一種基于顯著性區域檢測的特征匹配算法

康 璐，趙汝進，任國強，洪裕珍

（1.中國科學院光電技術研究所 四川 成都610209；2.中國科學院大學 北京100149）

一種基于顯著性區域檢測的特征匹配算法

康 璐1，2，趙汝進1，任國強1，洪裕珍1，2

（1.中國科學院光電技術研究所 四川 成都610209；2.中國科學院大學 北京100149）

針對傳統特征匹配算法在實際的應用中存在搜索范圍廣、無關特征點多等問題，提出一種基于顯著性區域檢測特征匹配方法。首先利用顯著性區域檢測算法濾除圖像中的背景，獲取圖像顯著性區域；在此基礎上利用SURF（Speed-up robust features，SURF）算法在顯著區域內進行特征匹配；最后利用RANSAC（Random Sample Consensus，RANSAC）算法剔除誤匹配，以匹配準確性。仿真驗證試驗中，圖像特征匹配準確度平均提高7%左右，試驗結果表明：基于顯著性區域檢測的特征匹配算法，能有效地降低圖像背景對圖像匹配的干擾，提高匹配的精度。

圖像匹配；顯著性區域檢測；加速魯棒特征；RANSAC

上世紀70年代，Moravec提出基于圖像灰度自相關函數的特征點檢測算子。針對Moravec算子對圖像旋轉等因素非常敏感的問題，Harris等人在Moravec基礎上提出了對灰度和旋轉具有較好適應性的Harris算子。然而Harris算子對噪聲較為敏感，1997年，Smith等人提出具有較強的抗噪性能的基于灰度的特征點獲取方法。2004年，Lowe提出了對尺度變換、旋轉以及仿射變換具有不變性的特征描述算法---SIFT（Scale-invariant Feature Transform）。后來，在Lowe的工作的基礎之上，研究者們圍繞SIFT做了大量的應用優化改進研究。如Ke等人提出的PCA-SIFT算法，對特征描述子進行降維處理，以解決 SIFT算法計算量大的問題。Bay提出的SURF特征匹配算法利用積分圖像和快速Hessian檢測算子，降低算法復雜度[1-2]。近年來不少學者在檢測算子、圖像匹配等領域做了很多的工作[3-7]。在應用方面，尹春霞等人將SIFT算法與顯著圖相結合，加快了匹配速度，并能獲得更高的穩定性[8]。李文鳳等人結合SIFT算法和顯著性區域檢測算法提高了SIFT算法的實時性[9]。本文提出一種基于顯著性區域檢測的特征匹配算法，該方法結合SURF特征匹配算法和頻率調諧的顯著性區域檢測方法。實驗結果表明，改進后的算法能更好的避免圖像背景帶來的匹配干擾，能有效的提高匹配精度。

1 顯著性區域檢測

一幅圖像在頻率域可以分為低頻部分和高頻部分。其中，低頻部分主要反映了圖像的輪廓，基本的組成區域。而高頻部分主要反映了圖像的細節信息，如紋理等。在顯著區域檢測中表示所需的最低頻率，表示所需的最高頻率。論文[10]中介紹了一種組合DoG濾波器來獲取和的信息。其中單個DoG是一個簡單的帶通濾波器：

為了獲得合適的帶寬，Achanta將σ1和σ2的比率設置為ρ=1/1.6。組合DoG濾波器Fn的表達式如下：

當n＞0時，Fn可以簡化為兩個高斯函數的差，此時組合濾波器的寬度由K=ρn決定。

在實際的運算過程中，為了使K盡可能的大，可以設置n→∞。此時G（x，y，ρnσ）就是對整個圖像的平均，像素pix的顯著性計算公式為：

其中，Ien為圖像的平均特征，Iwk（pix）為像素pix在高斯平滑后的圖像的CIELAB顏色特征?！ぁ瑸榉稊担@著圖即為Ien和Iwh（pix）在CIELAB顏色空間的歐式距離。

2 SURF算法

2.1 特征點檢測

為了加速計算過程，Bay使用盒濾波器近似高斯濾波器，然后通過盒濾波器和積分圖像獲得Hessian矩陣的行列式，最后利用非極大值抑制的方法獲得特征點。

對于一幅圖像中的一點X=（x，y）尺度為σ的Hessian矩陣H（X，σ）定義為:

對于Hessian行列式的近似，Bay用近似后的不同的盒濾波器分別和圖像進行卷積的結果 Dxx，Dxy和Dyy來近似Lxx，Lxy和Lyy，這樣H（X，σ）的行列式的近似表達式可以表示為：

圖1為盒濾波器近似高斯濾波器的示意圖，該圖表明盒濾波器的權值在一塊連續區域內是相同的，即在計算濾波器與圖像的卷積時就等價為計算原圖像在該點處的積分圖像，而根據積分圖像的快速算法，此過程只需進行簡單的查表操作，然后進行加減運算即可。如此在保證計算精度的情況下又能的簡化計算過程，進而降低計算量。

圖像I在X=（x，y）T處的積分圖像IΣ（X）[11]定義為:

圖1 高斯濾波器的近似過程

2.2 SURF特征描述

SURF特征匹配算法通過計算積分圖像的一階Harr小波響應，得到灰度分布信息以創建特征點的描述向量。下面是獲得SURF描述子的兩個主要步驟：

1）確定主方向：Harr小波系數是以每一個以特征點為圓心、半徑為6 s（s為特征點對應的尺度）的鄰域中的點計算得到的。然后將60°范圍內的Harr小波響應值累加形成新的矢量，在整個區域內，選擇最長矢量的方向作為主方向。

2）生成特征矢量：將坐標軸旋轉到主方向以確保最后的描述向量具有旋轉不變性。同時按主方向選取邊長為20 s的方形區域，并均勻的劃分為4×4的共16個子區域，在每個子區域內計算5 s×5 s范圍內的Harr小波響應，其中和分別表示水平和豎直方向上的Harr小波響應。每一個子區域可以使用向量來描述，其中

這樣，每一個特征點就形成了一個64維的描述向量。

3 RANSAC算法原理

在一組樣本數據集中可以將樣本數據分為兩類，一類是正確數據（inliers，可以被模型描述的數據），另一類是異常數據（outliers，無法適應數學模型的數據）， 即樣本數據中存在有噪聲數據。 而RANSAC算法[12-13]是基于一組包含異常數據的樣本數據集，通過一定的迭代方式估計數學模型的參數，得到有效樣本數據的算法。RANSAC算法由Fischler M A在1981年首次提出，該算法先選擇一個小的數據點子集，然后對其進行擬合，記錄可以匹配到擬合物體上的點。繼續這個過程直到以較大的概率找到想要找的結構[14]。

圖像匹配的目的是在第二幅圖像中找到與第一幅圖像對應的特征點。文中通過利用RANSAC算法估計一個能反映兩幅待匹配圖像的特征點之間對應關系的模型F。模型F滿足表達式：

亦可記為X1=F·X。其中X1和X表示一組匹配點對，F稱為變換矩陣。

RANSAC估計模型F的具體步驟：

1）在n個候選點對中任意地取4個點對建立方程組，可解出變換矩陣F中的8個未知參數；

2）計算其余n-4個特征點經過變換矩陣F處理后，與它們對應的匹配點之間的距離distance。其中；

3）設定一個閾值，若distance小于此閾值，則標記該點為內點，否則標記為外點；

4）統計在此次估計中內點和外點的數量，并記內點集合為Ai（i=1，2，3，4，...，k；其中k為重復次數）；

5）再另外選擇4對待匹配點對，執行步驟（1）～（4），重復k次后，選擇內點最多的集合Ai作為最佳的內點集合，同時對應的變換矩陣Fi是最佳的估計模型。

據以上步驟得到兩幅待匹配圖像的坐標對應關系F，同時也能有效的剔除誤匹配或者大誤差匹配點對。

4 算法實驗

4.1 算法流程

為了降低圖像背景對圖像整體匹配質量的影響，文中將上述顯著性區域檢測方法應用在SURF特征匹配算法中，最后使用RANSAC算法剔除誤匹配點，最后的實驗結果表明，本方法有效的提高了圖像匹配質量。流程如下：

圖2 算法流程

文中的算法在利用SURF特征匹配算法進行特征點檢測之前對圖像進行顯著性處理，濾除大部分的背景圖像。在此基礎之上，充分吸收了SURF算法的優勢完成對特征點的檢測、描述和匹配的 ，最后通過RANSAC算法剔除誤匹配。

4.2 結果分析

本實驗是在ubuntu 14.04.01 SMP操作系統下完成的。使用軟件為g++、opencv2.4.10。

圖3 改進前后特征點的分布和匹配結果對比

如圖3左圖所示，改進前在整幅圖像中檢測到大量的特征點，其中背景中的特征點占整幅圖像特征點的一半以上，這會嚴重影響圖像匹配質量。改進之后，特征點聚集在目標物體之上，能夠最大限度的降低背景區域對目標區域的匹配干擾。

圖3右圖為上面三幅圖像在進行顯著性區域檢測之前的匹配結果，右圖下三幅圖像是進行顯著性區域檢測后的匹配結果。由此表明，改進前，圖像背景中的特征點當中產生的匹配對匹配質量造成了相當大的影響，并且其中還存在大量的錯誤匹配，比如背景中的特征點與目標區域的特征點匹配，這樣會對整個匹配結果造成很大影響。

表1 改進前后檢測到的特征點數量

表1表明，改進后比改進前檢測到的特征點少了許多。雖然如此，但改進后檢測到的特征點幾乎都落在目標區域，即改進后檢測到的特征點相比于改進前檢測到的特征點有更高的質量，更能反映目標的真實信息。

表2是對原圖像和經過顯著性處理后的圖像進行匹配后，由RANSAC算法處理前后的匹配點對數對比，進一步說明經過顯著性處理后匹配的精度比改進前平均提高了大約7%。其中，兩個主要因素導致改進后house圖像組的剔除的誤匹配點對數較多，一是圖像中草地跟灌木叢相似度較高，另外一個因素是房子在湖面中的倒影和房子本身的相似度很高。

表2 RANSAC算法剔除誤匹配對比

5 結 論

關于匹配算法的改進研究，不少研究者根據不同的應用環境提出過不同的改進方案，令其適用于不同的應用環境，這也將是計算機視覺相關算法的一個發展方向。文中就是針對傳統算法在特征點檢測過程中存在的應用問題，引入顯著性區域檢測算法，優化傳統算法的特征點檢測步驟。最后通過實驗證明這種改進的方法是可行的。

[1]H Bay，T Tuytelaars，L Gool.Surf:Speeded up robust features.1:404-417[C]//Proc.of ECCV.2013.

[2]Panchal P M，Panchal S R，Shah S K.A Comparison of sift and surf[J].International Journal of Innovative Research in Computer&Communication Engineering，2013，1（2）:323-327.

[3]王啟春，郭廣禮，查劍鋒，等.基于圖像灰度點特征提取算子的比較研究及改進[J].大地測量與地球動力學，2012，32（2）:148-154.

[4]曾琦，劉瀏，李建勛.Image registration method based on improved Harris corner detector[J].Chinese Optics Letters，2010，8（6）:573-576.

[5]Zhang J，Chen Q，Sun Q，et al.A highly repeatable feature detector:improved Harris-Laplace[J]. Multimedia Tools&Applications，2011，52（1）: 175-186.

[6]Zhu G，Wang Q，Yuan Y，et al.SIFT on manifold:An intrinsic description[J].Neurocomputing，2013，113（7）:227-233.

[7]Y U Li-Li，Dai Q.Improved SIFT feature matching algorithm[J].Computer Engineering，2011，37（2）: 210-212.

[8]尹春霞，徐德，李成榮，等.基于顯著圖的SIFT特征檢測與匹配[J].計算機工程，2012，38（16）:189-91.

[9]李文鳳，胡玉蘭.基于圖像顯著區域檢測的SIFT特征匹配方法研究[J].微型機與應用，2015（6）:59-61.

[10]Zhang Y，Lan Y，Ren H，et al.Robust Frequency-tuned Salient Region Detection[J].International Journal of Digital Content Technology&Its Applications，2012，6（20）:361-369.

[11]新浪博客.積分圖像與積分直方圖[EB/OL].（2012-12-26）[2016-05-04].http://blog.sina.com.cn/s/blog_4cb0b54301017wwo.html.

[12]Derpanis K G.Overview of the RANSAC Algorithm[J].York University，2010,78（1）:138-156.

[13]（美）福賽斯（Forsyth，D.A.），（美）泊斯（Ponce，等.計算機視覺[M].北京：電子工業出版社，2012.

[14]王新龍.基于顯著性的圖像分割技術研究[D].西安：西安電子科技大學，2014.

The improvement on speeded up robust features for images matching based on salient region detection

KANG Lu1，2，ZHAO Ru-jin1，REN Guo-qiang1，HONG Yu-zhen1，2
（1.Institute of Optics and Electronics of Chinese Academy of Sciences，Chengdu 610209，China；2.University of Chinese Academy of Sciences，Beijing 100149，China）

In practice，many matching algorithmshave some problems that the searching range is very big and have many irrelevant feature points.This paper proposes a new algorithm which based on salient region detection to focus on those problems.At first，the new algorithm delete the background of image using the algorithm of salient region detection，and got the region of saliency.Then the paper computed the SURF features and matched it，usedRANSAC algorithms to remove the false pairs to improve the accuracy，finally.In the simulation experiments，the accuracy of matching had improve about 7%.From the experimental results，the new algorithm can reduce the interference of background for matching，and are more stable and more accurate for matching.

images matching；salient region detection；SURF；RANSAC

TN911.73

：A

：1674-6236（2017）02-0136-04

2016-04-25稿件編號：201604245

國家自然科學基金（61501429）；中科院青年創新促進會（2016335）

康 璐（1991—），男，四川安岳人，碩士研究生。研究方向:數字圖像處理。