王海麗， 張 良

(中國民航大學 a.工程技術訓練中心；b.智能信號與圖像處理天津市重點實驗室,天津 300300)

0 引言

局部特征檢測與匹配是計算機視覺研究的熱點。局部特征可以是對圖像尺度、光照、視角變化、噪聲等不敏感的角點、直線、邊緣、隨機點等，才能有效地進行目標跟蹤?；趲缀文０宓姆椒y以解決目標之間的遮擋；基于紋理的算法對尺度變化敏感，可重現(xiàn)性低，在目標跟蹤中容易丟失目標。結合基于魯棒特征點進行定位，基于分布的特征向量進行匹配可以有效地解決這一難題。

局部特征點檢測器有 Harris, SUSAN, Harris-Laplacian, SIFT[1]、GLOH等被廣泛用于目標跟蹤[2]，移動博物館向導[3]等，高維的特征提取和基于距離的匹配計算量大，復雜度高。SURF[4]速度快，可結合 Harris角點進行機器人定位導航[5]?；谶\動相關性匹配幀間SURF特征，根據(jù)特征向量的NN/SN，誤匹配率較高；增加隨機抽樣一致性估計算法[6]可有效去除孤立點；在連續(xù)幀間增加約束條件進行特征匹配，有效估計運動目標，實現(xiàn)準確的特征匹配和目標跟蹤。

1 常用局部特征點檢測算法及特點

局部特征點檢測算法中，Harris角點檢測計算亮度變化進行近似，可重現(xiàn)性高，對旋轉、光照變化具有不變性，但對尺度變化敏感。SUSAN比較模板中的像素值與模板中心的相對變化計算USAN面積，適合低層次圖像處理，受閾值影響大，定位精度低。Harris-Lapalcian建立Harris角點的多尺度空間，計算Laplacian算子極值，最終定位出多尺度的Harris角點。SIFT算法在高斯差分尺度空間中，計算極值進行定位，利用梯度方向指定主方向，在鄰域內生成128維的特征向量，采用NN/SN進行匹配，提取特征數(shù)目多，穩(wěn)定性好，可擴展性強。但圖像構造層數(shù)和高維特征向量都使其計算量較大，實時性較差。

2 基于區(qū)域相關約束的SURF算法

SURF速度優(yōu)于SIFT算法，區(qū)別如表1所示。SURF算法的特征定位，如圖1所示，然后在鄰域內指定主方向；計算Harr小波響應的和，將每一個子區(qū)域內的小波響應dx和dy相疊加，形成該子區(qū)域的特征向量V的元素，每個子區(qū)域有4個特征元素，如式(1)所示，4×4的子區(qū)域可生成64維的特征向量。核實拉普拉斯符號檢索策略來加速匹配，采用基于歐式距離的相似度匹配。

SURF的速度增益源于使用積分圖，采用盒濾波器進行卷積，與圖像尺度無關；特征向量維數(shù)小，拉普拉斯符號加快了匹配。

SURF算法和SIFT 算法實現(xiàn)的比較如表1所示。

表1 SURF算法和SIFT 算法實現(xiàn)的比較

特征匹配中，采用NN/SN作為唯一的匹配標準，忽略了特征向量之間的統(tǒng)計規(guī)律。隨機抽樣一致性估計在進行參數(shù)估計時，并非不加區(qū)分地對待所有輸入數(shù)據(jù)，而是針對具體問題設計搜索引擎，利用它剔除與所估計的參數(shù)不一致的數(shù)據(jù)，利用正確的輸入數(shù)據(jù)來估計參數(shù)，可以去除孤立點，減少后續(xù)距離的計算量，可提高匹配正確率。

在連續(xù)視頻幀間，目標的運動是有限的，運動目標上特征點位置的連續(xù)性可用于特征匹配前剔除孤立點。SURF特征在兩幀中可能會出現(xiàn)在相同或相近的位置，因此特征匹配應在其鄰域內進行。鄰域大小R的設定跟運動目標的運動速度和處理時跳過幀的多少有關。改進的特征匹配，如圖2所示，增加的約束條件，如虛線所示，將當前幀的第i個特征點的特征向量P1(i)與下一幀所有特征向量P2匹配，NN/SN越小，匹配越準確。

3 仿真結果分析

第1組源數(shù)據(jù)為338×289、512×384和320×240JPEG的灰圖像，在凌亂和存在部分遮擋的背景下，圖像發(fā)生視角、光線、尺度變化后，比較僅采用 NN/SN和增加隨機抽樣一致性估計算法的匹配結果，如圖3所示，NN/SN=0.75，耗時為3.7 s和0.54 s。仿真表明：隨機抽樣一致性估計可以有效地去除孤立點，提高正確匹配率，魯棒地識別目標。

第 2組源數(shù)據(jù)為 737飛機和 PETS數(shù)據(jù)庫576×720視頻幀。假設運動目標已分割，跳過3幀作為待匹配幀，圖4(a)和圖4(b)采用NN/SN進行匹配，約90%的特征點重現(xiàn)，但在運動目標或背景上存在很多誤匹配。增加隨機抽樣一致性估計減少誤匹配的同時，原來正確匹配的特征對也可能被誤作為孤立點，因此，在特征匹配之前，增加運動目標的區(qū)域約束，提高了匹配精度，如圖 4(c)和圖 4(d)所示。

在保證算法性能的前提下，改進的方法加速了匹配過程，提高了正確匹配率，如表2所示，為后續(xù)目標跟蹤提供了必要的前提。

表2 特征匹配分析

4 結語

改進的視頻幀間SURF特征匹配，結合像素位置相關性和隨機抽樣一致性估計在匹配正確率和匹配速度上都明顯提高，為后期的目標跟蹤提供了可靠的前提。SURF特征向量的可擴展性強，可以結合顏色向量、全局變量、或特征關聯(lián)[7-8]等方面進行進一步的研究，易于檢測、穩(wěn)定性高和獨特性好的局部特征對于機器人視覺[9]、視頻處理等研究具有重要的研究價值，對機場低密度人群的目標跟蹤，提高機場安全保障具有重要的應用價值。

[1] LOWE D. Distinctive Image Features from Scaleinvariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(02):91-110.

[2] CHEN A H, ZHU M, WANG Y H,et al. Mean Shift Tracking Combining SIFT[C]//IEEE.9th International Conference on ICSP. Germany:IEEE,2008: 1532-1535.

[3] RUF B, KOKIOPOULOU E, DETYNIECKI M. Mobile Museum Guide based on Fast SIFT Recognition[C]//6th International Workshop on Adaptive Multimedia Retrieval. Berlin, Germany:Computer Science,2008:26–27.

[4] BAY H, ESS A, TUYTELAARS T, et al. Speeded-Up Robust Features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(03):346-359.

[5] RODRIGUEZ D, AOUF N.Robust Harris-SURF Features for Robotic Vision based Navigation[C]//IEEE.International IEEE Conference on Intelligent Transportation Systems. Madeira Island, Portugal:IEEE,2010: 1160-1165.

[6] FISCHLER M A, BOLLES R C. Random Sample Consensus:a Paradigm Model Fitting with Applications to Image Analysis and Automated Cartography[J].Communications of the Association of Computing Machinery, 1981, 24(06):381–395.

[7] 周新宇,楊風暴,吉琳娜. 一種新的地面目標多特征關聯(lián)方法[J]. 通信技術, 2011, 44(09): 132-134.

[8] 黎蔚,楊凱鵬,陳家新,等. 一種基于特征自動選取的跟蹤算法[J].通信技術, 2010,43(03):128-130.

[9] ZHANG Z J, CAO C X, ZHANG R J, et al. Video Copy Detection based on Speeded Up Robust Features and Locality Sensitive Hashing[C]//IEEE.IEEE International Conference on Automation and Logistics.USA:IEEE, 2010: 13-18.