一種低內存的圖像特征描述算法
【專利摘要】本發(fā)明公開了一種低內存的圖像特征描述算法，收集同一類圖像，在同一類圖像信息中采用下述算法學習其共性，采用貪婪算法選擇其區(qū)分性好的特征維度表述圖像特征信息，丟棄掉區(qū)分性不好的特征維度，步驟如下：(1)收集同一類物體圖像；(2)對所有圖像采用ORB算法提取特征點；(3)采用rBRIEF算法對每個特征點形成描述子，256維；(4)對256維特征按方差大小進行排序；(5)貪婪法從256維中，選擇出32維特征，4字節(jié)；6)用上述的32維特征，表述這一類圖像的特征點信息。本發(fā)明可以采用低內存的表述方式，高效表述圖像內容的特征，且本算法可以自動學習圖像類的共性，每個特征點信息只占用4個字節(jié)。
【專利說明】
一種低內存的圖像特征描述算法
技術領域
[0001] 本發(fā)明涉及一種圖像特征描述算法，特別涉及一種低內存的圖像特征描述算法。
【背景技術】
[0002] 基于特征點的匹配技術，是近些年圖像匹配，圖像拼接的研究熱點。在大多數(shù)工程 應用上，需要圖像特征記錄在1C卡或寫入其他存儲介質中，而通常1C卡存儲大小有限，若采 用傳統(tǒng)的圖像特征描述算法會帶來存儲壓力，而且可存儲的特征很少。例如經(jīng)典的SIFT算 法，雖然是相對成熟，穩(wěn)定的算法，但是由于SIFT算法的運算量大，且每個特征信息占用256 個字節(jié)，在內存有限的情況下，特征描述很難存儲。后來有人提出SURF算法提取物體特征， SURF算法對旋轉、光照以及尺度都不敏感，且比SIFT算法速度上提高了幾十倍，但是SURF算 法的每個特征描述子占用128字節(jié)，對于某些設備如1C卡，仍然占比很高。2012年，Ethan Rublee等人提出了 ORB算法，在特征點的提取速度上有了很大的提高，它的特征點描述子采 用二值串表示，每個特征仍占用32字節(jié)。

【發(fā)明內容】

[0003] 本發(fā)明要解決的技術問題是克服現(xiàn)有技術的缺陷，提供一種低內存的圖像特征描 述算法。
[0004] 為了解決上述技術問題，本發(fā)明提供了如下的技術方案：
[0005] 本發(fā)明一種低內存的圖像特征描述算法，收集同一類圖像，在同一類圖像信息中 采用下述算法學習其共性，采用貪婪算法選擇其區(qū)分性好的特征維度表述圖像特征信息， 丟棄掉區(qū)分性不好的特征維度，步驟如下：
[0006] 1)收集同一類物體圖像；
[0007] 2)對所有圖像采用0RB算法提取特征點；
[0008] 3)采用rBRIEF算法對每個特征點形成描述子，256維；
[0009] 4)對256維特征按方差大小進行排序；
[0010] 5)貪婪法從256維中，選擇出32維特征，4字節(jié)；
[0011 ] 6)用上述的32維特征，表述這一類圖像的特征點信息。
[0012] 本發(fā)明所達到的有益效果是：可以采用低內存的表述方式，高效表述圖像內容的 特征，且本算法可以自動學習圖像類的共性，每個特征點信息只占用4個字節(jié)。
【附圖說明】
[0013] 附圖用來提供對本發(fā)明的進一步理解，并且構成說明書的一部分，與本發(fā)明的實 施例一起用于解釋本發(fā)明，并不構成對本發(fā)明的限制。在附圖中：
[0014] 圖1是本發(fā)明的流程圖。
【具體實施方式】
[0015] 以下結合附圖對本發(fā)明的優(yōu)選實施例進行說明，應當理解，此處所描述的優(yōu)選實 施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0016] 實施例
[0017] 如圖1所示，本發(fā)明提供一種低內存的圖像特征描述算法，收集同一類圖像，在同 一類圖像信息中采用下述算法學習其共性，采用貪婪算法選擇其區(qū)分性好的特征維度表述 圖像特征信息，丟棄掉區(qū)分性不好的特征維度，步驟如下：
[0018] 1)收集同一類物體圖像；
[0019] 2)對所有圖像采用0RB算法提取特征點；
[0020] 3)采用rBRIEF算法對每個特征點形成描述子，256維；
[0021] 4)對256維特征按方差大小進行排序；
[0022] 5)貪婪法從256維中，選擇出32維特征，4字節(jié)；
[0023] 6)用上述的32維特征，表述這一類圖像的特征點信息。
[0024]本發(fā)明的算法的詳細步驟如下，0RB算法，由于0RB描述子是二進制比特串，0RB采 用的rBRIEF算法是256維特征，占用32個字節(jié)。本文在0RB的基礎上，采用貪婪搜索迭代出32 維特征，此32維特征區(qū)分性好，具有很好的表述性;具體采用以下的步驟實現(xiàn)：
[0025] 第一步:收集同一類圖像
[0026] 因為同一類圖像肯定具有某些共性，通過數(shù)學分析，可以得到其中的某些相似之 處，選取其中的有效共性，剔除區(qū)分性不好的特征。
[0027]第二步:提取圖像特征點
[0028]采用0RB算法對每張圖像提取特征點，記為共N個特征點；
[0029]第三步:采用rBRIEF算法對特征點形成描述子
[0030] rBEIEF算法是0RB算法的第二步，對特征點鄰域選取256對像素點信息，并進行τ測 試，形成256維特征信息，記為Μ=256;
[0031]
[0032]
[0033] 第四步:把Μ維按方差大小進行排序，組成向量Τ
[0034] 計算Μ維特征中每一個維度的方差，方差越小，說明區(qū)分性越好，方差越大，說明區(qū) 分性不好。
[0035]第五步:貪婪搜索
[0036] 1.從Τ選擇第一個元素，放入R中，同時從Τ中移除；
[0037] 2.繼續(xù)從Τ中選擇下一個元素，與R中所有元素做相關性比較，若協(xié)方差絕對值均 小于閾值，則加入R中；否則，丟棄此元素；
[0038] 3.重復步驟2,直到R中達到32個元素，退出；若遍歷完256維，R中仍沒有到32個元 素，則提高閾值，重復上述步驟；
[0039] 第六步:采用上述訓練的32維特征，描述此類圖像的特征；。
[0040] 本發(fā)明可以采用低內存的表述方式，高效表述圖像內容的特征，且本算法可以自 動學習圖像類的共性，每個特征點信息只占用4個字節(jié)。
[0041]最后應說明的是：以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明， 盡管參照前述實施例對本發(fā)明進行了詳細的說明，對于本領域的技術人員來說，其依然可 以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換。 凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的 保護范圍之內。
【主權項】
1. 一種低內存的圖像特征描述算法，其特征在于，收集同一類圖像，在同一類圖像信息 中采用下述算法學習其共性，采用貪婪算法選擇其區(qū)分性好的特征維度表述圖像特征信 息，丟棄掉區(qū)分性不好的特征維度，步驟如下： 1) 收集同一類物體圖像； 2) 對所有圖像采用ORB算法提取特征點； 3) 采用rBRIEF算法對每個特征點形成描述子，256維； 4) 對256維特征按方差大小進行排序； 5) 貪婪法從256維中，選擇出32維特征，4字節(jié)； 6) 用上述的32維特征，表述這一類圖像的特征點信息。
【文檔編號】G06K9/46GK105975971SQ201610254675
【公開日】2016年9月28日
【申請日】2016年4月22日
【發(fā)明人】徐超, 羅時現(xiàn)
【申請人】安徽大學