專利名稱：圖像的興趣點的描述向量的計算方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及圖像處理中一種圖像的興趣點的描述向量的 計算方法和裝置。
背景技術(shù)：
圖像匹配是對同一場景獲取的多幅圖像中兩兩分析并找出相對應(yīng)區(qū)域，不需要恢 復(fù)圖像的空間幾何關(guān)系。圖像匹配技術(shù)目前比較流行的就是基于局部特征的匹配，原因是 待匹配的圖像之間一般都存在幾何上和光度上的變化，本質(zhì)上都是非線性變化，所以只能 在局部范圍找到最大程度相似的圖像片，通過對這些圖像片進(jìn)行描述，實現(xiàn)圖像局部的匹 配?；诰植刻卣鞯膱D像匹配技術(shù)主要包括圖像的興趣點的檢測和興趣點的描述向量的 生成，上述興趣點為圖像的感興趣區(qū)域中具有顯著特征的像素點。現(xiàn)有技術(shù)中的一種興趣點的描述向量的生成方法為SIFT(SCaleInvariant Features Transformation，基于梯度向量空間統(tǒng)計分布的局部特征描述方法)方法。該方 法的處理過程主要包括1、在興趣點位置附近選擇一個區(qū)域，該區(qū)域的大小是興趣點特征尺度的線性函 數(shù)；2、將上述區(qū)域分成4X4共16個子區(qū)域(sub-segion)；3、在每個子區(qū)域中選取一個采樣點，計算每個采樣點的梯度大小和方向，并對采 樣點的梯度大小進(jìn)行加權(quán)，將加權(quán)后的梯度大小作為采樣點的梯度大??；采樣點的梯度大小和方向計算公式如下m(x, _y) = 7(/(x +1’ j) - /(χ — Iy))2 + (I(x, j +1) — I (X, y-\))2θ (χ, y) = taiT1 (I (χ, y+1) -I (χ, y-1)/I (x+1，y) -I (x_l，y))4、通過插值方法計算每個采樣點所在的子區(qū)域的方向直方圖，每個子區(qū)域需要進(jìn) 行8次插值運算。根據(jù)上述得到的每個采樣點的梯度大小和方向，和每個子區(qū)域的方向直方圖，計 算得到每個采樣點的描述向量因子。然后，綜合所有采樣點的描述向量因子得到一個興趣 點的描述向量。上述現(xiàn)有技術(shù)中的興趣點的描述向量的生成方法的缺點為在SIFT方法中，每個 采樣點都要進(jìn)行一次梯度的大小和方向計算，進(jìn)行8次插值運算，每次插值要包含4次浮點 乘法和其它相關(guān)浮點操作。而一個局部特征涉及計算的采樣點數(shù)平均在2000到4000左 右。而一副500X500的圖像，其興趣點的數(shù)量一般也是1000以上。因此，在該SIFT方法 中，計算興趣點的描述向量的計算量比較大，計算的復(fù)雜度比較大，興趣點的描述向量的生 成速度比較慢，該SIFT方法效率比較低下。

發(fā)明內(nèi)容
本發(fā)明的實施例提供了一種圖像的興趣點的描述向量的計算方法和裝置，以降低圖像的興趣點的描述向量的計算的復(fù)雜度，提高生成興趣點的描述向量的生成速度。一種圖像的興趣點的描述向量的計算方法，包括在興趣點所在的高斯尺度空間中選取窗體區(qū)域，將所述窗體區(qū)域劃分為設(shè)定數(shù)量 個子區(qū)域，在每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出每個采樣點的位置坐標(biāo)和導(dǎo) 數(shù)坐標(biāo)；將所述每個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分 方法所對應(yīng)的計算方法和所述每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到每個子區(qū)域?qū)?應(yīng)的描述向量因子；將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到所述興趣點的描述向量。一種圖像的興趣點的描述向量的計算裝置，包括坐標(biāo)計算模塊；用于在興趣點所在的高斯尺度空間中選取窗體區(qū)域，將所述窗體 區(qū)域劃分為設(shè)定數(shù)量個子區(qū)域，在每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出每個采 樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)；描述向量因子計算模塊，用于將所述每個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù) 所述設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng)的計算方法和所述每個采樣點的位置坐標(biāo)和導(dǎo) 數(shù)坐標(biāo)，計算得到每個子區(qū)域?qū)?yīng)的描述向量因子；描述向量計算模塊，用于將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到所述 興趣點的描述向量。由上述本發(fā)明的實施例提供的技術(shù)方案可以看出，本發(fā)明實施例通過將采樣點所 在的第一個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，計算每個采樣點對應(yīng)的描述向量因子。從而 實現(xiàn)明顯降低了圖像的興趣點的描述向量的計算量，降低圖像的興趣點的描述向量的計算 的復(fù)雜度，提高生成興趣點的描述向量的生成速度。


為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用 的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本 領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他 的附圖。圖1為本發(fā)明實施例一提供的一種圖像的興趣點的描述向量的計算方法的處理 流程圖；圖2為本發(fā)明實施例一提供的一種尺度空間圖像的獲取過程示意圖；圖3為本發(fā)明實施例一提供的一種DOG檢測方法的處理過程示意圖；圖4為本發(fā)明實施例一提供的一種第一個興趣點的主方向的計算過程示意圖；圖5為本發(fā)明實施例一提供的一種第一個興趣點周圍選取的窗體區(qū)域和進(jìn)行位 移變換后的窗體區(qū)域的對比示意圖；圖6為本發(fā)明實施例一提供的一種將第一個采樣點所在的子區(qū)域劃分為6區(qū)域的 示意圖；圖7為本發(fā)明實施例一提供的一種將第一個采樣點所在的子區(qū)域劃分為4區(qū)域的 示意圖8為本發(fā)明實施例一提供的一種將第一個采樣點所在的子區(qū)域劃分為8區(qū)域的 示意圖；圖9為本發(fā)明實施例二提供的一種圖像的興趣點的描述向量的計算裝置的結(jié)構(gòu) 示意圖。
具體實施例方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員 在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。為便于對本發(fā)明實施例的理解，下面將結(jié)合附圖以幾個具體實施例為例做進(jìn)一步 的解釋說明，且各個實施例并不構(gòu)成對本發(fā)明實施例的限定。實施例一該實施例提供的一種圖像的興趣點的描述向量的計算方法的處理流程如圖1所 示，包括如下的處理步驟步驟11、用高斯函數(shù)和原始圖像進(jìn)行卷積運算得到尺度空間圖像。輸入待處理的原始圖像，用一序列不同方差的高斯函數(shù)和上述原始圖像進(jìn)行卷積 運算，得到一序列的尺度空間圖像。該實施例提供的一種上述尺度空間圖像的獲取過程如圖2所示。在圖2中，I為 原始圖像，首先用高斯函數(shù)G( δ 1) ( δ 1 = 1. 6)和I進(jìn)行卷積，得到尺度空間圖像I1, I1 =
I 氺氺G ( δ 1)；然后，用高斯函數(shù)G(52) ( 5 2=1.6萬)和1進(jìn)行卷積，得到尺度空間圖像12，12 =I**G( δ 2)。上述卷積處理過程相當(dāng)于對原始彩色圖像進(jìn)行平滑處理。步驟12、采用DOG (Difference of Gaussian，高斯差分尺度)檢測方法得到高斯 尺度空間上的特征點和興趣點。根據(jù)上述尺度空間圖像和原始圖像，用DOG檢測方法得到尺度空間圖像上的興趣 點。該實施例提供的一種上述DOG檢測方法的處理過程示意圖如圖3所示，該處理過程主 要包括用原始圖像I和尺度空間圖像I1通過DOG檢測方法進(jìn)行高斯差分運算，得到包括 9個特征點的第一高斯尺度空間；用尺度空間圖像I1和尺度空間圖像I2通過DOG檢測方法 進(jìn)行高斯差分運算，得到包括9個特征點的第二高斯尺度空間；用尺度空間圖像I2和尺度 空間圖像I3通過DOG檢測方法進(jìn)行高斯差分運算，得到包括9個特征點的第三高斯尺度空 間。對上述第一高斯尺度空間、第二高斯尺度空間和第三高斯尺度空間中的27個特 征點的像素值進(jìn)行比較，取其中像素值最大或最小的特征點為興趣點。如圖3所示，第二高 斯尺度空間中的黑色像素點為興趣點，該興趣點的特征尺度^ S。按照上述圖3所示的處理過程，以及其它一些上述原始圖像的尺度空間圖像，可 以得到其它一些高斯尺度空間上的興趣點以及對應(yīng)的特征尺度。
上述得到的高斯尺度空間上的興趣點也就是上述原始圖像的興趣點。步驟13、計算出第一個興趣點的主方向。在所有興趣點中選取第一個興趣點。在該第一個興趣點所在的高斯尺度空間上根 據(jù)第一個興趣點的特征尺度、在第一個興趣點附近選取一個半徑為4δ的圓形區(qū)域，分 別求取該圓形區(qū)域內(nèi)的水平方向?qū)?shù)和、垂直方向?qū)?shù)和，以上述水平方向?qū)?shù)和、垂直方 向?qū)?shù)和為坐標(biāo)構(gòu)成的梯度的方向就是上述第一個興趣點的主方向。該實施例提供的一種上述第一個興趣點的主方向的計算過程如圖4所示，在圖4 中，Σ dx為水平方向?qū)?shù)和，Σ dy為垂直方向?qū)?shù)和，thetaO為上述第一個興趣點的主方 向?qū)?yīng)的夾角。步驟14、在第一個興趣點周圍選取窗體區(qū)域，在上述窗體區(qū)域中的每個子區(qū)域中 選取設(shè)定數(shù)量個的采樣點，計算出每個采樣點的水平方向?qū)?shù)Iex,和垂直方向?qū)?shù)Iey,。在第一個興趣點所在的高斯尺度空間中，在第一個興趣點周圍選取一定窗體寬度 的正方形的窗體區(qū)域，上述窗體寬度和興趣點的特征尺度有關(guān)，比如，上述窗體寬度可以為
e [8，12]。上述窗體寬度不能過大，窗體寬度過大會引入畸變過大的數(shù)據(jù)，從而違背了局部 特征的設(shè)計初衷-局部近似。另一方面上述窗體寬度又不能太小，否則其不能夠提供足夠 的信息來刻畫這個局部區(qū)域。將上述窗體區(qū)域劃分為1-16個子區(qū)域(Sub-region)，每個子區(qū)域的大小相同。 在每個子區(qū)域中均勻選擇設(shè)定數(shù)量個的采樣點，比如，選擇1000個采樣點。在上述窗體區(qū) 域中的第一個子區(qū)域中選取第一個采樣點，計算該第一個采樣點的水平方向?qū)?shù)Iex,和垂 直方向?qū)?shù)Iey,，并進(jìn)一步計算得到以第一個采樣點的水平方向?qū)?shù)Igx,和垂直方向?qū)?shù) Iey,為坐標(biāo)構(gòu)成的梯度的模值Il 力Il2。上述第一個采樣點(X'，y')對應(yīng)的Il V(Ay)II2W計算過程如下IGx, = Ix, +1,y, -Ix,IGy, = Ix, ’y, +1-Ιχ' ,y' -1' Ix' +1,y'表示(x' +1，l') 處的像素灰度值，其余類推。||v(x',y)||2=V/2^ + /V HIV(U)II2步驟15、根據(jù)上述第一個興趣點的主方向?qū)ι鲜龃绑w區(qū)域進(jìn)行位移變換，計算出 在新坐標(biāo)系下的窗體區(qū)域中的上述每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)。根據(jù)上述第一個興趣點的主方向?qū)?yīng)的夾角thetaO，對上述第一個興趣點周圍選 取的窗體區(qū)域進(jìn)行位移變換，得到新坐標(biāo)系下的窗體區(qū)域。計算出在上述新坐標(biāo)系下的窗體區(qū)域中的上述第一個采樣點的位置坐標(biāo)(X，y) 和導(dǎo)數(shù)坐標(biāo)(Iex，Iey)。位置坐標(biāo)的計算公式是χ = cos(thetaO)氺χ' +sin(thetaO)y = -sin(thetaO)+cos(thetaO)導(dǎo)數(shù)坐標(biāo)的計算公式是Igx = cos (thetaO) *IGx, +sin (thetaO) *IGy,IGy =-sin (thetaO) *IGx, +cos (thetaO) *IGy,對上述第一個采樣點的位置坐標(biāo)(X，y)進(jìn)行歸一化處理，即
X0 = χ/3 δ，y0 = y/3 δ如果xQ e [-2,2]和yQ e [-2,2]同時滿足，那么(x，y)視為有效的采樣點，否則， 是無效采樣點，不做后續(xù)處理。上述邊界值[_2，2]理論上是可以選擇其他值的。但是如果選擇的邊界值是小數(shù) 類型，則不方便計算；如果選擇的邊界值過小，則特征點的覆蓋區(qū)域過小，最后計算的特征 向量不利于表示該點或該區(qū)域的描述；區(qū)域半徑是6 A δ ,若使變換后的覆蓋區(qū)域盡可能 大且邊界值取整方便計算，最佳邊界值是[_2，2]。該實施例提供的一種上述第一個興趣點周圍選取的窗體區(qū)域和進(jìn)行位移變換后 的窗體區(qū)域的對比示意圖如圖5所示，在圖5中，左邊圖為上述興趣點周圍選取的窗體區(qū) 域。中間圖為經(jīng)過位移坐標(biāo)變換后的窗體區(qū)域，包括1-16個子區(qū)域(Sub-region)，其中那 個內(nèi)嵌正方形中所包含的采樣點都是有效的樣點。右邊圖為經(jīng)過位移坐標(biāo)變換后并且進(jìn)行 坐標(biāo)歸一化處理后的窗體區(qū)域。比如，如果歸一化后第一個采樣點的坐標(biāo)X。e [-2，-1], y0 e [1，2]，通過查閱上 述圖5中的中間圖，可以得到該第一個采樣點屬于第13個子區(qū)域。步驟16、將上述第一個采樣點所在的第一個子區(qū)域劃分為6區(qū)域、4區(qū)域或8區(qū) 域，計算出第一個子區(qū)域?qū)?yīng)的描述向量因子。將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜 合，得到上述第一個興趣點對應(yīng)的描述向量。根據(jù)上述第一個采樣點在經(jīng)過位移坐標(biāo)變換后并且進(jìn)行坐標(biāo)歸一化處理后的窗 體區(qū)域中的位置坐標(biāo)(X，y)和導(dǎo)數(shù)坐標(biāo)(1&，、)，以及上述第一個采樣點所在的子區(qū)域，計 算出上述第一個采樣點對應(yīng)的描述向量因子。為了克服現(xiàn)有技術(shù)對高斯尺度空間的劃分方法導(dǎo)致描述向量的不穩(wěn)定的問題， 該實施例提出了新的采樣點對應(yīng)的子區(qū)域的劃分方案，該新的劃分方案充分考慮了 Igx = 0(即j> = 0)對應(yīng)的區(qū)域是大模值向量集中的區(qū)域，擴(kuò)大了該區(qū)域的面積，使得大模值向量 都落在了同一個相區(qū)域中，從而避免了插值運算，提高了描述向量的穩(wěn)定性。本發(fā)明實施例將上述第一個采樣點所在的子區(qū)域劃分為6區(qū)域、4區(qū)域或8區(qū)域， 不同的劃分方法分別對應(yīng)不同的描述向量因子的計算方法。將上述第一個采樣點所在的第一個子區(qū)域劃分為6區(qū)域的示意圖如圖6所示，根 據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)，計 算出以每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范數(shù)。然 后，根據(jù)6個分區(qū)域分別對應(yīng)的判斷條件，將屬于每個分區(qū)域中的各個采樣點對應(yīng)的所述 范數(shù)進(jìn)行加權(quán)累積，得到所述6個分區(qū)域分別對應(yīng)的6個模值，根據(jù)所述6個模值構(gòu)成所述 第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……，Modeein上述第一個子區(qū)域?qū)?yīng)的描述向量因子的具體計算方法如下如果Igx > 0Icy > λ Jgx, X1E (0，+ οο )，MoiMl = Z H V/(x,>；) H2IGy < _ 入 Jgx, X1E (0，+ ⑴)，Model! = VI(x,y) ||2 *wxyelse ModelS = VI(x,y) ||2 *wiy
其中wXj y = exp (x2+y2) / (2*22)為高斯加權(quán)函數(shù)；\\ν (χ,γ)\\2=ψ2ο,+Ι2βγ為以采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)Iey為坐 標(biāo)構(gòu)成的梯度的模值的2范數(shù)；ZlIw(U)II2為以采樣點的水平方向?qū)?shù)、和垂直方向?qū)?shù)、為坐標(biāo)構(gòu)成 的梯度的模值的空間加權(quán)累積。上述1彡X1彡1/2，該實施例中，X1 = 1，目的就是將與主方向指向接近的梯度 都劃分到一個相區(qū)間中。如果Igx < 0IGy > _ 入 Jgx, X1E (0，+ οο )，ModelA = VI{x,y) ||2 *wx’y
IGy < λ Jgx, A1 e (0，+ ⑴)，ModelS = VI(x, y) ||2 ,,,else Model6 =[丨丨 VI(x,y)丨I2 *wvy針對上述第一個采樣點，根據(jù)上述導(dǎo)數(shù)坐標(biāo)(Iex，Iey)和上述Modellp Mode^1, ModelS1, Models, ModelS1和Modeiei對應(yīng)的判斷條件，計算出上述第一個采樣點對應(yīng)的 丨丨VZ(^)II2 ,然后，在上述第一個子區(qū)域中選取第二個采樣點，按照上述第一個采樣點 對應(yīng)的Il W(X^)II2 的計算過程，計算出第二個采樣點對應(yīng)的Il V/(u) ||2、，。依次類推， 計算出上述第一個子區(qū)域中的所有采樣點對應(yīng)的IIVZ(U)II2 。然后，將滿足上述Modell對應(yīng)的判斷條件的采樣點對應(yīng)的Il W(U) Il2 =^w進(jìn)行累 加得到上述Modell值；將滿足上述Model2對應(yīng)的判斷條件的采樣點對應(yīng)的Il W(XJ)II2、，y 進(jìn)行累加得到上述Model2值；將滿足上述Model3對應(yīng)的判斷條件的采樣點對應(yīng)的 Il v/(x,y)ll2 =1X,進(jìn)行累加得到上述臨如13值；將滿足上述Model4對應(yīng)的判斷條件的采樣點 對應(yīng)的Il VJ(U)||2 hX,進(jìn)行累加得到上述臨如14值；將滿足上述Model5對應(yīng)的判斷條件的 采樣點對應(yīng)的Il W(U) Il2 進(jìn)行累加得到上述Model5值；將滿足上述Model6對應(yīng)的判斷 條件的采樣點對應(yīng)的Il W(U) Il2 進(jìn)行累加得到上述Model6值。上述第一個子區(qū)域?qū)?yīng) 的描述向量因子為Model1,……,ModeB1 ο返回步驟14，在興趣點周圍選取的窗體區(qū)域中的第二個子區(qū)域中依次選取設(shè)定數(shù) 量個的采樣點，按照上述第一個子區(qū)域?qū)?yīng)的描述向量因子的計算過程，計算得到第二個 子區(qū)域?qū)?yīng)的描述向量因子Model2,……，Mode62。然后，在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行
綜合，得到一個 6X16 = 96 維的描述向量 ν = (Model1, ......, ModeB1, Model2,......，
Mode62, ......, Model16, ......，Mode616)96。上述該描述向量ν為上述第一個興趣點所對應(yīng)的描述向量。將上述第一個采樣點所在的第一個子區(qū)域劃分為4區(qū)域的示意圖如圖7所示，根 據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)，計 算出以每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范數(shù)。然 后，根據(jù)4個分區(qū)域分別對應(yīng)的判斷條件，將屬于每個分區(qū)域中的各個采樣點對應(yīng)的所述 范數(shù)進(jìn)行加權(quán)累積，得到所述4個分區(qū)域分別對應(yīng)的4個模值，根據(jù)所述4個模值構(gòu)成所述 第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……，Mode+。
所述第一個子區(qū)域?qū)?yīng)的描述向量因子的具體計算方法如下圖7中的1彡A2^ 1/2，在該實施例中。λ2 = 1。上述第一個子區(qū)域?qū)?yīng)的描 述向量因子的計算方法如下如果IGy>0
權(quán)利要求
1.一種圖像的興趣點的描述向量的計算方法，其特征在于，包括在興趣點所在的高斯尺度空間中選取窗體區(qū)域，將所述窗體區(qū)域劃分為設(shè)定數(shù)量個子 區(qū)域，在每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐 標(biāo)；將所述每個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分方法 所對應(yīng)的計算方法和所述每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到每個子區(qū)域?qū)?yīng)的 描述向量因子；將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到所述興趣點的描述向量。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的在興趣點所在的高斯尺度空間中 選取窗體區(qū)域，將所述窗體區(qū)域劃分為設(shè)定數(shù)量個子區(qū)域，包括輸入待處理的原始圖像，用多個不同方差的高斯函數(shù)和所述原始圖像進(jìn)行卷積運算， 得到多個尺度空間圖像；根據(jù)所述尺度空間圖像和原始圖像，采用高斯差分尺度檢測方法得到高斯尺度空間上 的興趣點和對應(yīng)的特征尺度；在所述興趣點所在的高斯尺度空間中選取正方形的窗體區(qū)域，所述窗體區(qū)域的寬度根 據(jù)興趣點的特征尺度而設(shè)置，將所述窗體區(qū)域劃分為16個大小相同的子區(qū)域。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的在每個子區(qū)域中選取設(shè)定數(shù)量個 的采樣點，計算出每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，包括在第一個興趣點所在的窗體區(qū)域中的每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出 每個采樣點的位置坐標(biāo)、水平方向?qū)?shù)和垂直方向?qū)?shù)；根據(jù)所述第一個興趣點的水平方向?qū)?shù)和垂直方向?qū)?shù)和計算得到所述第一個興趣 點的主方向；根據(jù)所述第一個興趣點的主方向?qū)?yīng)的夾角，對所述窗體區(qū)域進(jìn)行位移變換，得到新 坐標(biāo)系下的窗體區(qū)域，計算出在所述新坐標(biāo)系下的窗體區(qū)域中的所述每個采樣點的位置坐 標(biāo)和導(dǎo)數(shù)坐標(biāo)。
4.根據(jù)權(quán)利要求1或2或3所述的方法，其特征在于，所述的將所述每個子區(qū)域劃分為 設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng)的計算方法和所述每個 采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到每個子區(qū)域?qū)?yīng)的描述向量因子，包括根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向 導(dǎo)數(shù)，計算出以每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范 數(shù)；將所述第一個子區(qū)域劃分為6個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述6個分區(qū)域分別對應(yīng)的 6個模值，根據(jù)所述6個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……， Modeei ο
5.根據(jù)權(quán)利要求1或2或3所述的方法，其特征在于，所述的將所述第一個采樣點所在 的第一個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng) 的計算方法和所述第一個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到所述第一個采樣點對應(yīng) 的描述向量因子，包括根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向 導(dǎo)數(shù)，計算出以每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范 數(shù)；將所述第一個子區(qū)域劃分為4個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述4個分區(qū)域分別對應(yīng)的 4個模值，根據(jù)所述4個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……，Mode+ο
6.根據(jù)權(quán)利要求1或2或3所述的方法，其特征在于，所述的將所述第一個采樣點所在 的第一個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng) 的計算方法和所述第一個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到所述第一個采樣點對應(yīng) 的描述向量因子，包括根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向 導(dǎo)數(shù)，計算出以每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范 數(shù)；將所述第一個子區(qū)域劃分為8個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述8個分區(qū)域分別對應(yīng)的 8個模值，根據(jù)所述8個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……， ModeS1 ο
7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述的將所有子區(qū)域?qū)?yīng)的描述向量因 子進(jìn)行綜合，得到所述興趣點的描述向量，包括在興趣點周圍選取的窗體區(qū)域中的第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按 照所述第一個子區(qū)域?qū)?yīng)的描述向量因子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述 向量因子 Model2, ......，Mode62。然后，在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 6X16 = 96 維的描述向量 ν = (Model1, ......，Modeei,Model2, ......,Mode62,......，Model16,……，Mode616)96，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述的將所有子區(qū)域?qū)?yīng)的描述向量因 子進(jìn)行綜合，得到所述興趣點的描述向量，包括在興趣點周圍選取的窗體區(qū)域中第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按照 所述第一個子區(qū)域?qū)?yīng)的描述向量因子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述向 量因子 Model2, ......，Mode42，然后，在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 4X16 = 64 維的描述向量 ν = (Model1, ......,Mode^jModel2, ......，Mode42，......，Model16,……，Mode416)64，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
9.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述的將所有子區(qū)域?qū)?yīng)的描述向量因 子進(jìn)行綜合，得到所述興趣點的描述向量，包括在興趣點周圍選取的窗體區(qū)域中第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按照 所述第一個子區(qū)域?qū)?yīng)的描述向量因子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述向 量因子 Model2, ......，Mode^;在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 8X16 = 128 維的描述向量 ν = (Model1, ......, ModeS1, Model2, ......, Mode82,......，Model16,……，ModeS16) 128，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
10.一種圖像的興趣點的描述向量的計算裝置，其特征在于，包括坐標(biāo)計算模塊；用于在興趣點所在的高斯尺度空間中選取窗體區(qū)域，將所述窗體區(qū)域 劃分為設(shè)定數(shù)量個子區(qū)域，在每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出每個采樣點 的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)；描述向量因子計算模塊，用于將所述每個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述 設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng)的計算方法和所述每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐 標(biāo)，計算得到每個子區(qū)域?qū)?yīng)的描述向量因子；描述向量計算模塊，用于將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到所述興趣 點的描述向量。
11.根據(jù)權(quán)利要求10所述的圖像的興趣點的描述向量的計算裝置，其特征在于，所述 坐標(biāo)計算模塊具體包括劃分處理模塊，用于輸入待處理的原始圖像，用多個不同方差的高斯函數(shù)和所述原始 圖像進(jìn)行卷積運算，得到多個尺度空間圖像；根據(jù)所述尺度空間圖像和原始圖像，采用高斯 差分尺度檢測方法得到高斯尺度空間上的興趣點和對應(yīng)的特征尺度；在所述興趣點所在的高斯尺度空間中選取正方形的窗體區(qū)域，所述窗體區(qū)域的寬度根 據(jù)興趣點的特征尺度而設(shè)置，將所述窗體區(qū)域劃分為16個大小相同的子區(qū)域；計算處理模塊，用于在第一個興趣點所在的窗體區(qū)域中的每個子區(qū)域中選取設(shè)定數(shù)量 個的采樣點，計算出每個采樣點的位置坐標(biāo)、水平方向?qū)?shù)和垂直方向?qū)?shù)，根據(jù)所述第一 個興趣點的水平方向?qū)?shù)和垂直方向?qū)?shù)計算得到所述第一個興趣點的主方向；根據(jù)所述第一個興趣點的主方向?qū)?yīng)的夾角，對所述窗體區(qū)域進(jìn)行位移變換，得到新 坐標(biāo)系下的窗體區(qū)域，計算出在所述新坐標(biāo)系下的窗體區(qū)域中的所述每個采樣點的位置坐 標(biāo)和導(dǎo)數(shù)坐標(biāo)。
12.根據(jù)權(quán)利要求10所述的圖像的興趣點的描述向量的計算裝置，其特征在于 所述描述向量因子計算模塊包括6分區(qū)計算處理模塊，用于根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)，計算出以每個采樣點的 水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范數(shù)；將所述第一個子區(qū)域劃分為6個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述6個分區(qū)域分別對應(yīng)的 6個模值，根據(jù)所述6個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……， Modeei ο所述的描述向量計算模塊包括，第一計算模塊，用于在興趣點周圍選取的窗體區(qū)域中 的第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按照所述第一個子區(qū)域?qū)?yīng)的描述向量 因子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述向量因子Model2,……，Modeh。 在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 6X16 = 96 維的描述向量 ν = (Model1, ......, ModeB1, Model2, ......, Mode62,......，Model16,……，Mode616)96，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
13.根據(jù)權(quán)利要求10所述的圖像的興趣點的描述向量的計算裝置，其特征在于 所述描述向量因子計算模塊包括4分區(qū)計算處理模塊，用于根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)，計算出以每個采樣點的 水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范數(shù)；將所述第一個子區(qū)域劃分為4個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述4個分區(qū)域分別對應(yīng)的 4個模值，根據(jù)所述4個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……， Mode+ ；所述的描述向量計算模塊包括，第二計算模塊，用于在興趣點周圍選取的窗體區(qū)域中 第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按照所述第一個子區(qū)域?qū)?yīng)的描述向量因 子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述向量因子Model2,……，Mode42 ；在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 4X16 = 64 維的描述向量 ν = (Model1, ......, Mode^, Model2, ......，Mode42，......，Model16,……，Mode416)64，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
14.根據(jù)權(quán)利要求10所述的圖像的興趣點的描述向量的計算裝置，其特征在于 所述描述向量因子計算模塊包括8分區(qū)計算處理模塊，用于根據(jù)第一個采樣點所在的第一個子區(qū)域中的每個采樣點的水平方向?qū)?shù)和垂直方向?qū)?shù)，計算出以每個采樣點的 水平方向?qū)?shù)和垂直方向?qū)?shù)為坐標(biāo)構(gòu)成的梯度的模值的范數(shù)；將所述第一個子區(qū)域劃分為8個分區(qū)域，根據(jù)每個分區(qū)域?qū)?yīng)的判斷條件，將屬于每 個分區(qū)域中的各個采樣點對應(yīng)的所述范數(shù)進(jìn)行加權(quán)累積，得到所述8個分區(qū)域分別對應(yīng)的 8個模值，根據(jù)所述8個模值構(gòu)成所述第一個子區(qū)域?qū)?yīng)的描述向量因子Model1,……， ModeS1；所述的描述向量計算模塊包括，第三計算模塊，用于在興趣點周圍選取的窗體區(qū)域中 第二個子區(qū)域中依次選取設(shè)定數(shù)量個的采樣點，按照所述第一個子區(qū)域?qū)?yīng)的描述向量因 子的計算過程，計算得到第二個子區(qū)域?qū)?yīng)的描述向量因子Model2,……，ModeS2 ；在16個子區(qū)域都計算完畢后，將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到一個 8X16 = 128 維的描述向量 ν = (Model1, ......, ModeS1, Model2, ......，Mode82，......，Model16,……，ModeS16) 128，所述描述向量ν為所述第一個興趣點所對應(yīng)的描述向量。
全文摘要
本發(fā)明實施例提出了一種圖像的興趣點的描述向量的計算方法和裝置。該方法主要包括在興趣點所在的高斯尺度空間中選取窗體區(qū)域，將所述窗體區(qū)域劃分為設(shè)定數(shù)量個子區(qū)域，在每個子區(qū)域中選取設(shè)定數(shù)量個的采樣點，計算出每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)；將所述每個子區(qū)域劃分為設(shè)定數(shù)量個分區(qū)域，根據(jù)所述設(shè)定數(shù)量個分區(qū)域的劃分方法所對應(yīng)的計算方法和所述每個采樣點的位置坐標(biāo)和導(dǎo)數(shù)坐標(biāo)，計算得到每個子區(qū)域?qū)?yīng)的描述向量因子；將所有子區(qū)域?qū)?yīng)的描述向量因子進(jìn)行綜合，得到所述興趣點的描述向量。利用本發(fā)明，可以明顯降低圖像的興趣點的描述向量的計算量。
文檔編號G06T1/00GK102142128SQ20101051239
公開日2011年8月3日 申請日期2010年10月12日 優(yōu)先權(quán)日2010年10月12日
發(fā)明者馮德贏, 劉從新, 楊杰, 牛彩卿 申請人:華為技術(shù)有限公司