高鲁棒性的快速局部特征描述算法体系研究

图像的局部不变性特征方法符合人类视觉处理机制，抗多种图像变换，并且具有冗余性低，无需预先对图像分割等特点，因而成为机器视觉和模式识别领域的研究热点。在大规模数据库和实时处理中应用局部不变性特征方法已经成为发展趋势。但是现有的局部特征描述算法由于计算复杂，特征维度高，在复杂图像变换中鲁棒性差限制了在实时数据库以及移动设备中的应用。本项目的研究以高区分性、高鲁棒性、快速运算以及存储精简为目标；提出将差分运算，颜色不变量和局部相关区域融合的描述子算法体系，使描述子具备在大范围旋转、光照、尺度、视角等变换以及影像遮挡和背景混杂中的不变性；在其之上研究多维直方图线性优化方法和多目标特征算法的向量融合问题；最后创建合理的精简描述子向量存储模型，提出完善的描述子向量降维算法和减容算法。

图像的局部不变性特征方法作为基本的图像特征表达方式在物体识别，图像检索，场景分类等视觉应用中得到了广泛应用。然而图像的局部特征描述方法也存在计算复杂，特征维度高，在复杂图像变换中鲁棒性差等不足。本项目针对这些问题展开研究，归纳起来主要创新点与贡献如下： 1、将颜色不变量引入基于仿射不变矩的局部特征描述中，提出了基于Gaussian不变量的局部区域颜色梯度计算方法，建立了基于局部颜色梯度的仿射不变描述子，分析了不同的局部区域分割方式对描述子表达能力的影响，在图像匹配和多视角下的物体识别应用中验证了该描述子的有效性。为提高SIFT描述子在大范围光度变化中的不变性，提出了一种结合颜色和形状特征的彩色描述子，利用微分操作提取基本图像特征。在Opponent颜色模型中增加Red-Cyan通道，使用基于局部颜色梯度的权值来描述颜色特征，并与SIFT描述子联接形成最终的局部特征描述。在图像匹配实验中获得了优异的效果。2、探索了利用哈希函数快速生成二进制特征描述的方法。使用自学习算法，从训练数据集的二进制标签中学习得到用于二值化映射的哈希函数。将数据点在空间内的分布看作超球体。利用超切面提取是哈希函数将SIFT特征编码为二进制特征。提出归一化距离相似性，将汉明距离和欧式距离归一化为同一尺度空间，通过判断其相似性，保证最终二进制编码的性能。在学习哈希函数时，引入Boosting机制加强二进制编码的局部敏感性。3、探索使用多个局部特征点构成的空间关系验证图像间的几何一致性；提出利用图像的显著分级机制，提高图像匹配和检索的准确性；通过局部邻域内匹配特征对的数量定义局部邻域约束条件，并以此建立局部区域间的匹配准测，并在图像检索应用中验证了上述算法的有效性。4、提出了一种基于颜色空间及能量刷新机制的图像缩放算法；提出在传统的生物启发显著图模型上增加局部能量通道获取显著图，结合最大熵分割算法，自适应提取显著目标。在移动图像检索应用中，探索通过球哈希算法编码局部特征点，利用显著区域匹配得分和图像纹理特征作为联合加权系数，获得了优秀的检索效果。研究项目能按照原定计划进行，通过本项目的研究，已经发表SCI期刊论文4篇，发表EI检索论文6篇，国际会议论文2篇。新申请国家专利4项。此外，获得后续资助的项目有：吉林省自然科学基金1项及吉林省青年科研基金1项。