：
[0075] 為了識別模糊圖像，新算法模擬各種圖像模糊成因來擴建數(shù)據(jù)庫圖像集，形成模 糊圖像空間用以確認(rèn)待識別圖像的身份。這樣既回避了對模糊圖像的復(fù)原和重建，又顯著 提高了SIFT算法匹配待識別圖像和數(shù)據(jù)庫圖像的效率。模糊圖像空間的構(gòu)建方式包括：通 過高斯函數(shù)模擬因數(shù)字噪聲等因素引起的圖像模糊效果；通過直方圖調(diào)整模擬因光照引起 的圖像模糊效果；通過運動濾波算子模擬因運動引起的圖像模糊效果。在方法復(fù)雜度方面， 模糊圖像空間構(gòu)建可以離線完成，在線部分所增加的計算成本并不明顯。
[0076] 上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段， 并可依照說明書的內(nèi)容予以實施，以下以本發(fā)明的較佳實施例并配合附圖詳細(xì)說明如后。
【附圖說明】
[0077] 圖1是SIFT算法的流程圖；
[0078] 圖2是本發(fā)明DoG金字塔的建立結(jié)構(gòu)示意圖；
[0079] 圖3是本發(fā)明特征點重復(fù)率與尺度采樣的關(guān)系；
[0080] 圖4是本發(fā)明特征點數(shù)量與尺度采樣的關(guān)系；
[0081] 圖5是本發(fā)明連續(xù)空間與離散空間極值點的差別；
[0082] 圖6是本發(fā)明基于SIFT算子的模糊圖像識別方法流程圖；
[0083] 圖7是本發(fā)明不同參數(shù)的高斯分布曲線。
【具體實施方式】
[0084] 下面結(jié)合附圖和實施例，對本發(fā)明的【具體實施方式】作進(jìn)一步詳細(xì)描述。以下實施 例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0085] 如圖 6 所不，尺度不變特征轉(zhuǎn)換SIFT(Scale-invariantFeatureTransform)。 SIFT算法的流程圖。在眾多局部不變特征檢測的方法當(dāng)中，SIFT算法是最具代表性的方法 之一。自其提出到現(xiàn)在得到了人們廣泛的關(guān)注，通過SIFT算法能夠在同一場景中從不同視 點所拍攝的圖像當(dāng)中獲取穩(wěn)定的特征點，這些特征點對圖像旋轉(zhuǎn)、平移保持不變，同時對光 照、噪聲以及視點變換等具有良好魯棒性。Mikolajczyk通過對多種局部特征描述子所進(jìn)行 的一系列關(guān)于不變性的對比實驗發(fā)現(xiàn)：在同類描述子當(dāng)中，SIFT及其改進(jìn)算法具有最好的 魯棒性。除此以外，SIFT特征描述符具有很高的獨特性，在多幅圖像提取出的母數(shù)龐大的 特征點數(shù)據(jù)庫當(dāng)中獲得正確匹配的概率很高。
[0086] 一、極值點檢測
[0087] 在多尺度空間完成特征點的檢測是SIFT算法和之前特征檢測算法最大的不同。 SIFT算法中，通過使用尺度空間技術(shù)來模擬圖像的多尺度特征，Lindeberg證明了在一定 條件下高斯卷積核是能夠?qū)崿F(xiàn)尺度變換的唯一一個線性核。建立圖像尺度空間是為了能夠 檢測出相對于圖像的尺度參數(shù)具有不變性的像素的位置。圖像的尺度空間函數(shù)定義如式 (2-1)所示：
[0088] L(x,y, 〇 ) =G(x,y, 〇 )*I(x,y), (2-1)
[0089] 其中I(x，y)表示輸入圖像，*表示卷積運算符，G(x，y，〇)代表高斯函數(shù)，其定義 如式（2-2)所示：
[0091] 其中〇為尺度因子，〇值越小，代表圖像的細(xì)節(jié)特征；〇值越大，則代表圖像的概 貌特征。
[0092] 為了能夠在尺度空間中高效地檢測出穩(wěn)定的特征點位置，Lowe將DoG(高斯差分 函數(shù)）與圖像進(jìn)行卷積。高斯差分函數(shù)D(x，y，〇)可以通過以常量的倍增因子k的兩個相 鄰尺度圖像相減得出，見式（2-3):
[0093] D(x，y，〇) = (G(x，y，k〇)-G(x，y，〇))*I(x，y) =L(x，y，k〇)_L(x，y，〇)，（2-3)
[0094] 選擇式（2-3)來進(jìn)行計算主要有以下幾個優(yōu)點：
[0095] 1.計算效率高：因為平滑圖像L在每個尺度上都是需要進(jìn)行計算的，這樣DoG函 數(shù)就只需要在平滑圖像L之間做簡單的減法就可以了；
[0096] 2.尺度歸一化的LoG(高斯拉普拉斯）算子和DoG(高斯差分函數(shù)）相近似，在 1994年Lindeberg已經(jīng)證明了要想具備真正的尺度不變性，LoG算子必須具有歸一化因數(shù) 〇 2。LoG與DoG的關(guān)系可用式（2-4)來表示：
[0098] 由上式易得，
[0099] G(x,y,k〇 )-G(x,y, 〇 ) ^ (k-1)o2V2G. (2-5)
[0100] 式（2-5)中的因數(shù)（k-1)在所有的尺度中是一個不變量，因此不會對極值點的位 置產(chǎn)生影響。隨著k取值接近于1，誤差將會近似為零，在試驗中，Lowe發(fā)現(xiàn)即使在尺度上 有明顯的不同，例如
,這對于極值點的檢測和定位幾乎沒有任何影響；
[0101] 3.有相關(guān)測評表明：與Hessian、梯度、Harris角點函數(shù)相比，在帶有尺度歸一化 因數(shù)〇2的LoG空間中所檢測出的極值點的穩(wěn)定性最好。
[0102] 關(guān)于G(x，y，〇 )的詳細(xì)運算見圖2,最初的圖像經(jīng)過連續(xù)的高斯卷積運算，將得到 一系列的圖像尺度空間，也就是圖中左邊的一列，被稱為高斯尺度空間，圖中右邊一列表示 高斯差分尺度空間，該空間是由高斯尺度空間中相鄰兩幅圖像相減后所得到。尺度空間一 共有0組，每一組有S層。如果想要在高斯差分尺度空間中的S層上檢測出候選點，則右邊 的高斯差分尺度空間至少要有S+2層，因此左邊的高斯尺度空間就需要有S+3層。若當(dāng)前 圖像的尺度為〇，則下一層圖像的尺度為k〇，也就是說這些圖像的尺度因子〇會以常量 k進(jìn)行遞增。當(dāng)前組生成了s+3個圖像之后，下一組第一層的圖像由當(dāng)前組的倒數(shù)第三層 的圖像經(jīng)過1 :2的降采樣形成。
[0103] 為了確保G(x，y，〇)是局部的極大值或極小值，每個采樣點將要與它所在尺度的 8個相鄰點并加上其相鄰的兩個尺度上的9X2個點一共8+9X2 = 26個點的取值相比較。 這個計算的過程的代價其實并不很高，因為只有當(dāng)該點比它所有相鄰點都小或者都大的情 況下才會被選擇，大部分的采樣點在剛開始比較的前幾步中就被淘汰了。
[0104] 在極值檢測過程中，一個重要的問題就是尺度采樣個數(shù)的選取。事實上，能夠檢測 出全部極值點的采樣值是不存在的，因為兩個極值點可以無限的接近。因此，我們必須要 在檢測的完整度和運算復(fù)雜度之間做出平衡。Lowe在圖像匹配實驗中，通過選擇不同的參 與極值檢測的圖像個數(shù)，比較它們的實驗效果來選取最佳的采樣個數(shù)，其實驗結(jié)果如圖3、4 所示。
[0105] 在圖3中，橫軸是每組高斯平滑圖像中參與極值檢測的圖像的個數(shù)s，上方的實線 代表的是在變換后的圖像中能夠被檢測到的特征點的百分比，下方的虛線代表正確匹配的 特征點的百分比。通過圖可以看出，當(dāng)每組高斯平滑圖像中有s= 3幅圖像參與極值檢測的 時候，特征點的重復(fù)率和正確匹配率都達(dá)到了最大值。在圖4中，我們發(fā)現(xiàn)當(dāng)s大于3時， 特征點的總數(shù)和正確匹配的個數(shù)都保持繼續(xù)增長。但是，s的值越大，運算量也越大，為了 更好的平衡效率和復(fù)雜度，Lowe取s= 3。然而，由于圖像識別的正確率一般依賴于特征點 正確匹配的個數(shù)，因此，在很多應(yīng)用當(dāng)中，S的取值往往會大于3。
[0106] 二、特征點定位
[0107] 極值點檢測是在離散空間中進(jìn)行的，真正意義上的極值點有可能與在離散空間中 檢測到的極值點存在位置上的誤差，如圖5所示。
[0108]Brown與Lowe在2002年提出了一種對局部極值點使用三維二次方程進(jìn)行擬合的 方法[i]，通過這種方式來確定極值點的位置將會顯著的提高特征點的穩(wěn)定性，這種方法使 用了DoG函數(shù)的泰勒二級展開式，如式（2-6)所示：
[0110] 其中x= (x，y，〇)T，通過對上式進(jìn)行求關(guān)于X的導(dǎo)數(shù)，可以得到極值點如式（2-7) 所示：
[0112]將式（2-7)代入式（2-6)，可以得到式（2-8):
[0114] 實驗會設(shè)置一個閾值，如果|D(f)|小于這個值，那么該極值點將會被剔除，因為 它的對比度太低而不夠穩(wěn)定。在進(jìn)行泰勒二階展開的過程中，候選極值點被當(dāng)作坐標(biāo)原點， 因此偏離候選極值點的尺度差和位置差分別對應(yīng)于極值點1所包含的三個分量，如果這三 個分量有任意一個大于〇. 5,那么該分量將會被調(diào)整到下一個最接近的值。經(jīng)過多次重復(fù)上 述擬合過程，極值點將會獲得精確的尺度和位置。
[0115] 為了獲得較好的穩(wěn)定性，僅僅剔除低對比度的極值點還不夠，因為DoG函數(shù)會產(chǎn) 生較強的邊緣響應(yīng)。通常情況下，垂直邊緣的位置將會有較小的主曲率，而橫跨邊緣的位置 將會有較大的主曲率。
[0116] 通過海瑟矩陣H(x,y)可以求出主曲率，如式（2-9)所示：
[0118] 可以使用求臨近點差分的方式獲得D的值。由于D的主曲率和H的特征值成正比 關(guān)系，所以可以通過求H的特征值的比率來獲得D的主曲率的比率，從而避免了具體的計 算。假設(shè)a為較大的特征值，0為較小的特征值，則容易得出：
[0119]Tr(H) =Dxx+Dyy=a+0, (2-10)
[0120] Det(H)=DxxDyy_(Dxy)2=a?0， (2-11)
[0121] 式（2-10)中的Tr⑶代表矩陣H的跡，式（2-11)中的Det(H)代表H的行列式的 值。
[0122]假設(shè)最大特征值a和最小特征值0的比值為r，則有：
[0124] 式（2-12)的結(jié)果只和兩個特征值的比值有關(guān)。由于r=a彡1，所以當(dāng)r= 1，即a和0相等時式（2-12)的結(jié)果最?。划?dāng)r增大時，式（2-12)的結(jié)果將增大，此時D 的兩個主曲率的比值也增大，比值越大，該點越有可能是邊緣點。
[0125] 三、特征點方向確定
[0126] 為了獲得特征點關(guān)于圖像旋轉(zhuǎn)的不變性，需要為每個特征點分配主方向，之后關(guān) 于特征點的計算都將相對于這個主方向進(jìn)行，同時相關(guān)操作的像素都位于特征點的尺度所 對應(yīng)的高斯平滑圖像上，特征點也因此獲得了尺度無關(guān)性。對于每一個特征點，其鄰域內(nèi)像 素點的梯度值表示如式（2-13)所示：
[0128] 其方向如式（2-14)所示：
[0130] 上述兩式中的L(x，y)表示特征點所在高斯平滑圖像的像素點的灰度值。獲得特 征點主方向的詳細(xì)過程為：在相應(yīng)的高斯平滑圖像上，以特征點為中心，取適當(dāng)?shù)泥徲騾^(qū) 域，統(tǒng)計該區(qū)域內(nèi)所有圖像像素的梯度方向；梯度方向從0度開始，每隔10度分配一個方 向，這樣將會產(chǎn)生36個方向。在計算過程中，需要使用適當(dāng)?shù)母咚购瘮?shù)進(jìn)行加權(quán)，該高斯函 數(shù)的高斯核等于特征點所在尺度1. 5倍，目的是為了減小窗口內(nèi)距離特征點較遠(yuǎn)的點對方 向直方圖的權(quán)重。統(tǒng)計結(jié)果中的最大值所在的方向就是相應(yīng)特征點的主方向。為了增強后 續(xù)匹配的穩(wěn)定性，那些取值超過主方向取值80 %的方向?qū)蛔鳛樵撎卣鼽c的輔方向，這 樣一來，具有相同尺度和位置的特征點有可能具有多個方向，實驗表明，這樣的特征點的比 例大概為15%，但他們能夠很好的提高后續(xù)匹配的穩(wěn)定性。
[0131] 四、描述符計算
[0132] 到目前為止，已經(jīng)