本發(fā)明涉及計算機視覺中的圖像特征自動匹配領域，特別是數(shù)字圖像中曲線自動匹配方法。
背景技術(shù)：
特征匹配技術(shù)在圖像檢索、物體識別、視頻跟蹤以及增強現(xiàn)實等領域有重要應用。目前已有的曲線匹配方法主要有如下兩類，第一類是基于曲線形狀的匹配方法，該方法主要利用曲線自身的曲率變化等形狀信息進行曲線匹配，常見思路是對曲線形狀信息進行頻域變換后利用頻域變換系數(shù)進行特征匹配，該類方法的主要問題是曲線形狀包含的信息較少導致匹配準確性不高；第二類方法是基于圖像內(nèi)容的匹配方法，該類方法利用曲線附近的圖像紋理結(jié)構(gòu)信息構(gòu)造匹配描述子進行曲線匹配，相對于第一類方法匹配性能更好。第二類方法研究較少，主要代表是基于均值標準差曲線描述子的方法（Z.H. Wang, F.C. Wu and Z.Y.Hu, MSLD: A Robust Descriptor for Line Matching. Pattern Recognition. 2009, 42(5): 941-945提出了基于均值標準差描述子的直線匹配方法，文中將該方法進行推廣獲得了均值標準差曲線描述子），該方法將曲線鄰域劃分為一系列長方形子區(qū)域，然后將每個子區(qū)域的結(jié)構(gòu)信息表述為向量形式，最后構(gòu)建描述矩陣并計算矩陣各列向量的均值與標準差來構(gòu)造曲線匹配描述子并進行曲線匹配。在圖像局部形變較小條件下，該方法能夠獲得較好的匹配效果，在局部形變較大時，該方法使用的規(guī)則形狀子區(qū)域劃分將會造成較大的邊界誤差，導致匹配效果不佳。
為克服由于圖像形變引起的邊界誤差問題，王志衡等人提出了一種基于灰度序劃分的曲線匹配方法（王志衡等，基于亮度序的均值標準差描述子.模式識別與人工智能.2013, 26(4): 409-416.），這種方法利用像素灰度值大小對支撐區(qū)域進行子區(qū)域劃分并構(gòu)造描述子，對圖像形變具有較好的魯棒性。但是，在圖像紋理不豐富的區(qū)域，圖像中像素的灰度值通常非常接近，導致根據(jù)灰度排序結(jié)果不穩(wěn)定，從而影響描述子的性能。在此方法的基礎上，文獻（H.M. Liu, S.S. Zhi and Z.H. Wang. IOCD: intensity order curve descriptor, International Journal of Pattern Recognition and Artificial Intelligence, 2013, 27(7),1355011.）進一步提出了一種新方法，該方法不僅利用灰度序進行子區(qū)域劃分，還利用灰度序特征進行描述子構(gòu)造，但該文獻提出的灰度序特征僅利用像素點周圍的四個像素點灰度排序，丟失了像素點自身的信息，且灰度序特征同樣面臨數(shù)值接近時排序不穩(wěn)定的問題。
技術(shù)實現(xiàn)要素：
本發(fā)明針對已有基于灰度序曲線描述及匹配方法存在的排序不穩(wěn)定問題，目的是提供一種具有更強穩(wěn)定性的曲線描述及自動匹配方法。為了實現(xiàn)本目的，基于梯度序劃分及映射策略的曲線描述及匹配方法，包括以下步驟：
步驟S1：從不同角度拍攝同一場景兩幅不同圖像并輸入計算機；
步驟S2：利用Canny邊緣檢測算子分別對兩幅圖像進行曲線段檢測；
步驟S3： 確定曲線的支撐區(qū)域并計算主方向；
步驟S4： 基于梯度幅值對支撐區(qū)域進行子區(qū)域劃分；
步驟S5： 構(gòu)造曲線描述子；
步驟S51：計算支撐區(qū)域內(nèi)各有效點的梯度序特征；
步驟S52：將梯度序特征映射為24維向量特征；
步驟S53：計算子區(qū)域描述子及曲線描述子；
步驟S6：利用曲線描述子并基于雙向匹配原則進行曲線匹配。
針對已有基于灰度進行子區(qū)域劃分的曲線匹配方法存在的排序不穩(wěn)定問題，本發(fā)明提供的基于梯度序劃分及映射策略的曲線描述及匹配方法選用梯度幅值作為子區(qū)域劃分的依據(jù)，首先將梯度幅值小于平均梯度幅值的像素作為無效點排除，只保留梯度幅值較大的點作為有效點，由于梯度幅值較大的點一般數(shù)值差異較大，從而消除了利用灰度進行排序的不穩(wěn)定問題。此外，本發(fā)明方法在進行描述子構(gòu)造時也引入了梯度序特征，相比于灰度序特征，梯度序特征充分利用了像素點鄰域內(nèi)的灰度差異相對關(guān)系，具有更強的描述能力。本發(fā)明提供的方法能夠克服已有方法存在的問題，具有更優(yōu)的性能。
附圖說明
圖1所示為本發(fā)明基于梯度序劃分及映射策略的曲線描述及匹配方法的流程圖。
具體實施方式
圖1所示為本發(fā)明基于梯度序劃分及映射策略的曲線描述及匹配方法的流程圖，該方法的主要步驟包括：從不同角度拍攝同一場景兩幅不同圖像并輸入計算機、利用Canny邊緣檢測算子分別對兩幅圖像進行曲線段檢測、確定曲線的支撐區(qū)域并計算主方向、基于梯度幅值對支撐區(qū)域進行子區(qū)域劃分、計算支撐區(qū)域內(nèi)各有效點的梯度序特征、將梯度序特征映射為24維向量特征、計算子區(qū)域描述子及曲線描述子、利用曲線描述子并基于雙向匹配原則進行曲線匹配。各步驟的具體實施細節(jié)如下：
步驟S1：從不同角度拍攝同一場景兩幅不同圖像并輸入計算機。
步驟S2：利用Canny邊緣檢測算子分別對兩幅圖像進行曲線段檢測。
步驟S3：確定曲線的支撐區(qū)域并計算主方向，具體方式為，對于圖像中任一條由m個點組成的曲線C，記曲線C上任一點為Pl, l=1,2,…,m，將以Pl為圓心R為半徑的圓形區(qū)域定義為點Pl的支撐區(qū)域并記為G(Pl)，曲線C上各點支撐區(qū)域覆蓋的區(qū)域定義為曲線C的支撐區(qū)域并記為，計算曲線C上各點梯度向量的均值[gx, gy]，并將該均值對應的方向θ=atan(gy, gx)確定為曲線C的主方向。
步驟S4：基于梯度幅值對支撐區(qū)域進行子區(qū)域劃分，具體方式為：首先計算支撐區(qū)域G(C)內(nèi)各點的梯度幅值，獲得支撐區(qū)域的平均梯度幅值Avg(G(C))，將支撐區(qū)域內(nèi)梯度幅值大于Avg(G(C))的點作為有效點，按梯度幅值大小對有效點進行非降序排列，依據(jù)排序?qū)^(qū)域G(C)中包含的有效點劃分為K個子集合：，1≤i≤K，其中Mag(xj)表示點xj處的梯度幅值，閾值Ti的確定原則是保證每個子集合包含的有效點個數(shù)相等，整數(shù)K的取值范圍為3~5。
步驟S5：構(gòu)造曲線描述子，具體方式包括步驟S51、S52、S53；
步驟S51：計算支撐區(qū)域內(nèi)各有效點的梯度序特征，具體方式為，對支撐區(qū)域G(C)內(nèi)任一有效點X0，以X0為圓心r為半徑確定一個圓周Or(X0)，其中r的取值范圍為6~8，在圓周Or(X0)上以主方向θ為起始方向確定第一個點X1，順時針依次定位點X2、X3、X4、X5、X6、X7、X8，其中點X1、X2、X3、X4、X5、X6、X7、X8將圓周Or(X0)均分為8等份；記f(Xa)(a=0、1、2、…、8)表示點Xa處的灰度值，按如下公式計算四個梯度值：
b1 = abs(f(X1)+ f(X5)-2·f(X0))，b2 = abs(f(X2)+ f(X6)-2·f(X0))，
b3 = abs(f(X3)+ f(X7)-2·f(X0))，b4 = abs(f(X4)+ f(X8)-2·f(X0))，
將梯度值b1、b2、b3、b4由小到大進行排序得到有效點X0處的梯度序特征(x1, x2, x3, x4)，其中x1, x2, x3, x4∈{1,2,3,4}且x1≠x2≠x3≠x4，所述梯度序特征的形式共有24種，依次如下：(1,2,3,4)、(1,2,4,3)、(1,3,2,4)、(1,3,4,2)、(1,4,2,3)、(1,4,3,2)、(2,1,3,4)、(2,1,4,3)、(2,3,1,4)、(2,3,4,1)、(2,4,1,3)、(2,4,3,1)、(3,1,2,4)、(3,1,4,2)、(3,2,1,4)、(3,2,4,1)、(3,4,1,2)、(3,4,2,1)、(4,1,2,3)、(4,1,3,2)、(4,2,1,3)、(4,2,3,1)、(4,3,1,2)、(4,3,2,1)；
步驟S52：將梯度序特征映射為24維向量特征，具體方式為，將步驟S51獲得的24種形式的梯度序特征按照下述規(guī)則映射為24維的二值向量：第1種形式(1,2,3,4)映射為，第2種形式(1,2,4,3)映射為，第k種形式映射為，第24種形式(4,3,2,1)映射為；
步驟S53：計算子區(qū)域描述子及曲線描述子，具體方式為，對步驟S4進行梯度序劃分后所得任一子區(qū)域Gi，將Gi內(nèi)包含的有效點對應的24維二值向量進行累加，得到子區(qū)域Gi的24維描述子；將各個子區(qū)域描述子連接起來，得到曲線C的24×K維描述向量，最后進行歸一化處理得到曲線C的匹配描述子。
步驟S6：利用曲線描述子并基于雙向匹配原則進行曲線匹配，具體方式為，對于第1幅圖像中的一條曲線C，如果第2幅圖像所有曲線中C'的描述子與曲線C的描述子之間歐式距離最小，同時第1幅圖像所有曲線中C的描述子與C'的描述子之間歐式距離最小，則C、C'為一對匹配曲線。
針對已有基于灰度進行子區(qū)域劃分的曲線匹配方法存在的排序不穩(wěn)定問題，本發(fā)明提供的基于梯度序劃分及映射策略的曲線描述及匹配方法選用梯度幅值作為子區(qū)域劃分的依據(jù)，首先將梯度幅值小于平均梯度幅值的像素作為無效點排除，只保留梯度幅值較大的點作為有效點，由于梯度幅值較大的點一般數(shù)值差異較大，從而消除了利用灰度進行排序的不穩(wěn)定問題。此外，本發(fā)明方法在進行描述子構(gòu)造時也引入了梯度序特征，相比于灰度序特征，梯度序特征充分利用了像素點鄰域內(nèi)的灰度差異相對關(guān)系，具有更強的描述能力。本發(fā)明提供的方法能夠克服已有方法存在的問題，具有更優(yōu)的性能。