基于窄基线的SIFT特征匹配目标识别

沈阳理工大学信息科学与工程学院 马健博 胡玉兰

基于窄基线的SIFT特征匹配目标识别

沈阳理工大学信息科学与工程学院 马健博 胡玉兰

一直以来，遮挡状态下的运动目标的识别一直是该领域的难点，当目标处于遮挡状态且在复杂背景的干扰之下，对于目标特征的提取与匹配将变得十分困难。本文对于遮挡状态下运动的目标提出一种基于窄基线SIFT特征匹配目标识别。鉴于被识别的目标在相邻的两个（或多个）图像帧之间的外形轮廓以及尺度变化较小以及基于目标位置预测出的运动范围有限，因此可以实现快速的窄基线小范围之内的SIFT特征匹配。实验结果显示，该方法具有较强的稳定性。

SIFT；目标识别；特征匹配；窄基线

1 SIFI特征匹配的提出

尺度不变特征转换是British Columbia大学教授David Lowe首先发表于计算机视觉国际会议(International Conference on Computer Vision,ICCV)的一种图像识别的方法，是一种用于图像处理领域的一种描述子，即SIFI特征匹配算法，可在图像中检测出关键点。

2 SIFT特征匹配原理

SIFT特征匹配主要分为五个步骤：1)生成尺度空间；2)尺度空间中极值点的检测；3)极值点的准确定位；4)关键点中方向参数的指定；5)生成关键点描述子。

1)生成尺度空间：在计算机视觉领域中最先出现了尺度空间理论，该理论的出现是为了用计算机去模拟图像数据的多尺度特征，Koendering和Lindeberg分别于1984年和1994年通过大量的研究证明发现高斯卷积核是实现尺度变换的唯一核函数。是可变的尺度核函数，则其可以表示为：

David Lowe指出，采用一种高斯差分函数在图像生成的矩阵中寻极值点，差分尺度空间DoG（Difference-of-Gaussian）便可以构造出来，同时检测空间中局部的极值作为特征点。DoG算子表示的是不同的尺度的高斯卷积核的差分，其表达式可以表示为：

图1 高斯金字塔和差分高斯金字塔的构建

2)尺度空间中极值点的检测：极值点的检测如图2所示：

图2 尺度空间极值点的检测

首先需要在图像的尺度空间中寻找极值点，寻找极值点的过程需要将每一个像素点要和它周围的相邻的所有的点比较，并将它和图像域和尺度域中的相邻点的值比较大小，因此在图像的尺度空间上以及二维图像空间上都可以准确地检测到极值点的存在。

3)极值点的准确定位：当检测到空间中的极值点以后，此时需要采用一个拟合的三维二次函数。删除尺度空间中对比度较低的关键点，因此剩余得到的极值点便会增强了图像匹配过程的稳定性。

4)关键点中方向参数的指定：图像中的每个关键点都需要指定方向参数，此时可以采用尺度空间中的关键点相邻像素的梯度方向作为关键点的方向，这一过程便可以使算子具备了旋转不变的特性。接下来就可以计算图像尺度空间中关键点的邻域像素的梯度模值m和方向θ，其计算公式如下：

图3 梯度直方图确定的主方向

5)生成关键点描述子

当图像中关键点的信息确定以后，接下来则需要使得图像中的关键点具有旋转不变的特性，此时将坐标轴旋转到与关键点相同的方向就可实现上述要求。以关键点作为中心可以生成描述子，将采样点和关键点的相对方向通过高斯加权后，最终可以得到228的32维特征描述子。

图4 由关键点信息生成的特征向量

图中箭头方向表示当前像素的梯度方向，其长度表示该像素的幅值大小。接下来采用4×4大小的窗口去计算8个方向的梯度方向上的直方图。绘制出每个梯度方向上的累加的值即能产生一个种子点。任意一个描述符包含一个位于关键点附近的四个直方图数组，对于任意一个关键点则产生了128维的SIFT特征向量。

3 目标处在遮挡状态时的特征匹配与识别

首先当目标处于正常无遮挡干扰的状态之下，可以直接使用SIFT特征匹配以实现快速的匹配与目标的识别。当目标运动至出现遮挡时，为了保证稳定的识别效果，即采用基于窄基线SIFT特征匹配，目标运动所产生的轨迹在相邻的两幅图像之间的变化非常小，因此可以实现小范围内快速的窄基线匹配。对于所有目标的识别，分割是目标识别的第一步，是对目标跟踪，侦测，分析的基础，同时将目标从背景中分割出来可以减少匹配时的干扰，提高识别率。其次将未被遮挡时从背景中分割出的目标与被遮挡（未完全遮挡）的目标进行特征匹配，这样可以确定目标在被遮挡以后在区域中的位置，可以将原目标（未被遮挡时）与被遮挡后的目标两者之间建立关系，并将更新被识别的目标的特征描述符。

4 实验分析

本实验采用Visual Studio 2010 + opencv2.4.1作为开发平台。首先采用Grabcut作为图像的分割方法，该方法是Graphcut算法的改进，是一种图论的分割方法，该方法基于能量优化算法，将图像分割问题转换为图的最小割优化问题，是一种直接基于图像算法的图像分割技术。如图6(a)所示，目标未遮挡时的状态，图6(b)是未遮挡状态时分割出的运动目标，图6(c)是遮挡状态下的复合运动目标，图6(d)是遮挡状态下复合运动目标的分割结果，图6(e)是运动目标在两种状态下分割以后匹配出的结果，由实验结果可知，在未遮挡的状态下，目标得以从背景中分割出来，目标被遮挡时，依然可以从背景中分离出，分割出的目标在两种不同的状态之下依然可以成功的匹配与识别。实验流程与实验结果如图5、图6：

图5 实验流程图

图6 实验结果

[1]Lowe David. Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision,2004,60(2):91-110.

[2]李志华.智能视频监控系统目标跟踪与分类算法研究[D]:浙江大学,2008.

[3]王素玉,沈兰荪.智能视觉监控技术研究进展[J].中国图象图形学报,2007,12(009):1505-1514.

马健博，硕士研究生，主要研究领域：自适应信号处理。

胡玉兰，教授，主要研究领域：图像信息处理、模式识别与人工智能。