改进SURF快速图像匹配

王亚迪，　李秀华

(长春工业大学 计算机科学与工程学院， 吉林 长春　130012)



改进SURF快速图像匹配

王亚迪，李秀华*

(长春工业大学 计算机科学与工程学院， 吉林 长春130012)

摘要：首先用Hessian矩阵对图像进行特征点提取，然后通过缩小特征点周围子区域的范围将SURF特征点描述符由64维降到36维，最后用RANSAC算法剔除不稳定匹配点，完成图像的快速匹配。

关键词：SURF; Hessian RANSAC; 图像匹配; 鲁棒性; SURF-36; SURF-64

0引言

图像匹配是图像处理的关键技术，同时也是计算机视觉中的一项重要技术。随着科技的发展，图像匹配在医学图像处理分析、天气预报检测、遥感图像分析、图像三维重构、图像拼接、目标跟踪识别等领域得到了广泛应用，所以图像匹配成为研究的热点。图像匹配主要有基于灰度的图像匹配和基于特征点的图像匹配，后者发展比较成熟，应用比较广泛。基于特征点的图像匹配算法主要有Harris角点检测算法、SIFT算法和SURF算法[1]。Harris角点检测算法操作简单，抗噪性好，但对于旋转不具有不变性；SIFT算法是比较经典的尺度不变特征提取算法，具有很好的鲁棒性[2]和抗干扰性，但是计算量比较大,所以实时性不高；SURF算法是在SIFT算法的基础上提出的，不仅具有很好的鲁棒性和准确性，实时性比SIFT算法[3]提高了很多，所以现在应用更广泛，但寻找速度更快、准确率更高的匹配算法仍然是现在研究的重点。基于改进SURF算法的研究就是力求在保证算法具有很好的鲁棒性和准确性的前提下，继续提高实时性。

1构造SURF特征向量

快速鲁棒性特征提取(SURF)算法是在SIFT算法的基础上提出的，很好地继承了SIFT算法的基本思想。首先对图像进行不同尺寸空间的高斯卷积，然后进行特征点的提取，但是SURF对SIFT算法的一些步骤进行了近似替换和简化，降低了计算量。

1.1积分图像的生成

设原图中的像素点为I(x,y),其积分图像的面积等于该点到原点的所有像素点的总和，计算公式如下：

(1)

由式(1)可知，任意一块矩形区域(如图1所示)的积分面积可由式(2)得到。

∑=A+D-(B+C)(2)

图1　计算积分图像

1.2特征点的提取

SURF算法在积分图像的基础上，利用Hessian矩阵检测算子进行特征点的提取，具体过程如下：

1)计算像素点I(x,y)在尺度σ上的Hessian矩阵：

(3)

上式中各参数如下：

然后对上面高斯函数离散化。

2)近似替代。用窗口滤波器近似替代二维高斯滤波器，Dxx、Dyy和Dxy分别代替Lxx、Lyy和Lxy生成近似Hessian矩阵Happrox，如图2～图4所示。

图2　Dxx窗口滤波器

图3　Dyy窗口滤波器

图4　Dxy窗口滤波器

则替代后的近似判别式为：

(4)

式中:w----误差补偿，一般取值为0.9。

3)提取特征点。Hessian矩阵[4]极值点就是曲率变化最大的点，由特征点的性质得极值点就是特征点，根据式(4)的正负可以判断极值点：

(5)

1.3特征向量的生成

首先以特征点为中心确定边长为20s的正方形区域，然后再划分为4×4的小区域，每个小区域又分为5×5个采样点，最后用Harr小波[5]计算每个小区域垂直和水平方向的响应，并统计5×5个采样点的总响应，得到下面的矢量：

(6)

最后可得4×4×4=64维的SURF特征描述符，完成归一化后进行特征匹配。

1.4改进的特征向量的生成

通过缩小特征点周围子区域的范围来降低SURF向量维度[6]。在特征点周围选取3×3=9个小区域进行Harr小波计算，然后在每个小区域进行响应统计,得到3×3×4=36维的SURF特征描述符，完成归一化后进行特征匹配。

2图像匹配

匹配采用最小距离比次小距离的方法[7]，首先计算SURF特征向量描述符的欧式距离[8]，找出最小和次小距离，然后计算比值，与设定的阈值进行比较，如果小于阈值，则认为匹配成功。为了提高匹配精度，用RANSAC[9](随机样本一致性检测)对匹配点进行提纯，剔除错误匹配点。

3实验结果与分析

实验环境为CPUPentium(R)Dual-Core2.80GHz,内存2.00GB，显示为256Mbyte，系统为WindowsXP,仿真平台MatlabR2012a。所有图像的采集是手机拍摄。

3.1实验过程与结果

对图像分别采用SURF算法和改进的SURF算法进行特征点匹配，匹配过程和结果如下：

首先对原图进行匹配，匹配结果如图5所示。

(a) SURF算法

(b) 改进的SURF算法

然后分别对旋转的图像、变暗的图像进行匹配，结果如图6和图7所示。

(a) SURF算法

(b) 改进的SURF算法

(a) SURF算法

(b) 改进的SURF算法

其中(a)和(b)分别为SURF算法和改进的SURF算法的匹配结果。

SURF算法和改进的SURF算法对不同图像的匹配效果，以及在匹配速度和准确度上的统计结果分别见表1和表2。

表1　SURF对图像的匹配结果统计

表2　改进的SURF对图像的匹配结果统计

3.2实验分析与总结

通过实验结果分析可知，改进后的SURF算法对图像旋转和变暗仍能保持很好的鲁棒性，在匹配正确率上较原SURF算法有所提高，重要的是匹配速度得到了较大提高。在实时性要求比较高的场景，实用价值很高。

参考文献：

[1]Bay H, EssA, Tuytelaars T, et al. Speeded-Up Robust Features(SURF)[J]. Computer Vision and Image Understanding (CVIU)，2008，110(3)：346-359.

[2]Lin de berg T. Scale-space for discrete signals [J]. IEEE Trans on Pattern Analysis and Machine Intelligence,2003,98(12):125-143.

[3]Lowe D G． Distinctive image features from scale invariant key points[J]. International Journal on Computer Vision，2004，60(2)：91-110.

[4]Hauagge D C, Navely N. Image matching using local symmetry features [J]. IEEE Conference on Computer Vision and Pattern Recognition,2012,45(3):97-123.

[5]周宇浩崴,应忍冬,蒋乐天.SURF算法在小尺寸图像拼接中参数配置的优化[J].计算机工程与应用，2013,49(19):191-194.

[6]周军太,龙永红.一种改进SURF算法的图像配准[J].湖南工业大学学报,2011,25(2):95-99.

[7]赵璐璐,耿国华,李康,等.基于SURF和快速近似最近邻搜索的图像匹配算法[D].兰州:西北大学信息科学与技术学院,2013.

[8]徐中宇，赵岩.基于肤色模型和阈值分割的人脸检测[J].长春工业大学学报:自然科学版，2013,34(1):25-32.

[9]倪先锋.基于SURF算法的声纳图像拼接方法[J].科技创新与应用，2014，12(6):65-82.

Improved SURF image matching algorithm

WANG Yadi,LI Xiuhua*

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：First Hessian matrix is used to extract the features of an image, and then the scope of sub-region of features is narrowed to decrease the features from 64 dimension to 36 dimension. The RANSAC algorithm is applied to eliminate the unstable matching points at last to realize the fast image matching.

Key words：SURF; Hessian RANSAC; image matching; robustness; SURF-36; SURF-64.

收稿日期：2016-01-20

作者简介：王亚迪(1988-)，女，汉族，山东菏泽人，长春工业大学硕士研究生，主要从事图像处理方向研究,E-mail:wangyadi22@163.com.*通讯作者：李秀华(1971-)，女，汉族，吉林长春人，长春工业大学副教授，博士，主要从事图像处理与智能控制方向研究,E-mail:lixiuhua@ccut.edu.cn.

DOI:10.15923/j.cnki.cn22-1382/t.2016.2.08

中图分类号：TP 277

文献标志码：A

文章编号：1674-1374(2016)02-0141-04