織物紋樣特征提取與匹配方法比較

汪 會， 孫 潔， 丁笑君,2， 龍 穎， 鄒奉元,2,3

(1. 浙江理工大學 服裝學院， 浙江 杭州 310018； 2. 浙江理工大學 浙江省服裝工程技術研究中心， 浙江 杭州 310018； 3. 浙江省服裝個性化定制協(xié)同創(chuàng)新中心， 浙江 杭州 310018)

計算機圖像識別與匹配技術應用于服飾紋樣的分類、識別與快速調(diào)用[1-2]，為服飾紋樣的數(shù)字化設計提供了有效途徑。織物紋樣識別的關鍵是尋找合適、有效的特征用于識別[3]。國內(nèi)外學者提出了多種用于圖像識別的特征描述方法:曹霞等[4]在進行蕾絲花邊層次匹配檢索時，應用快速魯棒性尺度不變特征(SURF)作為第3層次的匹配依據(jù);路凱等[5]應用視覺詞袋模型進行羊絨羊毛纖維的鑒別時，將尺度不變特征變換(SIFT)關鍵點轉(zhuǎn)換為視覺單詞表示纖維特征;丁笑君等[6]用SIFT算法獲得畬族服裝樣圖關鍵點分布，得到不同類別畬族服裝的關鍵設計區(qū)域和排序；陳金廣等[7]討論了旋轉(zhuǎn)、尺度和噪聲變化下紋樣匹配方法發(fā)現(xiàn)，SIFT與SURF算法具有較好的適應性。

雖然，以SIFT與SURF為代表的局部描述子在織物圖像識別檢索中有較好的適用性，但在復雜圖像配準過程中，有效的局部特征點抓取數(shù)量存在不足，且準確匹配率不高，因而復雜織物圖像的特征提取與匹配問題仍存在挑戰(zhàn)[3]。與上述特征提取方法不同，基于二值特征的特征描述子具有匹配速度快，存儲要求內(nèi)存低等特點，在復雜圖像特征提取與匹配問題中更具優(yōu)勢。

本文將二進制魯棒不變可擴展關鍵點(BRISK)算法和隨機抽樣一致(RANSAC)算法引入織物紋樣特征提取與匹配問題中，討論尺度、旋轉(zhuǎn)、模糊、光照、褶皺5個變化因素下織物紋樣圖像特征提取與匹配方法。從特征點數(shù)量、準確匹配率及匹配時間3個方面，將BRISK與SIFT、SURF算法進行比較分析，為復雜織物紋樣的自動識別提供參考。

1 實驗與圖像預處理

1.1 圖像采集

江崖海水紋是具有代表性的中國傳統(tǒng)紋樣之一，多為對稱式獨立紋樣，紋樣構圖復雜，元素形態(tài)多樣[8]。本文通過數(shù)碼印花的方式獲取30 cm×20 cm 的滌綸厚緞江崖海水紋面料。為探討尺度、旋轉(zhuǎn)、模糊、光照、褶皺5個因素下紋樣匹配差異，實驗過程中排除了外界不確定光源對其他因素的干擾，選取DiGiEye數(shù)字測色儀和VIZOO X-Tex型三維面料掃描儀采集圖像。其中DiGiEye數(shù)字測色儀的相機型號為Nikon D90，兩側(cè)有D65光源，系統(tǒng)頂部為凹凸弧面漫反射光，可使面料均勻受光。同時，因DiGiEye漫反射均勻光照射時面料褶皺立體感不明顯，故選用VIZOO X-Tex型三維面料掃描儀獲取褶皺狀態(tài)下面料圖像。

江崖海水紋獲取流程如圖1所示，可得到基準及尺度、旋轉(zhuǎn)、模糊、光照、褶皺5種變化的圖像。每種圖像以1∶4的比例依次縮小，可獲得3種尺度變化圖像；以30°為間隔順時針旋轉(zhuǎn)，得到6種旋轉(zhuǎn)變化圖像；通過在D65光源上遮擋不同透光程度的材料，拍攝得到4種光照強度的圖像；通過調(diào)節(jié)相機焦距，獲得4種模糊處理的圖像；在面料下方放置不同高度形狀的支撐物得到4種褶皺效果圖像。

圖1 江崖海水紋獲取流程Fig.1 Process of obtaining jiangya sea water patterns

圖2示出3例江崖海水紋原圖。本文實驗選擇3例經(jīng)典江崖海水紋進行上述的圖像變換，獲得 5個變化因素下人物紋樣圖像。

圖2 3例江崖海水紋原圖Fig.2 Original image of 3 kinds of jiangya sea water patterns

1.2 數(shù)據(jù)分析平臺

實驗平臺采用Visual Studio 2017搭建OpenCV 2.4.9 計算機視覺庫，電腦操作系統(tǒng)為Windows 10，CPU為Inter(R) HD Graphics 4600，顯存為2 GB。

1.3 圖像預處理

本文圖像處理部分以1#為例，在保留圖像有效信息的前提下，為提高圖像處理速度，將采集圖像的分辨率統(tǒng)一為300像素，并轉(zhuǎn)化為灰度圖像，如圖3 (a) 所示。此外，由于面料圖像在紗線間隙處顏色偏暗、柱狀紗線上顏色較亮易產(chǎn)生脈沖噪聲[9]，如圖3 (b)所示。采用中值濾波進行預處理。過程為

g(x,y)=med{f(x-k,y-l),(k,l∈W)}

(1)

式中：f(x,y)、g(x,y)分別為原始圖像和處理后圖像；(x,y)為像素坐標；W為窗口大小，實驗中采用3×3的窗口，經(jīng)中值濾波后獲得的圖像見圖3 (c)。

圖3 圖像預處理Fig.3 Image preprocessing. (a) Grayscale processing; (b) Image noise; (c) Median filtering preprocessing

2 面料圖像的特征提取與匹配

本文針對服飾紋樣尺度、旋轉(zhuǎn)和褶皺等形變狀態(tài)下紋樣與原始紋樣的精確匹配問題展開討論，提出BRISK算法用于復雜紋樣的特征提取，并與常用在服飾紋樣特征提取中的SIFT、SURF算法對比，最后通過歐氏距離匹配和RANSAC算法剔除錯誤匹配對，討論3種算法對復雜織物圖像特征提取與匹配的有效性。

2.1 圖像特征提取

2.1.1 BRISK特征提取

BRISK算法提取特征過程中，首先采用 FSAT9-16 型角點檢測器在連續(xù)尺度空間里找到的穩(wěn)點極值點作為江崖海水紋樣的特征點。采用自定義的鄰域采樣模式，將采樣點進行兩兩組合，獲得采樣點對Ω，采用歐氏距離定義短距采樣點對集S和長距采樣點對集P如下：

S={(pi,pj)∈Ω|‖pi-pj‖<δmax}?Ω

(2)

P={(pi,pj)∈Ω|‖pi-pj‖>δmin}?Ω

(3)

式中，δ為尺度。

令L為長距采樣點對集P的元素個數(shù)，g(pi,pj)為點對(pi,pj)的局部梯度集合，角點的特征方向定義為

(4)

2.1.2 SIFT特征提取

SIFT特征描述算子具有尺度縮放、亮度、仿射變換保持不變的特性[5-6]。首先以圖像建立高斯金字塔；然后利用高斯插分函數(shù)檢測局部極值點，經(jīng)過非極大值抑制去除低對比度的點，初步確定興趣點；然后通過Hessian矩陣去除低對比度和不穩(wěn)定的邊緣的響應點，增強匹配穩(wěn)定性；根據(jù)篩選出每個關鍵點鄰域內(nèi)的梯度方向，為其分配梯度方向和梯度模；最后組合成128維向量進行圖像特征表達。

2.1.3 SURF特征提取

SURF算法確定特征點的過程中，先采用Hessian矩陣確定候選點，運用非極大抑制法和插值運算尋找和定位關鍵點[4]，選取關鍵點的主方向是采用harr小波特征，以關鍵點為中心的鄰域內(nèi)統(tǒng)計其鄰域像素。在關鍵點周圍取一個邊長為2s(s為所檢測特征點尺度)的正方形框，將該框分為16個子區(qū)域，每個子區(qū)域統(tǒng)計25 像素的水平方向和垂直方向的4個harr小波特征，最后在每個子區(qū)域中生成特征點的64維特征描述子進行圖像特征表達。

2.2 特征點匹配與篩選

本文在特征提取后，采用歐氏距離進行匹配計算。關鍵點對的特征描述符由2個n維向量a(xi1,xi2,…，xin)與b(xj1,xj2,…,xjn)表示，其歐氏距離的計算公式為

(5)

式中，n為特征點描述符的維數(shù)。然后計算最小歐氏距離d1和次小歐氏距離d2的比值k，當k小于比例閾值k0時，則認為匹配成立[10]。

初步匹配后，仍存在大量的錯誤匹配情況。尺度縮放時SIFT算法的錯誤匹配如圖4所示。圖中右側(cè)部分為進行尺度縮放比為1∶4的SIFT特征提取匹配時出現(xiàn)的錯誤匹配。描述子僅描述特征點局部信息，故在復雜且伴有重復紋理的紋樣匹配時，易出現(xiàn)匹配錯誤。

圖4 尺度縮放時SIFT算法的錯誤匹配Fig.4 SIFT algorithm false match in scale zooming

初步匹配后，采用RANSAC算法剔除錯誤匹配對[11]。RANSAC算法能魯棒地估計模型參數(shù)，常用于濾除圖像匹配中的錯誤匹配。該算法通過選取內(nèi)點數(shù)量最多、誤差最小的變換矩陣參數(shù)作為匹配圖像之間的投影變換矩陣，從而剔除錯誤匹配對。

特征提取與匹配算法的匹配準確率越高，則算法魯棒性越強。準確匹配率計算公式為

(6)

式中：M2為經(jīng)過歐氏距離匹配后的準確匹配數(shù)；M1為RANSAC過濾的準確匹配數(shù)。經(jīng)RANSAC剔除錯誤配對后的特征匹配效果提升明顯，如圖5所示。

圖5 原圖與模糊圖像匹配效果Fig.5 Matching effect of original image and fuzzy image.(a) BRISK algorithm matching; (b) BRISK/RANSAC algorithms matching

3 結(jié)果與分析

3.1 閾值選取與分析

為獲取合理匹配閾值k0，綜合比較了不同閾值下的準確匹配數(shù)與準確匹配率。在匹配實驗中，以4種褶皺變化為例，當k0取0.1、0.2時，無法獲得匹配點；因此，k0依次取值為0.3、0.4、0.5、0.6、0.7、0.8、0.9。7個水平下褶皺變化的平均匹配數(shù)據(jù)如表1 所示?？梢姡築RISK算法提取特征點數(shù)多于SIFT、SURF算法；隨著閾值k0增大，3種算法所有匹配數(shù)和準確匹配數(shù)都呈上升趨勢；當k0≤0.5時，3種算法的準確匹配率均較高，但配對數(shù)及準確匹配數(shù)值較低，特別是BRISK算法中有大量特征點但沒有成功匹配，說明設定的比例閾值k0≤0.5時，有大量的匹配點對被排除在外，對特征圖像特征表達存在不足；當k0≥0.6時，準確匹配率隨k0的增大而減小，且隨著k0的增大，BRISK算法獲取的準確匹配數(shù)增加幅度明顯大于SIFT、SURF算法。綜合考慮3種算法的合理閾值選取，最終采用閾值k0為0.6進行匹配比較實驗。

表1 褶皺狀態(tài)下不同比例閾值的平均匹配結(jié)果對比Tab.1 Comparison of matching results of different ratio thresholds at drape state

3.2 匹配結(jié)果分析

表2對比了3種算法綜合3例江崖海水紋在閾值k0=0.6時的平均匹配效果?？芍?，BRISK算法對每一類變換的準確匹配率均最高，在旋轉(zhuǎn)變換匹配實驗中，3種算法的匹配率都達到80%以上，SIFT、SURF、BRISK算法的平均準確匹配率分別為82.60%、81.38%、87.10%。在光照強度變換時，BRISK算法對光變化不敏感，準確匹配率較高且穩(wěn)定。在褶皺變換匹配實驗中，因特征點位置發(fā)生變化，匹配點對間的最小歐氏距離和次小歐氏距離的比值k變動較大，導致很多特征點對不符合篩選條件。故雖然BRISK算法匹配率最優(yōu)，但3種算法的平均準確匹配率均未達到70%。

表2 3種算法準確匹配率比較Tab.2 Comparison of matching accuracy of three algorithms

表3示出5種變化下不同算法對江崖海水紋樣的平均匹配時間對比結(jié)果?？梢姡珺RISK算法計算速度明顯優(yōu)于SURF和SIFT，BRISK的平均匹配時間為0.551 s，SIFT和SURF算法的平均匹配時間分別為1.336、1.435 s。

表3 5種變化下不同算法的匹配時間比較Tab.3 Comparison of matching time of different algorithms under five kinds of changes s

3.3 多樣本匹配結(jié)果比較

為進一步驗證BRISK算法在織物紋樣特征提取與匹配問題中的適用性，本文選擇了2例織物紋樣為樣本進行比較分析，織物紋樣原圖如圖6所示。

圖6 織物紋樣Fig.6 Fabric patterns.(a)Pattern A;(b)Pattern B

采用相同的樣本采集方法獲取織物紋樣的基準、尺度、旋轉(zhuǎn)、模糊、光照、褶皺圖像共44幅，進行基準與變化織物紋樣的匹配實驗，取k0=0.6，每類別的平均準確匹配率實驗結(jié)果如表4所示。可見：BRISK算法的平均準確匹配率明顯優(yōu)于SURF和SIFT算法；織物紋樣A和B在旋轉(zhuǎn)、模糊和光照變化狀態(tài)下，BRISK算法均高于80%，其中光照變化下平均準確區(qū)配率高于95%；在尺度、褶皺變化狀態(tài)下，BRISK算法相較于SURF和SIFT算法優(yōu)勢明顯。在A和B這2例織物紋樣的5類變化匹配實驗中，BRISK算法的平均準確匹配率均可保持在70%以上，所有實驗的平均準確匹配率為86.3%。可見，BRISK算法在復雜織物紋樣的特征提取與匹配中具有較好的適用性。

表4 5種變化下織物紋樣A、B的平均準確匹配率Tab.4 Average correct matching rate of fabric patterns A and B under five variations %

4 結(jié) 論

針對復雜服飾紋樣的特征提取與匹配問題，本文提出了二進制魯棒不變可擴展關鍵點(BRISK)算法結(jié)合隨機抽樣一致(RANSAC)算法進行服飾紋樣特征提取與匹配，通過構建連續(xù)的尺度空間，利用FAST9-16型角點檢測器快速找到服飾紋樣的穩(wěn)定極值點作為特征點，并依賴可配置的圓形采樣模式獲得匹配結(jié)果，最終得到二進制BRISK描述子并進行圖像特征表達。該方法有效解決了因織物圖像旋轉(zhuǎn)、模糊、光照、尺度、褶皺引起的匹配差異，且匹配速度更快，占用內(nèi)存越小。通過實驗證明了該方法在圖像的準確匹配數(shù)及準確匹配率以及運算時間上均優(yōu)于尺度不變特征變換(SIFT)、快速魯棒性尺度不變特征(SURF)算法。在后續(xù)研究中將進一步將該方法運用于復雜服飾圖案的識別與檢索中。