基于嵌入式系統(tǒng)的特征匹配算法研究及應(yīng)用

山東科技大學(xué)電氣與自動(dòng)化工程學(xué)院 吳 帆 王玲瓏 劉艷萍

基于嵌入式系統(tǒng)的特征匹配算法研究及應(yīng)用

山東科技大學(xué)電氣與自動(dòng)化工程學(xué)院 吳 帆 王玲瓏 劉艷萍

【摘要】傳統(tǒng)數(shù)字圖像處理技術(shù)一般在PC機(jī)上完成和實(shí)現(xiàn)，功耗較大，耗時(shí)費(fèi)力。隨著嵌入式技術(shù)的發(fā)展，ARM、DSP等嵌入式系統(tǒng)芯片漸漸出現(xiàn)在人們的視線中，更向著智能化的方向發(fā)展。利用嵌入式系統(tǒng)進(jìn)行圖像處理不僅節(jié)省了時(shí)間，降低了成本，而且使得圖像處理技術(shù)向著更加小型化、快速化的方向發(fā)展。本文主要針對(duì)如何將圖像特征點(diǎn)匹配算法成功移植到嵌入式系統(tǒng)中這一問(wèn)題展開(kāi)相關(guān)的研究。文章選用SURF算法進(jìn)行研究，為使SURF算法能夠成功移植到DSP中，我們對(duì)SURF算法進(jìn)行了相關(guān)的改進(jìn)，通過(guò)減少并控制特征點(diǎn)檢測(cè)數(shù)量和OpenCV底層數(shù)據(jù)庫(kù)的成功移植，我們得出的優(yōu)化算法能夠成功移植于DM642的軟件環(huán)境中，探索了該算法在嵌入式系統(tǒng)上應(yīng)用的可行性。

【關(guān)鍵詞】SURF算法；DM642；圖像匹配算法；嵌入式移植

0 引言

隨著計(jì)算機(jī)、多媒體技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)也逐漸成為人類(lèi)社會(huì)生活的一部分，其中物體識(shí)別圖像匹配技術(shù)作為圖像處理技術(shù)的關(guān)鍵技術(shù)之一，一直受到人們的廣泛關(guān)注。經(jīng)過(guò)人們的長(zhǎng)期研究，圖像匹配算法已取得了很大的發(fā)展，尤其是1996年由D.Glowe 等人提出的SIFT算法是一種精確度較高、穩(wěn)定性較好的圖像特征點(diǎn)匹配算法［1］。經(jīng)過(guò)對(duì)前人結(jié)果的總結(jié)，2006年由Bay等人提出了一種對(duì)SIFT算法的改進(jìn)算法，即SURF算法，該算法利用積分圖像對(duì)SIFT算法的DoH進(jìn)行了相似性變化，在SITF基礎(chǔ)之上利用Haar小波實(shí)現(xiàn)了算法的平移、旋轉(zhuǎn)不變性，并對(duì)其描述子進(jìn)行分析，實(shí)現(xiàn)了對(duì)描述子的降維，由原來(lái)的128維降到64維［2］，在保證識(shí)別效果的基礎(chǔ)上不僅提高了運(yùn)算速度，而且增強(qiáng)了匹配的精度和穩(wěn)定性，也大大提高了算法的實(shí)時(shí)性。本文以SURF算法為主要研究對(duì)象，對(duì)其能否實(shí)現(xiàn)在DSP芯片上的移植應(yīng)用做了相關(guān)的探索的研究，并通過(guò)對(duì)算法的改進(jìn)成功將其移植到DM642的軟件集成環(huán)境CCS2.2中［3］。

1 SURF算法的研究

圖像匹配主要分為基于區(qū)域的匹配方法和基于特征的匹配方法［4］。

1.1 基于區(qū)域的匹配方法

圖1所示為基于區(qū)域方法的模板匹配結(jié)果圖，由圖可以看出基于區(qū)域的匹配方法是直接利用完整的圖像灰度信息進(jìn)行圖像匹配，這種方法計(jì)算量較大，匹配速度較慢，而且當(dāng)信息量較少時(shí)可能會(huì)出現(xiàn)較大的無(wú)匹配現(xiàn)象，因此不常采用。

圖1 模板匹配結(jié)果圖

圖2 特征點(diǎn)匹配實(shí)驗(yàn)

1.2 基于特征的匹配方法-SURF算法

基于圖像特征的匹配方法能夠充分地結(jié)合圖像灰度等相關(guān)特性，在圖像發(fā)生平移旋轉(zhuǎn)、縮放以及光照影響等現(xiàn)象時(shí)敏感度較低，適應(yīng)性強(qiáng)，而且對(duì)輕微的扭曲或者噪聲均有較好的匹配度。所以目前人們大多數(shù)采用的是基于特征的匹配方法。本文選用現(xiàn)階段相對(duì)來(lái)說(shuō)最高效穩(wěn)定的SURF算法進(jìn)行相關(guān)研究。

SURF算子的生成步驟主要包括以下幾個(gè)步驟：一是構(gòu)建尺度空間檢測(cè)極值點(diǎn)，方法是利用積分圖像。二是特征點(diǎn)的精確定位是利用Hessian矩陣確定待選的點(diǎn)，然后進(jìn)行非極大值的抑制。三是特征點(diǎn)主方向的確定，每個(gè)特征點(diǎn)為使特征具有旋轉(zhuǎn)不變性都需分配一個(gè)主方向，在以6s（s為特征點(diǎn)尺度）為半徑的圓內(nèi)對(duì)圖像進(jìn)行Haar小波運(yùn)算。以特征點(diǎn)為中心，在矩形區(qū)域內(nèi)沿著主方向?qū)D像分為4*4個(gè)子塊，利用Haar小波響應(yīng)計(jì)算得到特征矢量［5］。最后進(jìn)行特征點(diǎn)的匹配。圖2為SURF算法在VS2008環(huán)境下的匹配結(jié)果。

2 SURF算法的移植

2.1 OpenCV算法庫(kù)的移植

因?yàn)槲覀兊腟URF算法是基于OpenCV函數(shù)庫(kù)編寫(xiě)的，所以在嵌入式移植過(guò)程中對(duì)OpenCV底層數(shù)據(jù)庫(kù)的移植也是一項(xiàng)很重要的過(guò)程。

在DSP上使用Opencv能夠輕松的開(kāi)發(fā)出使用的算法，如目標(biāo)跟蹤算法、模式識(shí)別算法等。因此，將Opencv移植到DSP上是一個(gè)具有創(chuàng)新性和實(shí)際應(yīng)用價(jià)值的課題。OpenCV移植主要是兩個(gè)主體模塊：cv和cxcore，這兩大模塊是OpenCV的核心即圖像處理與視覺(jué)算法和基本的數(shù)據(jù)結(jié)構(gòu)支持模塊［6］。圖3所示為OpenCV底層數(shù)據(jù)庫(kù)的移植關(guān)鍵步驟。首先是對(duì)CV和CXCORE庫(kù)文件的創(chuàng)建，然后進(jìn)行相應(yīng)的移植程序的調(diào)試。

圖3 CV和CXCORE項(xiàng)目創(chuàng)建和程序調(diào)試

2.2 SURF算法優(yōu)化改進(jìn)

當(dāng)圖像的對(duì)比度較低時(shí)，容易出現(xiàn)圖像特征點(diǎn)誤匹配或造成圖像特征點(diǎn)檢測(cè)時(shí)產(chǎn)生不均勻的情況，并且當(dāng)圖像提取的特征點(diǎn)數(shù)目過(guò)多的時(shí)候，會(huì)使得匹配的時(shí)間增加，無(wú)法滿足我們所要求的實(shí)時(shí)性，在實(shí)際應(yīng)用中，如果我們能夠在得到特征點(diǎn)的坐標(biāo)信息以后且在描述子生成之前來(lái)明確控制特征點(diǎn)的數(shù)目，就可以減少對(duì)不必要的描述子進(jìn)行描述，從而使得特征點(diǎn)的提取時(shí)間減少，提高特征匹配的運(yùn)算效率。我們改進(jìn)的SURF算法的方法是控制特征點(diǎn)檢測(cè)數(shù)量。首先，設(shè)定特征點(diǎn)的數(shù)量閾值和距離閾值，然后進(jìn)行相應(yīng)的比較，當(dāng)特征點(diǎn)的提取數(shù)量大于數(shù)量閾值時(shí)，可以針對(duì)稠密的特征點(diǎn)進(jìn)行篩選和去除。若在某一特征點(diǎn)的領(lǐng)域內(nèi)存在特征點(diǎn)與其鄰域內(nèi)某一點(diǎn)的距離小于距離閾值，那么我們就認(rèn)為這一特征點(diǎn)是稠密點(diǎn)，進(jìn)行剔除，反之則保留該特征點(diǎn)［7］。

我們采用大小為500×500的圖片進(jìn)行仿真。圖4為原SURF算法圖像和調(diào)整閾值之后的對(duì)比圖，我們可以看出特征點(diǎn)數(shù)量的對(duì)比情況：左邊圖像652個(gè)特征點(diǎn)，經(jīng)改進(jìn)后，右邊圖像提取265個(gè)特征點(diǎn)。并經(jīng)過(guò)對(duì)比發(fā)現(xiàn)，設(shè)置閾值后的特征點(diǎn)檢測(cè)時(shí)間也相應(yīng)的減少，但是匹配效果卻沒(méi)有明顯的影響。

圖4 圖像特征點(diǎn)數(shù)量對(duì)比圖

圖5 改進(jìn)后SURF算法縮放匹配圖像

圖6 改進(jìn)后SURF算法旋轉(zhuǎn)匹配圖像

3 SURF算法移植仿真實(shí)驗(yàn)

如圖5、圖6所示，我們以600*480大小的圖片為例，將圖片縮小1/5、旋轉(zhuǎn)30度，分別生成待匹配圖像，得到改進(jìn)后算法的匹配圖像。通過(guò)改進(jìn)閾值算法控制特征點(diǎn)檢測(cè)數(shù)量和對(duì)OpenCV底層數(shù)據(jù)庫(kù)的移植，成功實(shí)現(xiàn)對(duì)SURF算法的移植，并得到仿真實(shí)驗(yàn)結(jié)果圖。

4 結(jié)論

本文是以物體識(shí)別圖像匹配算法為研究基礎(chǔ)，對(duì)其中的點(diǎn)特征匹配進(jìn)行相關(guān)研究，主要研究成果在于將實(shí)驗(yàn)證明過(guò)的高效率、高魯棒性的SURF算法進(jìn)行移植，最終實(shí)現(xiàn)算法在嵌入式系統(tǒng)中的應(yīng)用，其優(yōu)點(diǎn)在于應(yīng)用DSP不僅可以更加方便，更加小型化，節(jié)省了空間，提高了效率，而且更加豐富了實(shí)驗(yàn)室課題組的創(chuàng)新研究理論。

參考文獻(xiàn)

［1］Lowe D G.2004.Dstinctive image features from scal-invariant keypoints［J］.Internationa-l Journal of Computer Vision，60（2）∶91-110.

［2］H.Bay，T.Tuytelaars，L.V.Gool.SURF∶Speeded up Robust Features. Computer Vision and Image Understanding，2008，110（3）∶346-359.

［3］于海.OpenCVSURF在TI DM642上的移植［J］.2012 25（5）∶133-136.

［4］張萬(wàn)華.基于區(qū)域SURF的圖像匹配算法研究［D］.華東理工大學(xué)，2011.

［5］D.G.Lowe.Object Recognition from Local Scale-Invariant Features.International Conference on Computer Vision，1999，1150-1157.

［6］陳磊.計(jì)算機(jī)視覺(jué)類(lèi)庫(kù)OpenCV在VC中的應(yīng)用［J］.湖南大學(xué)，2007， 23（4-3）∶209-210，171.

［7］盧選民.一種改進(jìn)的基于SURF的快速圖像匹配算法研究［J］.中國(guó)體現(xiàn)學(xué)與圖像分析，2011.16（1）∶28-32