曲線特征匹配技術研究現狀及展望

智珊珊，薛 瑞

（河南機電職業學院，河南 鄭州 451100）

曲線特征匹配技術研究現狀及展望

智珊珊，薛 瑞

（河南機電職業學院，河南 鄭州 451100）

曲線匹配在模式識別、計算機視覺和圖像理解中具有重要的作用。近年來，基于特征的曲線匹配算法越來越多，主要分為基于輪廓線的匹配技術和基于紋理特征的曲線匹配技術，如Freeman鏈碼、B樣條、微分幾何特征、傅里葉變換、SIFT特征、MSCD特征等。然而，相關的曲線匹配綜述卻幾乎沒有，為此，文章對近年來的主要研究進行歸納和分析，從曲線匹配的重要性、分類、優缺點等方面進行闡述，并對基于特征的曲線匹配技術的研究難點和未來趨勢進行了展望。

曲線匹配；特征匹配；描述子

1 曲線匹配技術研究現狀

曲線匹配是模式識別、計算機視覺和圖像理解中的一個重要問題，在物體檢測和識別、圖像配準和視覺導航等領域有廣泛的應用。目前，已有的曲線匹配算法可歸納為基于輪廓線的匹配方法[1-4]和基于紋理特性的曲線匹配方法[5-11]。

1.1 基于輪廓線的匹配方法

早期匹配技術主要集中在利用曲線自身輪廓線進行匹配，對曲線形狀敏感。輪廓線雖包含的信息量少，但大量的關鍵信息包含其中，并且數據量的銳減有利于實現計算機的實時性處理。常見的表示方法有很多種，如：B樣條、Freeman鏈碼、多項式、多邊形以及傅里葉變換等。靳秋霞等[1]根據Freeman鏈碼在拐角點附近的變化判斷標準拐角點，進而利用拐角點的曲率序列實現曲線匹配。由于多邊形局部特征符合線性關系，房然然等[2]通過多邊形線段逐漸逼近曲線，從而將曲線匹配問題轉化為頂點匹配問題。該方法主要依據多邊形的長度（角度）排序進行匹配，未考慮曲線的幾何信息。B樣條因具有仿射不變性和良好的局部控制性，成為一種有效的曲線表示方法，尤其在3D重建和模式識別中有廣泛應用，張海朝等[3]提出用B樣條表示曲線，然后計算曲率和撓率等特征點集，最后通過上述特征點來實現匹配。上述算法均需要計算和獲取局部關鍵點（角點、拐點等），然而局部關鍵點的獲取和計算進一步影響了算法的復雜性。

另一種基于輪廓線的匹配方法是傅里葉變換[4]。其利用曲線的整體特征來實現匹配，首先將曲線從時間域轉換到頻譜域，然后取出變換系數作為曲線的特征量，最后通過比較曲線特征矢量實現匹配。該方法不考慮曲線上點與點之間的對應問題，而是通過曲線的互功率譜與相似參數完成匹配，方法簡單有效但對曲線的旋轉敏感。

1.2 基于紋理特性的曲線匹配方法

盡管基于輪廓線的匹配研究有許多，但算法集中在利用曲線自身形狀進行匹配上，對曲線形狀非常敏感。為減少對曲線自身形狀的依賴性，研究者提出基于紋理特性的曲線匹配方法，該方法采用曲線周圍鄰域內的紋理信息來構造特征描述向量，然后通過計算特征向量的相似性實現曲線的匹配。Wang等[5]在尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）梯度直方圖思想的基礎上，提出了均值標準差直線描述子(Mean-Standard Deviation Line Descriptor，MSLD)，并將其推廣用于曲線匹配中，構建了均值標準差曲線描述子（Mean-Standard Deviation Curve Descriptor，MSCD），步驟如下：（1）首先，計算曲線上每個特征點的局部梯度方向，依據此方向確定該點的支撐區域。（2）然后，將該支撐區域依據局部梯度方向等分成9個5×5大小的子區域。（3）分別計算每個子區域所有樣本點的均值向量和標準差向量，構建成一個72維的描述子。該算法成功地解決不同長度曲線的統一描述問題，獲得較好的匹配效果，是近年來最具代表性的曲線紋理描述子。

在MSCD描述子的基礎上，Wang等[6]提出了一種基于Harris-Moment的曲線描述子（Harris Moment Curve Descriptor，HMCD）；Wu等[7]進一步提出用圖像特征向量場來構造直線曲線描述子，通過計算描述子之間的距離進行匹配；Liu等[8]提出一種將點描述子擴展到直線、曲線以及區域匹配中的框架。這類基于MSCD描述子構建思想的匹配算法[5-8]雖然獲得了較好的匹配效果，但需要依賴局部主方向實現旋轉不變性，而且在視角變化下，圖像形變會使區域形狀發生扭曲，該類方法中采用的固定形狀的子區域劃分會產生邊界誤差，進而導致描述子匹配能力下降。

為克服固定形狀劃分帶來的邊界誤差，王志衡等[9]將亮度序列引入到曲線描述子構建中，提出基于亮度序的均值標準差描述子（Intensity Order Mean-Standard Deviation Descriptor，IOMSD），該算法在MSCD描述子的基礎上改進了子區域的劃分方法，采用一種新穎的劃分方法：按照曲線支撐區域內所有像素點的亮度排序（非降序）劃分子區域。亮度排序不僅對單調光照具有不變性，還能處理更復雜的光照變化。Liu等[10]進一步提出曲線匹配描述子（Intensity Order Curve Descriptor，IOCD），該算法依據全局亮度序列和局部亮度序列構建特征點描述子：首先給出一種不依賴主方向的曲線支撐區域確定方法，然后依據區域內各點的亮度大小關系劃分子區域，最后通過樣本點周圍的亮度序映射表征該點。IOCD的優勢在于：(1)該描述子具有完全的旋轉不變性；(2)能夠克服圖像形變帶來的邊界誤差，在形變穩定性上遠優于固定位置的劃分方法；(3)該描述子不僅對單調光照變化也具有不變性，而且具有處理復雜光照變化的能力。Zhi等[11]將新穎的局部三元模型運用于曲線特征描述子的構建中，提出了三元語境直方圖描述子(Ternary Contextualized Histogram Pattern，TCHP)，獲得了較好的匹配效果。

2 曲線匹配的未來趨勢及技術難點

近年來，基于紋理特性的IOCD因其性能好、對形變、光照魯棒等優勢被越來越多地采用，成為曲線匹配技術的趨勢。該方法可以減少對曲線形狀的依賴性，主要采用基于鄰域內紋理信息構造特征描述向量的基本思路進行特征匹配：首先確定特征曲線的支撐區域并將其劃分為若干子區域，然后統計各子區域不變特征來構造匹配描述子，最后通過最近鄰距離比率（Nearest-Neighbor Distance Ratio，NNDR）準則來計算匹配描述子之間的相似程度。

基于紋理特性的曲線匹配方法的技術難點有兩方面：（1）曲線支撐區域的確定及子區域的劃分。常見的曲線支撐區域確定方法有矩形法、圓型法等，子區域劃分方法有基于固定形狀大小的子區域劃分、基于亮度排序的子區域劃分等。（2）各子區域特征的選取。特征選取采用較多的有梯度特征、顏色特征、亮度特征、局部亮度序特征等。

3 結語

本文總結和歸納了近年來曲線匹配的主要研究，通過對已有算法優缺點的分析，得出曲線匹配技術的未來趨勢，總結出基于內容的IOCD的基本思路以及技術的難點，為今后曲線匹配算法研究奠定基礎。

[1]靳秋霞，張彩霞.基于Freeman鏈碼的二維曲線匹配[J].計算機應用，2015（S1）：247-251.

[2]房然然，黃發忠，辛化梅.二維碎片拼接的局部匹配[J].現代電子技術，2015（9）：54-56.

[3]張海朝，王亞濤，張芳芳.一種高效的三維輪廓曲線匹配算法[J].計算機工程，2011（8）：228-230.

[4]李曉明，趙訓坡，鄭鏈，等.基于Fourier-Mellin變換的圖像配準方法及應用拓展[J].計算機學報，2006（3）：466-472.

[5]WANG Z H，WU F C，HU Z Y.MSLD：A robust descriptor for line matching[J].Pattern Recognition，2009（5）：941-953.

[6]WANG Z H，LIU H M，WU F C.Image content based curvematching using hmcd descriptor[C].Xi'an：Asian Conference on Computer Vision，2009：448-455.

[7]WU F C，WANG Z H，WANG X G.Feature vector field and feature matching[J].Pattern Recogntion，2010（10）：3273-3281.

[8]LIU H M，WANG Z H，DENG C.Extend point descriptors for line，curve and region matching[C].Haifa：Internation Conference on Machine Learing and Cyberbetics，2010：214-219.

[9]王志衡，智珊珊，劉紅敏.基于亮度序的均值標準差描述子[J].模式識別與人工智能，2013（4）：409-416.

[10]LIU H M，ZHI S S，WANG Z H.IOCD：intensity order curve descriptor[J].International Journal of Pattern Recognition and Artificial Intelligence，2013（27）：145-147.

[11]ZHI S S，LIU H M，WANG Z.Ternary contextualised histogram pattern for curve matching[J].Computer Vision IET，2014（8）：642-649.

Research status and prospect of curve feature matching technology

Zhi Shanshan, Xue Rui
（Henan Mechanical and Electrical Vocational College, Zhengzhou 451100, China）

Curve matching plays an important role in pattern recognition, computer vision and image understanding. In recent years,there are more and more feature-based curve matching algorithms, mainly the matching technology based on contour and the curve matching technology based on texture features such as Freeman chain code, B-spline, differential geometry, Fourier transform, SIFT features, MSCD features, and so on. However, the relevant curve matching review is almost no. Therefore, this paper summarizes and analyses the major researches, and states from the importance, classification, the advantages and disadvantages of curve matching. Finally,the prospect for future research and the technical difficulties of curve matching are also discussed.

curve matching; feature matching; descriptor

智珊珊（1987— ），女，河南洛陽人，助教，碩士；研究方向：計算機視覺，圖像處理。