,2,3的三个不同尺度高斯模糊图像上
分别做哈里斯角点检测，检测表达式为：
[0101]
corn
ity
＝det(c(x,sn)-αtrace(c(x,sn))
ꢀꢀꢀꢀꢀ
(1)
[0102]
式中，corn
ity
为角点强度值，det为行列式值；α为常数，数值为0.04；trace为矩阵的迹数；c(x,sn)为一个二阶矩阵，其定义为：
[0103][0104]
式中，l
x
(x,sn)表示点x在sn尺度图像上水平方向的梯度，ly(x,sn)表示点x在尺度图像sn上水平方向与垂直方向的梯度；
[0105]
利用表达式(1)对每个尺度图像中的点x，都能计算出一个角点强度值corn
ity
；将每个点x的角点强度值corn
ity
与其临近5
×
5区域内的角点强度值corn
ity
作比较，找出区域内的最大值，作为候选特征点x
candidate
。
[0106]
需要说明的是，哈里斯角点定义为在图像任意方向上移动，其灰度值都会有很明显的变化，在一个局部很小的区域，如果是在图像区域中移动灰度值没有变化，那么窗口内不存在角点，如果在某一个方向上移动，一侧发生很大变化而另一侧没有变化，那么说明这个区域是位于该对象的边缘区域。通过哈里斯角点检测，能够快速找图像中的出候选区域点。
[0107]
具体地，参见图5，对候选特征点进行拉普拉斯极值检测的具体步骤为：
[0108]
从各个图像中找出候选特征点x
candidate
后，对候选特征点x
candidate
及其周围的8个特征点，即每张图像9个特征点点，总共27个特征点点分别通过公式(3)进行拉普拉斯运算，得到3个候选特征点x
candidate
和其余24个周围特征点的极值，公式(3)表示为：
[0109][0110]
式中，l
lap
为候选特征点x
candidate
进行拉普拉斯运算之后得到的极值，l
xx
(x
candidate
,sn)为候选特征点x
candidate
在sn尺度图像上水平方向的二阶导数，l
yy
(x
candidate
,sn)为候选特征点x
candidate
在sn尺度图像上垂直方向的二阶导数。
[0111]
具体地，找出极值检测完的候选特征点中的最大值作为最终的图像特征点的具体步骤为：
[0112]
(1)对拉普拉斯极值检测完的候选特征点x
candidate
进行滤除，去除对比度低的候选特征点和位于图像边缘上的候选特征点。其具体步骤为：
[0113]
对拉普拉斯极值检测完的候选特征点x
candidate
进行滤除的具体步骤为：
[0114]
使用泰勒级数展开式将候选特征点x
candidate
展开，其表达式为：
[0115][0116]
式中，l
lap
(x
candidate
)为高斯函数差分值，t为转置矩阵；
[0117]
依据泰勒级数展开式，进行候选特征点修正，则有：
[0118][0119]
式中，为根据泰勒级数展开式修正后的特征点值，为根据泰勒级数展开式修正后的高斯函数差分值，用来滤除对比度低的点；x
candidate
＝(x,y,σ)
t
为候选特征点的位移量，x为候选特征点在图像中的横坐标，y为候选特征点在图像中的纵坐标；
[0120]
将候选特征点x
candidate
的值带入公式(5)，若则该候选特征点x
candidate
的对比度低，将该候选特征点x
candidate
去除；
[0121]
利用海森矩阵滤除位于图像边缘上的候选特征点，海森矩阵的表达式为：
[0122][0123]
式中，h为图像边缘上的候选特征点在x、y方向上的二阶偏导数所构成的方阵；
[0124]
根据海森矩阵的性质，求取海森矩阵的两个特征值δ1、δ2，其中，特征值δ1较大，特征值δ2较小；
[0125]
通过公式(7)计算海森矩阵h的迹数与行列值，公式(7)表示为：
[0126][0127]
式中，trace(h)为海森矩阵h的迹数，det(h)为海森矩阵h的行列值；
[0128]
根据设定阈值γ判断公式(8)是否成立，公式(8)表示为：
[0129][0130]
当γ＝10时，若公式(8)成立，则代表候选特征点位于图像边缘上，将位于图像边缘上的候选特征点删除。
[0131]
通过上述方式删除对比度低且在边缘上的候选特征点，能够提升图像特征提取的准确性。
[0132]
(2)比较候选特征点x
candidate
与24个临近点经过公式(3)计算出的极值，若此时候选特征点x
candidate
具有最大的极值，则该候选特征点x
candidate
为最终的图像特征点。
[0133]
s3、区域描述子构建步骤：计算图像特征点的方位，以图像特征点的主方向为基准，将以图像特征点为中心的图像区块进行旋转，使其与图像特征点的主方向一致，在旋转后的图像区块上采用强度域特征与频域特征融合的方式构建区域描述子。
[0134]
具体地，计算图像特征点的方位、旋转图像区块的具体步骤为：
[0135]
(1)以图像特征点为中心，在图像中取大小为16
×
16的区域，通过公式(9)计算区域内所有像素位置的梯度强度与梯度方向，公式(9)表示为：
[0136][0137]
式中，m(x,y)为在坐标位置(x,y)上像素的梯度强度；越临近特征点则分配越大的高斯权重；θ(x,y)为在坐标位置(x,y)上像素的梯度方向；l表示区域内所有的像素位置。
[0138]
(2)参见图6，通过方向梯度直方图统计分布在每个角度上的梯度强度；角度以每45度为一个单位，总共有8个方向，将统计结果中具有最大峰值的角度作为图像特征点的主方向。
[0139]
(3)参见图7，求出每个图像特征点的主方向后，依照此方向对图像特征点周围的图像区块作旋转，以图像特征点为基准，将以图像特征点为中心的图像区块旋转至与主方向对齐0度的方向。
[0140]
需要说明的是，将对比度低且在边缘上的候选特征点去除后，提升了图像特征提取的准确性，但当图像经过旋转时也会使其图像特征点的匹配率下降，在转向架零部件标识识别过程中，如果同一标识经过旋转会导致误判，因此，需要赋予图像特征点一个主方向，即旋转不变性。本实施例中，以图像特征点的主方向为基准，将以图像特征点为中心的图像区块进行旋转，保证旋转不变性，避免误判，保证图像特征点的匹配率。
[0141]
为加强区域描述子在为纹理特征上的描述，在强度域的基础上加入图像经过离散余弦变换所提取的纹理特征。一般情况下，由于图像中较重要的细节都在低频域(参见图8)，一张图像在经过离散余弦变换后，会得到一组由图元值转换到频域的系数值，这些系数值分别对应到不同的基频，用来表示数值图像对应到频域的结果。
[0142]
对图像中的图元做离散余弦变换，得到对应的频域系数，其计算公式表示为：
[0143][0144]
式中，(i,j)为频率域系数位置；(x,y)为空间域图元位置；f(x,y)为(x,y)位置上的图元值；d(i,j)为(i,j)位置上的频域系数值；n为图像的解析度；c(i)、c(j)函数分别随着变量i、j的数值是否为0而定，若i为0，则c(i)为若j为0，则c(j)为反之若i不为0，则c(i)为1，若j不为0，则c(j)为1。
[0145]
具体地，采用强度域与频域特征融合的方式构建区域描述子的具体步骤为：
[0146]
(1)参见图9，取图像特征点周围一个圆形区域作为兴趣区域，并以放射状的方式将其切割成多个小区块，将各个小区块内的所有像素的灰度值，分别与图像特征点的灰度值相减，有：
[0147]
c(p)＝i(p)-i(pc)
ꢀꢀꢀꢀꢀꢀ
(10)
[0148]
式中，c(p)为像素的灰度值与图像特征点的灰度值相减后的差值，p为位于兴趣区域内的像素，i(p)为像素p的灰度值，pc为图像特征点，i(pc)为图像特征点pc的灰度值；
[0149]
由公式(10)得到的差值c(p)有大于等于0和小于0两种情况，通过公式(11)统计两种差值的总和，并做平均，公式(11)表示为：
[0150][0151]
式中，ri代表兴趣区域内的小区块；为小区块内灰度值大于等于图像特征点灰度值的个数；为小区块内灰度值小于图像特征点灰度值的个数；与为将两种差值的总和分别除以其像素个数得到的图像特征点的强度域特征值；
[0152]
进而得到图像特征点的强度域特征用下式表示：
[0153][0154]
(2)参见图10，对图像特征点邻近的4个8
×
8小区块做离散余弦变换，得到四组频域系数，分别为域系数，分别为然后取这四组频域系数当做新的特征加入区域描述子从而得到新的区域描述子，新的区域描述子由16维强度域特征与16为的频域特征组成，表示为：
[0155][0156]
式中，dct_pv为区域描述子，w＝350为设置权重；
[0157]
公式(13)得到的区域描述子dct_pv即为构建区域描述子。
[0158]
s4、图像特征描述步骤：将强度域与频域融合特征描述匹配，图像特征提取完成。将强度域与频域融合特征描述匹配的具体步骤为：
[0159]
计算图像i中所有区域描述子与图像i'中所有区域描述子的欧式距离，找出距离第一相近的配对与第二相近的配对，将第一相近距离与第二相近距离进行比较，通过公式(14)进行判断，公式(14)表示为：
[0160]
dist(pc,pc')《threshold
×
dist(pc,p
c”)
ꢀꢀꢀꢀꢀ
(14)
[0161]
式中，pc为图像i中的一个图像特征点，pc'与p
c”分别为图像i'中与pc最相近与第二相近的图像特征点配对，dist(pc,p
c”)为两个图像特征点区域描述子之间的欧氏距离；threshold＝0.6为权重；
[0162]
当寻找出的图像特征点配对符合公式(14)的判断，则表示这两个图像特征点描述具有相当高的相似性，认定为两个图像特征点相互匹配。
[0163]
通过上述判断可排除一些尽管距离最接近但其实是错误的配对，由此提高所有匹配中正确匹配的比例，进而提高图像特征提取的准确性。
[0164]
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。