特征提取方法及裝置制造方法【專利摘要】本發(fā)明提供了一種特征提取方法及裝置，改善了現(xiàn)有技術(shù)中拍攝視角差異較大的影像匹配效果不理想的問(wèn)題。所述方法包括：提取原影像的特征點(diǎn)；賦予每個(gè)所述特征點(diǎn)兩個(gè)以上不同大小的尺度窗口；在每個(gè)尺度窗口中，以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，所述每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予所述每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；計(jì)算每個(gè)所述前景區(qū)域的協(xié)方差矩陣；根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正；在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征點(diǎn)描述。使用該方法，可以顯著改善影像的匹配效果，實(shí)施方便，易于推廣應(yīng)用?！緦＠f(shuō)明】特征提取方法及裝置【
技術(shù)領(lǐng)域：
】[0001]本發(fā)明涉及影像匹配技術(shù)，具體而言，涉及一種影像特征提取方法及裝置。【
背景技術(shù)：
】[0002]從不同拍攝方位對(duì)同一場(chǎng)景進(jìn)行成像，并且對(duì)這些影像進(jìn)行全自動(dòng)影像匹配，找出影像中的同名點(diǎn)(即同一物方點(diǎn)在不同影像上的成像位置)是計(jì)算機(jī)視覺(jué)領(lǐng)域非常重要的基礎(chǔ)步驟。影像的拍攝方位差異越大，對(duì)應(yīng)的影像之間的變形也會(huì)越嚴(yán)重，影像匹配的難度也會(huì)越大。[0003]目前的影像匹配算法能夠很好地匹配變形較小的影像，但對(duì)于拍攝視角差異較大，如超過(guò)40度以上的影像，匹配效果無(wú)法得到有效保證?！?br/>發(fā)明內(nèi)容】[0004]本發(fā)明的目的在于提供一種特征提取方法及裝置，以改善現(xiàn)有技術(shù)中拍攝視角差異較大的影像匹配效果不理想的問(wèn)題。[0005]為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下:[0006]第一方面，本發(fā)明實(shí)施例提供了一種特征提取方法，應(yīng)用于特征提取裝置，所述方法包括:[0007]提取原影像的特征點(diǎn)；[0008]賦予每個(gè)所述特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，所述尺度窗口為以各所述特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，所述每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予所述每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；[0009]計(jì)算每個(gè)所述前景區(qū)域的協(xié)方差矩陣；[0010]根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正；[0011]在糾正后的所述影像上提取糾正特征點(diǎn)，進(jìn)行所述糾正特征點(diǎn)描述。[0012]其中，糾正特征點(diǎn)為在糾正后的影像上提取的特征點(diǎn)，其與所述原影像的特征點(diǎn)的性質(zhì)實(shí)質(zhì)相同，唯一不同點(diǎn)在于提取對(duì)象不同，糾正特征點(diǎn)的提取對(duì)象為糾正后的影像；特征點(diǎn)的提取對(duì)象為原影像。[0013]結(jié)合第一方面，在第一方面的第一種可能方式中，所述根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正包括:[0014]根據(jù)所述每個(gè)前景區(qū)域的協(xié)方差矩陣進(jìn)行橢圓擬合，得出對(duì)應(yīng)所述每個(gè)前景區(qū)域的橢圓參數(shù)；[0015]分別針對(duì)每個(gè)所述特征點(diǎn)，對(duì)每個(gè)特征點(diǎn)為中心的所述兩個(gè)以上不同大小的尺度窗口，比較各所述特征點(diǎn)的兩兩相鄰的尺度窗口對(duì)應(yīng)的所述前景區(qū)域的橢圓參數(shù)，判斷橢圓參數(shù)差異是否大于預(yù)設(shè)閾值，若否，則認(rèn)為所述兩兩相鄰的尺度窗口對(duì)應(yīng)的前景區(qū)域的橢圓參數(shù)相似，從獲取的相似的橢圓參數(shù)中選取一個(gè)橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為第一代表尺度窗口；[0016]將與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)進(jìn)行比較，若橢圓參數(shù)差異大于預(yù)設(shè)閾值，將橢圓參數(shù)差異大于預(yù)設(shè)閾值的所述橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為第二代表尺度窗口；[0017]根據(jù)所述第一代表尺度窗口和第二代表尺度窗口對(duì)應(yīng)的所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正。[0018]上述中，一個(gè)特征點(diǎn)可能有一個(gè)或多個(gè)代表尺度，例如:一個(gè)特征點(diǎn)可以只有第一代表尺度窗口或第二代表尺度窗口，只有第二代表尺度窗口指該特征點(diǎn)的各尺度窗口均不相似的情況。[0019]結(jié)合第一方面的第一種可能方式，在第二種可能方式中，所述橢圓參數(shù)包括長(zhǎng)軸、短軸和旋轉(zhuǎn)主方向，所述比較各所述特征點(diǎn)的兩兩相鄰的尺度窗口對(duì)應(yīng)的所述前景區(qū)域的橢圓參數(shù)，判斷橢圓參數(shù)差異是否大于預(yù)設(shè)閾值包括:[0020]按中心相同的所述兩個(gè)以上尺度窗口的大小順序比較所述兩兩相鄰尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)中旋轉(zhuǎn)主方向的差異、所述短軸與所述長(zhǎng)軸之比的差異，所述大小順序指從大到小或從小到大的順序；[0021]判斷所述兩兩相鄰尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)旋轉(zhuǎn)主方向差異是否大于所述預(yù)設(shè)閾值，所述短軸與所述長(zhǎng)軸之比的差異是否大于所述預(yù)設(shè)閾值；[0022]所述將與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)進(jìn)行比較，包括:[0023]判斷與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)中旋轉(zhuǎn)主方向差異是否大于所述預(yù)設(shè)閾值，所述短軸與所述長(zhǎng)軸之比的差異是否大于所述預(yù)設(shè)閾值。[0024]結(jié)合第一方面的第二種可能方式，在第三種可能方式中，所述預(yù)設(shè)閾值為所述橢圓參數(shù)旋轉(zhuǎn)主方向相差20度，所述短軸與所述長(zhǎng)軸之比相差0.1，所述橢圓參數(shù)差異大于所述預(yù)設(shè)閾值指所述橢圓旋轉(zhuǎn)主方向差異大于20度或所述短軸與所述長(zhǎng)軸之比的差異大于0.1。[0025]結(jié)合第一方面，在第一方面的第二種可能方式中，所述以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)的增長(zhǎng)閾值通過(guò)最大類間方差算法OtsuThresholding獲得。[0026]結(jié)合第一方面，在第一方面的第三種可能方式中，所述在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征點(diǎn)描述包括:使用尺度不變特征轉(zhuǎn)換SIFT算法在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征描述。[0027]結(jié)合第一方面的第三種可能方式，在第一種可能方式中，所述使用尺度不變特征轉(zhuǎn)換SIFT算法在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征描述步驟中，所述特征描述窗口大小為55?65像素。[0028]結(jié)合第一方面，在第一方面的第四種可能方式中，所述提取原影像的特征點(diǎn)包括:[0029]根據(jù)標(biāo)準(zhǔn)差為OD的一階高斯導(dǎo)數(shù)計(jì)算影像X方向和y方向的梯度；根據(jù)標(biāo)準(zhǔn)差為σI的高斯函數(shù)計(jì)算影像灰度二階矩陣SecondMomentMatrix的分量Ix2、IxIy和Iy2,使用哈里斯Harris特征點(diǎn)提取算法提取原影像的特征點(diǎn)；[0030]其中,所述標(biāo)準(zhǔn)差OD小于所述標(biāo)準(zhǔn)差σ工,所述標(biāo)準(zhǔn)差OD與所述標(biāo)準(zhǔn)差OI的取值均為I?2。[0031]所述尺度窗口為以各所述特征點(diǎn)為中心獲取的圓形區(qū)域。[0032]第二方面，本發(fā)明實(shí)施例提供了一種特征提取裝置，包括:[0033]第一提取單元:用于提取原影像的特征點(diǎn)；[0034]區(qū)域增長(zhǎng)單元:用于賦予每個(gè)所述特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，所述尺度窗口為以各所述特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)所述特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，所述每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予所述每個(gè)特征點(diǎn)的尺度窗口的數(shù)量;[0035]矩陣計(jì)算單元:用于計(jì)算每個(gè)所述前景區(qū)域的協(xié)方差矩陣；[0036]糾正處理單元:用于根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正；[0037]第二提取單元:用于在糾正后的所述影像上提取糾正特征點(diǎn)；[0038]描述單元:用于對(duì)所述第二提取單元提取的所述糾正特征點(diǎn)進(jìn)行描述。[0039]本發(fā)明實(shí)現(xiàn)的技術(shù)效果:[0040]本發(fā)明實(shí)施例選擇使用點(diǎn)特征作為特征提取的基本元素，點(diǎn)特征是影像最基本的一種特征，對(duì)影像的場(chǎng)景類型具有最低的挑剔性，適用廣泛，能夠較好的保證特征的數(shù)量、點(diǎn)位分布、局部性和可重復(fù)性。[0041]本發(fā)明實(shí)施例使用基于特征點(diǎn)區(qū)域增長(zhǎng)(reg1ngrowing)的方法來(lái)尋找特征點(diǎn)的前景區(qū)域(支撐鄰域)，能夠盡可能保證特征點(diǎn)的支撐鄰域?qū)儆谕粋€(gè)物體和屬于同一個(gè)平面，減少其它紋理對(duì)解算仿射變形參數(shù)的影響，起到了基于影像內(nèi)容自適應(yīng)變窗口的效果，選擇這種小范圍的區(qū)域增長(zhǎng)而放棄類似區(qū)域特征提取(MaximallyStableExtremalReg1ns,MSER)算法的大范圍的區(qū)域分割,能夠降低對(duì)區(qū)域分割算法的難度要求,更好的避免區(qū)域提取時(shí)多個(gè)影像提取的區(qū)域范圍不一致所造成的不良影響，應(yīng)用效果更佳。[0042]本發(fā)明實(shí)施例中利用基于特征點(diǎn)區(qū)域增長(zhǎng)得到的前景區(qū)域的形狀參數(shù)進(jìn)行橢圓擬合，使用該形狀的協(xié)方差矩陣所對(duì)應(yīng)的橢圓參數(shù)差異是否超過(guò)預(yù)設(shè)閾值(相似度)進(jìn)行特征代表尺度窗口的選擇，可以非常有效的應(yīng)對(duì)影像變形較大時(shí)影像上尺度的各向異性對(duì)特征尺度選擇帶來(lái)的不利影響，從而實(shí)現(xiàn)用一種簡(jiǎn)單的方式完成影像變形較大情況下的特征尺度的選擇，能夠有效解決現(xiàn)有技術(shù)中存在的問(wèn)題。[0043]本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)中闡述，并且，部分地從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明實(shí)施例而了解。本發(fā)明實(shí)施例的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫(xiě)的說(shuō)明書(shū)、權(quán)利要求書(shū)、以及附圖來(lái)實(shí)現(xiàn)和獲得?！緦＠綀D】【附圖說(shuō)明】[0044]為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。通過(guò)附圖所示，本發(fā)明的上述及其它目的、特征和優(yōu)勢(shì)將更加清晰。[0045]圖1為本發(fā)明實(shí)施例1流程示意圖一；[0046]圖2為本發(fā)明實(shí)施例1流程示意圖二；[0047]圖3為本發(fā)明實(shí)施例2的結(jié)構(gòu)圖一；[0048]圖4為本發(fā)明實(shí)施例2的結(jié)構(gòu)圖二?！揪唧w實(shí)施方式】[0049]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。[0050]實(shí)施例1[0051]影像匹配的目標(biāo)是要找到待匹配影像中滿足一定客觀約束的相似之處，對(duì)于很多需要通過(guò)影像來(lái)獲得某種信息的任務(wù)來(lái)說(shuō)，影像匹配是關(guān)鍵和基礎(chǔ)的一步。比如從立體像對(duì)中恢復(fù)三維場(chǎng)景、影像的檢索、變化檢測(cè)，以及安防設(shè)施中的目標(biāo)識(shí)別等，由于不同的傳感器成像的特點(diǎn)不同，所需的影像匹配算法也不同。本發(fā)明實(shí)施例中的技術(shù)方案主要適用于攝影測(cè)量與計(jì)算機(jī)視覺(jué)領(lǐng)域常見(jiàn)的光學(xué)影像，在這一領(lǐng)域中，影像匹配大概可以分為兩類:一類是沒(méi)有或僅有少量的先驗(yàn)信息，匹配點(diǎn)相對(duì)較少的匹配，通常用于建立影像間的初始相對(duì)關(guān)系；一類是知道先驗(yàn)信息(如影像的定向模型和參數(shù))，匹配點(diǎn)非常密集的匹配，通常用于建立場(chǎng)景的精細(xì)三維模型，業(yè)界通常把前一類稱為空三匹配，把后一類稱為密集匹配。本發(fā)明實(shí)施例的技術(shù)內(nèi)容屬于前一類。[0052]影像匹配算法的輸入是影像，一般采用數(shù)字化的二維數(shù)組來(lái)表示，其每一個(gè)單位稱為像素?；叶扔跋衩總€(gè)像素只有一個(gè)數(shù)值，彩色影像每個(gè)像素有三個(gè)數(shù)值，分別是紅綠藍(lán)三個(gè)波段的一個(gè)量化值。除了像素的灰度以外，像素的相鄰關(guān)系在一定程度上反映了景物的相鄰關(guān)系，因?yàn)榫拔锏淖罱K成像位置還要受到拍攝方位的影響，所以綜上所述，算法可以利用的信息只有像素的灰度值以及像素的鄰接關(guān)系。與像素灰度值相關(guān)的是影像的色調(diào)處理算法，與像素的鄰接關(guān)系相關(guān)的是影像的幾何處理算法。影像匹配算法就是要朝著這個(gè)方向努力:把景物不同的成像在幾何上盡可能使同名像素?cái)[放一致，在色調(diào)上盡可能使同名像素色調(diào)一致。如此，便能較為容易的比較差異。[0053]本發(fā)明實(shí)施例的技術(shù)重點(diǎn)是影像的幾何處理算法，要實(shí)現(xiàn)穩(wěn)健可靠的影像匹配，匹配算法必須能夠應(yīng)對(duì)影像間存在的幾何變形。幾何變形目前主要分為三大類:平移旋轉(zhuǎn)、各向同性尺度縮放和各向異性尺度縮放。它們分別對(duì)應(yīng)著平面歐式變換、平面相似變換和平面仿射變換這三種復(fù)雜度逐漸遞增的幾何變換。雖然在實(shí)際應(yīng)用中，影像間往往存在著更高級(jí)別的投影變換所產(chǎn)生的幾何變形，但匹配通常利用的是局部特征，所以用仿射變換來(lái)描述局部的幾何變形也是足夠的。[0054]特征是影像匹配中的一個(gè)重要概念，景物的灰度和形狀的變化形成了景物的特征。在影像上，所有的這些變化都通過(guò)相鄰像素的灰度變化來(lái)體現(xiàn)，特征的存在是影像匹配的前提條件，如果整張影像都沒(méi)有灰度變化，那這張影像是沒(méi)有信息和不可匹配的，如果影像中的某個(gè)區(qū)域沒(méi)有灰度變化，那這塊區(qū)域中的像素是很難準(zhǔn)確匹配的，所以，影像匹配的一個(gè)關(guān)鍵內(nèi)容是特征提取。從數(shù)學(xué)形式上分，影像特征有點(diǎn)、線、面三種，不同的應(yīng)用所偏好的特征類型也不同，如道路提取偏好線特征，遙感影像分類偏好面特征，點(diǎn)特征在所有特征中是最低級(jí)的，因此適用范圍也是最廣泛的。與道路提取不同，影像匹配中的特征不需要嚴(yán)格對(duì)應(yīng)于有實(shí)際意義的景物特征，只需要對(duì)影像匹配有幫助就行。通常，滿足以下一些要求的特征就可以較好的用于影像匹配中:[0055]可重復(fù)性:在同一景物不同成像間的影像重疊區(qū)域內(nèi)，特征能夠盡可能多的被同一算法提取出來(lái)。特征“可重復(fù)”是特征“可匹配”的前提。[0056]顯著性:特征所在的鄰域包含較多的灰度變化和信息量，能夠比較容易與其它特征進(jìn)行區(qū)分。[0057]可定位性:特征的像平面位置可以比較準(zhǔn)確和可靠的標(biāo)示出來(lái)，不會(huì)出現(xiàn)模棱兩可的狀況。[0058]數(shù)量夠多:特征的數(shù)量要能夠滿足應(yīng)用的需要，并且可以比較容易通過(guò)參數(shù)來(lái)調(diào)整特征的提取數(shù)量。同時(shí)，增加特征的提取數(shù)量能夠提高特征的可重復(fù)率。[0059]分布性好:在拍攝景物自身特征滿足條件的情況下，影像特征能夠比較均勻的分布在影像各處。[0060]局部性:特征跨越的影像范圍不能太大，方便影像匹配算法中的幾何變形處理。[0061]此外，如果特征能夠用比較簡(jiǎn)單和快速的算法提取出來(lái)，可以大大增加匹配算法的實(shí)用性。[0062]特征描述也是影像匹配算法必不可少的一部分。提取出特征以后，需要使用某種方法來(lái)量化描述該特征，形成代表每個(gè)特征的一個(gè)特征向量，才能用于影像匹配中。最直接和最簡(jiǎn)單的一種描述量化值就是像素灰度本身。但不同影像間存在色調(diào)差異和噪聲，直接使用灰度是非常不可靠的，即使消除了色調(diào)差異，使用單個(gè)像素的信息來(lái)進(jìn)行特征描述也是遠(yuǎn)遠(yuǎn)不夠的，不滿足上述顯著性，所以必須納入一定范圍的鄰域像素來(lái)加強(qiáng)支撐。[0063]確定鄰域包含兩方面的內(nèi)容:鄰域的大小和鄰域的形狀。如果兩張影像分辨率相同，而且拍攝方位也差別不大，即影像間的幾何變形處于平面歐式變換的級(jí)別下，則鄰域的形狀不太重要，主要考慮鄰域的大小，選取準(zhǔn)則是找到鄰域支撐強(qiáng)度(特征的顯著性)和計(jì)算量之間的一個(gè)平衡。如果影像分辨率有差別，影像間的幾何變形處于相似變換的級(jí)別下，除了要考慮鄰域的大小，還要確定影像之間的分辨率之比，使得兩個(gè)支撐區(qū)域?qū)?yīng)相同的地物范圍。例如:如果用一片樹(shù)葉去與一棵樹(shù)進(jìn)行匹配，匹配成功率將非常低，這就是影像匹配中的尺度問(wèn)題。如果影像拍攝方位也差別較大，影像間的幾何變形達(dá)到了仿射變形，甚至更高的級(jí)別，則不同成像之間的幾何變形會(huì)非常明顯。如果拍攝的是三維場(chǎng)景，還會(huì)存在遮擋問(wèn)題，這時(shí)確定鄰域的形狀就非常重要。基于上述研究，發(fā)明人發(fā)現(xiàn)，在找到合適的鄰域像素后，可以根據(jù)這些像素糾正影像局部的仿射變形，使影像間的幾何變形降至相似變換的級(jí)別，然后通過(guò)解決尺度問(wèn)題進(jìn)一步降至歐式變換的級(jí)別，再解決影像間的旋轉(zhuǎn)問(wèn)題，便能較好的完成幾何變形處理。幾何變形處理與特征提取是相依相隨的，所以通常將其看作是特征提取的一部分。[0064]現(xiàn)有技術(shù)中的影像匹配算法的能力已經(jīng)足夠應(yīng)對(duì)變形處于平面相似變換級(jí)別影像的匹配任務(wù)，甚至變形更嚴(yán)重一些也沒(méi)問(wèn)題，例如:拍攝視角差異在40度以內(nèi)，但如果變形再嚴(yán)重一些，匹配結(jié)果就不能保證了。導(dǎo)致其匹配能力有限主要有以下一些原因:[0065]如果使用不進(jìn)行局部仿射變形糾正的算法，如尺度不變特征轉(zhuǎn)換(ScaleInvariantFeatureTransform,SIFT)算法,那么影像的變形會(huì)給這類算法帶來(lái)三個(gè)不利的影響:首先，對(duì)特征進(jìn)行描述時(shí)，需要確定特征描述窗口的大小，這個(gè)窗口大小是根據(jù)特征的尺度來(lái)決定的，隨著影像間變形程度的加深，影像上尺度的各向異性會(huì)越來(lái)越嚴(yán)重，使用各向同性的高斯函數(shù)差分(DifferenceofGaussian,DoG)算子進(jìn)行尺度選擇,效果會(huì)急劇變差，使得進(jìn)行特征描述時(shí)，所描述的影像范圍在各個(gè)影像上不一致；其次，對(duì)于變形嚴(yán)重的影像，相同的物方鄰域范圍在各個(gè)影像上的成像形狀是不同的，使用圓形或方形窗口不能保證包含相同的特征鄰域范圍；最后，影像成像的各向異性還會(huì)導(dǎo)致同名特征鄰域范圍內(nèi)的梯度分布有很大差異；以上這些因素，都會(huì)嚴(yán)重降低同名特征的特征描述向量之間的相似性，導(dǎo)致匹配失敗。所以，如果不先進(jìn)行影像的局部糾正，直接使用類似尺度不變的特征描述沒(méi)有意義。[0066]如果先進(jìn)行影像的局部糾正，那么就要使用仿射不變影像匹配算法。目前，區(qū)域特征提取(MaximallyStableExtremalReg1ns,MSER)是糾正變形效果較好的一種算法，它通過(guò)尋找影像中最穩(wěn)定的顯著區(qū)域進(jìn)行仿射變形糾正。但在實(shí)際運(yùn)用中，這個(gè)算法會(huì)碰到一些問(wèn)題:首先，由于只使用影像中最穩(wěn)定的顯著區(qū)域，導(dǎo)致特征數(shù)量偏少，而且特征的分布也不能保證，對(duì)場(chǎng)景的類型比較挑剔，偏向于面特征較多的場(chǎng)景。其次，提取的面特征跨越的范圍可能過(guò)大，這種非局部性會(huì)增強(qiáng)周邊的不相似性對(duì)匹配的影響；最難處理的是，由于影像的復(fù)雜性，MSER算法通常也不能保證區(qū)域提取結(jié)果的良好對(duì)應(yīng)性，導(dǎo)致變形糾正結(jié)果不相似。[0067]對(duì)于匹配難度較大的影像，根據(jù)特征向量的相似性找到的特征的最近鄰或前k(k大于O)個(gè)近鄰中正確的同名特征在所有特征中占的比例非常低，導(dǎo)致不能很好的從中挑選出正確的匹配，這是導(dǎo)致匹配失敗的一個(gè)主要原因。[0068]從以上的分析中發(fā)明人得出這樣一個(gè)結(jié)論:找相同的鄰域范圍是影像匹配最本質(zhì)的東西。根據(jù)鄰域范圍的特點(diǎn)對(duì)影像局部進(jìn)行糾正、描述、匹配，并且輔助于優(yōu)秀的粗差剔除策略，才有可能將匹配難度較大的影像成功匹配起來(lái)。鑒于此，發(fā)明人多方考慮后設(shè)計(jì)了一種基于特征點(diǎn)區(qū)域增長(zhǎng)的仿射不變特征提取方法，以改善形變較大的影像的匹配效果，本發(fā)明實(shí)施例的主要設(shè)計(jì)思路如下:[0069]局部非常少量的像素就能反映局部的變形信息，不需要知道物體整體的形狀，也不需要提取較大的范圍?？紤]到點(diǎn)特征的特性，本發(fā)明實(shí)施例選擇從特征點(diǎn)入手，來(lái)展開(kāi)后續(xù)的操作。[0070]鑒于需要尋找大致相同的鄰域范圍，發(fā)明人選擇通過(guò)以提取的特征點(diǎn)為種子點(diǎn)進(jìn)行局部的區(qū)域增長(zhǎng)，使得到的形狀不僅要灰度相似，而且在空間上也必須是連通的，目的是盡量消除不屬于該形狀的點(diǎn)，排除其他紋理的干擾，保證計(jì)算的仿射變形參數(shù)的純粹性，從而提高糾正后局部影像的相似性。[0071]由于不知道物體整體的形狀，也不知道影像之間的尺度差異，同時(shí)還要考慮影像上尺度的各向異性，當(dāng)用于區(qū)域增長(zhǎng)的影像的范圍只采用一個(gè)時(shí)，得到相似仿射糾正結(jié)果的可能性會(huì)比較低，所以需要使用多尺度的方法來(lái)進(jìn)行區(qū)域增長(zhǎng)，即需要建立尺度空間，在不同的尺度上對(duì)特征點(diǎn)來(lái)進(jìn)行區(qū)域增長(zhǎng)，提高特征的完備性。[0072]在盡量保證特征完備性的基礎(chǔ)上，還要努力降低特征的冗余性。以理想角點(diǎn)為例，它在一定程度上屬于一種與尺度無(wú)關(guān)的特征，即在不同尺度上進(jìn)行區(qū)域增長(zhǎng)，所得到的仿射變形糾正參數(shù)都將是類似的。如果用橢圓來(lái)擬合這些前景區(qū)域形狀，這些橢圓的旋轉(zhuǎn)方向和長(zhǎng)軸、短軸比率間將非常接近。例如:當(dāng)用四種不同大小的窗口對(duì)同一特征點(diǎn)進(jìn)行區(qū)域增長(zhǎng)時(shí)，四個(gè)擬合前景區(qū)域形狀的橢圓的形狀基本是一致的，所以為了減少特征的冗余，需要進(jìn)行代表尺度(representativescales)的選擇,去掉冗余的其它尺度。[0073]為了減少對(duì)區(qū)域形狀參數(shù)的影響，本發(fā)明實(shí)施例中優(yōu)選使用圓形窗口給特征點(diǎn)劃定鄰域，而不使用其它形狀的窗口。例如:在算法實(shí)現(xiàn)時(shí)，可以先在矩形窗口內(nèi)進(jìn)行區(qū)域增長(zhǎng)，然后將增長(zhǎng)結(jié)果與一個(gè)圓形模板進(jìn)行操作，將不屬于圓形模板范圍內(nèi)的前景像素去掉。[0074]基于上述設(shè)計(jì)思路，如圖1所示，本發(fā)明實(shí)施例公開(kāi)了一種特征提取方法，應(yīng)用于特征提取裝置，該方法包括:[0075]步驟S300:提取原影像的特征點(diǎn)(初始特征點(diǎn))；步驟S301:賦予每個(gè)特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，尺度窗口為以各特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；步驟302:計(jì)算每個(gè)前景區(qū)域的協(xié)方差矩陣；步驟303:根據(jù)前景區(qū)域的協(xié)方差矩陣對(duì)影像進(jìn)行仿射變形糾正；步驟304:在糾正后的影像上提取糾正特征點(diǎn)，進(jìn)行糾正特征點(diǎn)描述。[0076]進(jìn)一步地，如圖2所示，本發(fā)明實(shí)施例的主要技術(shù)方案包括:步驟S200:用特征點(diǎn)提取算法提取原影像的特征點(diǎn)；步驟S201:以步驟S200提取的特征點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，得到前景區(qū)域(支撐區(qū)域)；步驟S202:計(jì)算前景區(qū)域的形狀參數(shù)；步驟S203:選擇代表尺度窗口，去除冗余尺度窗口；步驟S204:對(duì)影像進(jìn)行仿射變形糾正；步驟S205:在糾正后的影像上提取特征點(diǎn)，進(jìn)行特征點(diǎn)描述。各步驟的具體內(nèi)容如下:[0077]步驟S200:用特征點(diǎn)提取算法提取原影像的特征點(diǎn)。[0078]選擇使用點(diǎn)特征作為算法的基本元素，點(diǎn)特征是最基本的一種特征，對(duì)影像的場(chǎng)景類型具有最低的挑剔性，適用廣泛，能夠較好的保證特征的數(shù)量、點(diǎn)位分布、局部性和可重復(fù)性等等。[0079]目前,特征點(diǎn)主要分為拐角點(diǎn)(cornerpoint)和滴點(diǎn)(blobpoint),其中，拐角點(diǎn)通常為邊緣的交叉點(diǎn)、端點(diǎn)或是曲率變化較大處；滴點(diǎn)四周通常有一些灰度變化構(gòu)成的邊界，內(nèi)部則比較均質(zhì)，滴點(diǎn)就處于這些邊界包含的內(nèi)部，這種邊界包含特性正好體現(xiàn)了特征的大小，也就是特征的尺度，所以滴點(diǎn)從內(nèi)在性質(zhì)上更具有尺度特性，發(fā)明人經(jīng)研究發(fā)現(xiàn)，拐角點(diǎn)與滴點(diǎn)在點(diǎn)位上比較有互補(bǔ)性，如果結(jié)合使用，能夠使影像上特征類型更加豐富，分布更加均勻。本發(fā)明實(shí)施例將分別介紹提取這兩類特征點(diǎn)的兩種典型算法，并通過(guò)分析這兩種典型算法各自的特性，調(diào)整本發(fā)明實(shí)施例中對(duì)它們的使用方法。[0080]哈里斯(Harris)特征點(diǎn)提取算法是提取拐角點(diǎn)的一種典型算法，它的設(shè)計(jì)思想是，影像上梯度的分布可以反映影像特征的類別:均質(zhì)區(qū)域各個(gè)方向的梯度都非常??；邊緣處某一個(gè)方向的梯度大，其它方向的梯度??；特征點(diǎn)處至少有兩個(gè)方向梯度都比較大。梯度的分布可以用X方向和y方向梯度的協(xié)方差矩陣來(lái)表示，通過(guò)分析像點(diǎn)鄰域范圍內(nèi)的梯度構(gòu)成的協(xié)方差矩陣的特征值的情況來(lái)判斷該像點(diǎn)是否為特征點(diǎn)，該矩陣也稱為二階矩陣(SecondMomentMatrix)。提取Harris特征點(diǎn)的步驟如下:[0081]計(jì)算影像X方向和y方向的梯度，可以用一階高斯導(dǎo)數(shù)模板分別在行方向和列方向進(jìn)行卷積得到；計(jì)算SecondMomentMatrix的三個(gè)分量Ix2,IxIy,Iy2J^SecondMomentMatrix的三個(gè)分量進(jìn)行鄰域范圍內(nèi)的高斯加權(quán)平均，這個(gè)鄰域范圍的大小由高斯函數(shù)的標(biāo)準(zhǔn)差σ決定；計(jì)算像點(diǎn)的Harris響應(yīng)值；提取響應(yīng)值的局部極大值作為候選特征點(diǎn)，然后根據(jù)應(yīng)用需求篩選出最終的特征點(diǎn)，如設(shè)置提取特征點(diǎn)的格網(wǎng)大小。[0082]由于Harris特征點(diǎn)提取方法為現(xiàn)有技術(shù)，因而在此不作更多說(shuō)明，在此需要說(shuō)明的是，現(xiàn)有技術(shù)中并未對(duì)Harris特征點(diǎn)提取方法中的標(biāo)準(zhǔn)差參數(shù)進(jìn)行具體研究，發(fā)明人經(jīng)研究發(fā)現(xiàn)，Harris特征點(diǎn)提取方法涉及到兩個(gè)參數(shù):計(jì)算影像梯度時(shí)的一階高斯導(dǎo)數(shù)中的標(biāo)準(zhǔn)差σD以及對(duì)SecondMomentMatrix的三個(gè)分量進(jìn)行高斯加權(quán)平均時(shí)的標(biāo)準(zhǔn)差O1,若這兩個(gè)參數(shù)的選擇遵循以下一些規(guī)則能使提取的角點(diǎn)位置位于角點(diǎn)內(nèi)部一些，大大提高后面區(qū)域增長(zhǎng)的便利性:[0083]兩者都不能取值過(guò)小，過(guò)小會(huì)導(dǎo)致特征點(diǎn)處的Harris響應(yīng)值無(wú)明顯優(yōu)勢(shì)，而且抗噪性很弱。標(biāo)準(zhǔn)差的取值大小應(yīng)根據(jù)影像的實(shí)際情況(包括影像的噪聲程度和清晰程度)來(lái)定，標(biāo)準(zhǔn)差取值越大，對(duì)噪聲和模糊的抵抗能力越強(qiáng)，隨著兩個(gè)標(biāo)準(zhǔn)差取值的增大，提取的特征點(diǎn)位會(huì)朝著角點(diǎn)內(nèi)部移動(dòng)，當(dāng)標(biāo)準(zhǔn)差所對(duì)應(yīng)的范圍內(nèi)有多個(gè)特征時(shí)，特征之間會(huì)產(chǎn)生干擾，信息會(huì)相互融合。經(jīng)驗(yàn)證，本發(fā)明實(shí)施例中，標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差Q1的取值均在I?2之間比較合適，優(yōu)選1.6;當(dāng)用來(lái)對(duì)局部范圍內(nèi)的梯度進(jìn)行高斯加權(quán)平均的標(biāo)準(zhǔn)差σ工小于用來(lái)求解梯度的標(biāo)準(zhǔn)差σD時(shí)，局部范圍內(nèi)的梯度信息得不到好的綜合和聚攏效果，也就不能很好的用于提取特征點(diǎn)，因而，兩個(gè)標(biāo)準(zhǔn)差之間的相對(duì)大小應(yīng)滿足<O1，本發(fā)明實(shí)施例中優(yōu)選取oD=(XSo1。[0084]由二階高斯導(dǎo)數(shù)構(gòu)成的拉普拉斯高斯(LaplacianofGassian,LoG)算子以及它的一些近似算子，如DoG算子等比較適合于提取滴點(diǎn)。LoG算子中的標(biāo)準(zhǔn)差決定其中心窩口的直徑，靠近窩口的地方是LoG模板中權(quán)值的符號(hào)發(fā)生變化的地方，如果影像上存在這么一個(gè)特征，其灰度的變化位置與這個(gè)窩口大小相對(duì)應(yīng)，那么這個(gè)特征處的LoG響應(yīng)值的絕對(duì)值將會(huì)很大，從而能夠被提取出來(lái)，所以，用不同的標(biāo)準(zhǔn)差的LoG算子，可以探測(cè)出不同大小的特征。這就是使用多尺度以及自動(dòng)特征尺度選擇的基本原理。因?yàn)長(zhǎng)oG算子的計(jì)算量比較大，所以學(xué)者們提出了多個(gè)近似算子，近似算子在形態(tài)上接近LoG算子，但計(jì)算量大大減少，比如DoG(DifferenceofGaussian)算子，由于提取滴點(diǎn)的相應(yīng)方式為現(xiàn)有技術(shù)，本發(fā)明實(shí)施例僅以DoG算子為例來(lái)介紹滴點(diǎn)提取及其特性，提取DoG特征點(diǎn)的步驟如下:[0085]用由小到大變化的一系列標(biāo)準(zhǔn)差01對(duì)應(yīng)的高斯函數(shù)G(Oi)對(duì)影像進(jìn)行高斯濾波；用G(oi+1)濾波得到的結(jié)果減去G(Oi)的濾波結(jié)果，得到多個(gè)高斯差分影像；尋找影像上同時(shí)為空間域和尺度域的局部極值作為候選特征點(diǎn)；用Harris響應(yīng)值或黑塞矩陣(HessianMatrix)的方法去掉邊緣上的候選特征點(diǎn),得到最終的特征點(diǎn)。經(jīng)驗(yàn)證,隨著標(biāo)準(zhǔn)差的增大，DoG算子提取出的角點(diǎn)位置也會(huì)朝向角點(diǎn)內(nèi)部移動(dòng)，這與前文所介紹的Harris算子特性是類似的；并且可以得出，角點(diǎn)在多個(gè)尺度上都能夠被提取出來(lái)，而其它Blob類型的特征點(diǎn)只能在與其結(jié)構(gòu)大小相對(duì)應(yīng)的尺度上被提取出來(lái)。這也再次顯示了理想角點(diǎn)一定程度上的尺度無(wú)關(guān)特性以及DoG算子的尺度選擇特性。基于此，本發(fā)明實(shí)施例得出了提取DoG特征點(diǎn)時(shí)尺度空間中各個(gè)尺度的大小選擇規(guī)則:[0086]起始尺度不能太小，一般可選擇1.5?1.6左右，主要作用是抗噪；相鄰的尺度差異不要過(guò)大，否則會(huì)影響特征點(diǎn)提取和自動(dòng)尺度選擇的效果；最大的尺度不要太大，太大的Blob特征通常都說(shuō)明該處有較大范圍的灰度均質(zhì)區(qū)域，需要比較大的窗口對(duì)其進(jìn)行特征描述來(lái)增加信息量，具體的大小選擇可根據(jù)實(shí)際情況靈活選用，本發(fā)明實(shí)施例在此不作限定。[0087]步驟S201:以步驟S200提取的特征點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，得到前景區(qū)域(支撐區(qū)域)。[0088]初始的特征點(diǎn)(原影像的特征點(diǎn))需要鄰域的支撐才能具有真正的價(jià)值，對(duì)于變形超過(guò)了平面相似變換級(jí)別的影像，圓形窗口在不同的影像上通常不能覆蓋相似的鄰域范圍。本發(fā)明實(shí)施例通過(guò)基于特征點(diǎn)的區(qū)域增長(zhǎng)來(lái)給特征點(diǎn)確定鄰域范圍，這樣可以減少其它紋理的影響，提高找到相似鄰域的可能性?；谔卣鼽c(diǎn)的區(qū)域增長(zhǎng)主要包含兩個(gè)內(nèi)容:區(qū)域增長(zhǎng)操作窗口的大小和區(qū)域增長(zhǎng)的規(guī)則。操作窗口的大小用來(lái)劃定初始的感興趣區(qū)域(Reg1nOfIinterest,R0I)的范圍，區(qū)域增長(zhǎng)的規(guī)則用來(lái)實(shí)現(xiàn)ROI內(nèi)紋理的分割,規(guī)則的好壞直接影響得到的前景區(qū)域形狀的質(zhì)量，本發(fā)明實(shí)施例中將分別介紹這兩部分。[0089]區(qū)域增長(zhǎng)操作窗口的大小:[0090]本發(fā)明實(shí)施例的起始點(diǎn)是特征點(diǎn)，不知道物體整體的形狀，也不知道原始影像之間的尺度差異，同時(shí)還要考慮影像上尺度的各向異性，如果區(qū)域增長(zhǎng)操作窗口的大小只采用一個(gè)，得到相似鄰域范圍的可能性會(huì)比較低，因而，本發(fā)明實(shí)施例給每個(gè)特征點(diǎn)賦予多個(gè)尺度窗口，關(guān)于區(qū)域增長(zhǎng)操作窗口的大小，最重要的是建立尺度空間。[0091]建立尺度空間要涉及兩種操作:建立影像的金字塔結(jié)構(gòu)以及在金字塔每一層上選取n(n大于O)個(gè)不同的尺度。發(fā)明人經(jīng)多方考慮，金字塔建幾層，每層之間的比例關(guān)系是多少，每一層上的尺度怎么選取可以遵循以下原則:建立的尺度空間必須能夠容納所匹配的影像之間的尺度差異。例如:影像之間各處的分辨率差異都為兩倍，那么最小的尺度空間可以這樣設(shè)置:金字塔建兩層，每層之間的比例關(guān)系為兩倍，每層只選取一個(gè)尺度；或者金字塔只建一層，即只有原始影像，該層選取兩個(gè)尺度，這兩個(gè)尺度之間為兩倍的關(guān)系。尺度空間的參數(shù)設(shè)置要依據(jù)處理的數(shù)據(jù)情況來(lái)調(diào)整，如果建立的尺度空間不能容納所匹配的影像之間的尺度差異，匹配成功的可能性將大大降低。這就好比用水桶去井里打水喝，水面距離井口有4米，但卻只用2米的井繩系水桶，這是不能夠打到水的。如果影像因?yàn)榕臄z角度的原因，形狀被壓縮的很厲害，建金字塔時(shí)還可以考慮適當(dāng)放大影像。[0092]假設(shè)尺度空間已經(jīng)建好，金字塔結(jié)構(gòu)有k(k大于J層，每一層記為Pi,ie[O,k-Ι];每層金字塔影像上選取η個(gè)尺度，記為。je[0,η-1];那么，在每一層金字塔影像上用特征點(diǎn)提取算法提取初始的特征點(diǎn)，每個(gè)特征點(diǎn)在其被提取出來(lái)的金字塔影像上進(jìn)行區(qū)域增長(zhǎng)，區(qū)域增長(zhǎng)操作窗口有η個(gè)，每個(gè)窗口均以該特征點(diǎn)為中心，窗口大小分別為(((int)ceil(30」))*2+1)，其中，Int是將一個(gè)數(shù)值向下取整為最接近的整數(shù)的函數(shù)；ceil是返回大于或者等于指定表達(dá)式的最小整數(shù)。同時(shí)，為了使區(qū)域增長(zhǎng)的窗口形狀為圓形，可在每個(gè)窗口都設(shè)一個(gè)相應(yīng)大小的圓形掩膜對(duì)區(qū)域增長(zhǎng)結(jié)果進(jìn)行操作。[0093]需要指出的是，對(duì)于用DoG算子提取出來(lái)的特征點(diǎn)，使用η個(gè)區(qū)域增長(zhǎng)操作窗口比單獨(dú)使用該特征點(diǎn)的特征尺度對(duì)應(yīng)的尺度窗口來(lái)進(jìn)行區(qū)域增長(zhǎng)效果要好很多。這是因?yàn)殡S著影像的投影變形程度的加深，DoG算子自動(dòng)特征尺度選擇的效果會(huì)明顯變差。[0094]基于上述原因，本發(fā)明實(shí)施例中，優(yōu)選給提取出的每個(gè)特征點(diǎn)均賦予多個(gè)不同大小尺度窗口，各特征點(diǎn)的尺度窗口為以各特征點(diǎn)為中心獲取的區(qū)域，如同圍繞每一個(gè)特征點(diǎn)劃半徑不同的圓圈，各個(gè)特征點(diǎn)的尺度窗口之間的關(guān)系為:各特征點(diǎn)的尺度窗口的大小都是按照參數(shù)由小到大建立，只是由于提取的特征點(diǎn)位置不同，因而每個(gè)特征點(diǎn)的尺度窗口(區(qū)域增長(zhǎng)窗口)在影像上的位置不同。[0095]區(qū)域增長(zhǎng)的規(guī)則:[0096]區(qū)域增長(zhǎng)規(guī)則非常重要，因?yàn)樗鼪Q定區(qū)域增長(zhǎng)停止的條件，或稱為閾值。閾值選擇必須滿足自適應(yīng)的要求，每個(gè)特征點(diǎn)所在的區(qū)域增長(zhǎng)窗口(尺度窗口)內(nèi)的閾值都必須根據(jù)本窗口的實(shí)際情況來(lái)確定，而不能武斷的全局采用一個(gè)閾值。自動(dòng)閾值選擇是目前研究較多的一個(gè)命題，相關(guān)文獻(xiàn)也較多。在眾多算法當(dāng)中，最大類間方差算法(OtsuThresholding)應(yīng)用在本發(fā)明實(shí)施例中效果比較理想,所以本發(fā)明實(shí)施例中優(yōu)選采用OtsuThresholding來(lái)確定區(qū)域增長(zhǎng)的閾值。[0097]OtsuThresholding的設(shè)計(jì)思路是:一個(gè)閾值的好壞,是通過(guò)這個(gè)閾值產(chǎn)生的各個(gè)類別之間的區(qū)分性來(lái)評(píng)價(jià)的，這個(gè)區(qū)分性可以用類間方差(between-classvariance)來(lái)描述，類間方差越大，類之間的區(qū)分性越好，所以，OtsuThresholding就是通過(guò)最大化類間方差來(lái)實(shí)現(xiàn)的。算法步驟如下:[0098]統(tǒng)計(jì)影像的灰度直方圖，并進(jìn)行歸一化；假設(shè)要將影像分割成k個(gè)類別，分別記為Ci,iε[1，k],則要確定k_l個(gè)閾值,分別記為Ti,ie[1，k_l],IVTi;計(jì)算整張影像的平均灰度μA;計(jì)算每種閾值情況下的類間方差σΒ2;使σΒ2取得最大值的閾值就是要找的閾值。[0099]按上述方法使用基于特征點(diǎn)區(qū)域增長(zhǎng)來(lái)尋找特征點(diǎn)的前景區(qū)域(支撐鄰域)，能夠盡可能保證特征點(diǎn)的支撐鄰域?qū)儆谕粋€(gè)物體和屬于同一個(gè)平面，減少其它紋理對(duì)解算仿射變形參數(shù)的影響，這種方法實(shí)際上起到了基于影像內(nèi)容自適應(yīng)變窗口的效果。選擇小范圍(基于特征點(diǎn))的區(qū)域增長(zhǎng)而放棄類似MSER算法的大范圍的區(qū)域分割，能夠降低對(duì)區(qū)域分割算法的難度要求，更好的避免區(qū)域提取時(shí)多個(gè)影像提取的區(qū)域范圍不一致所造成的不良影響。[0100]步驟S202:計(jì)算前景區(qū)域的形狀參數(shù)。[0101]計(jì)算前景區(qū)域的形狀參數(shù)包含兩方面內(nèi)容:統(tǒng)計(jì)前景區(qū)域形狀的協(xié)方差矩陣以及根據(jù)協(xié)方差矩陣進(jìn)行橢圓擬合，計(jì)算橢圓的長(zhǎng)軸、短軸和旋轉(zhuǎn)主方向。[0102]其中，橢圓的旋轉(zhuǎn)主方向和橢圓的短軸與長(zhǎng)軸之比可以反映局部影像的各向異性，根據(jù)各個(gè)尺度上特征點(diǎn)區(qū)域增長(zhǎng)結(jié)果的橢圓擬合參數(shù)之間的相似程度，可挑選出特征的一些代表尺度，去掉與代表尺度橢圓參數(shù)類似的尺度，利用代表尺度上特征點(diǎn)區(qū)域增長(zhǎng)得到的前景區(qū)域形狀的協(xié)方差矩陣，對(duì)影像局部進(jìn)行仿射變形糾正，可消除影像的各向異性，使糾正后的同名特征局部影像之間的變形降低為平面相似變換的級(jí)別，利用對(duì)平面相似變換級(jí)別影像匹配處理較好的SIFT算法即可在糾正影像上完成后續(xù)的特征描述。單個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域協(xié)方差矩陣僅能對(duì)影像局部進(jìn)行糾正，但由于特征點(diǎn)分布在影像各處，所以影像各處都能夠分別得到糾正。[0103]本步驟中，利用基于特征點(diǎn)區(qū)域增長(zhǎng)得到的前景區(qū)域的形狀參數(shù)，即該前景區(qū)域形狀的協(xié)方差矩陣所對(duì)應(yīng)的橢圓旋轉(zhuǎn)主方向和橢圓的短軸與長(zhǎng)軸之比來(lái)進(jìn)行特征代表尺度的選擇，可以非常有效的應(yīng)對(duì)影像變形較大時(shí)影像上尺度的各向異性對(duì)特征尺度選擇帶來(lái)的不利影響，從而實(shí)現(xiàn)用一種簡(jiǎn)單的方式完成影像變形較大情況下的特征尺度的選擇。[0104]進(jìn)行區(qū)域的仿射變形只需要用到前景區(qū)域形狀的協(xié)方差矩陣，計(jì)算橢圓擬合的參數(shù)則是用于特征代表尺度的選擇，去掉冗余尺度。區(qū)域協(xié)方差矩陣統(tǒng)計(jì)、橢圓擬合及橢圓參數(shù)的計(jì)算均為十分成熟的現(xiàn)有技術(shù)中，本發(fā)明實(shí)施例列舉其中一種實(shí)現(xiàn)方法，其余的不作更多說(shuō)明。[0105]統(tǒng)計(jì)前景區(qū)域形狀的協(xié)方差矩陣:[0106]特征點(diǎn)區(qū)域增長(zhǎng)以后，屬于前景區(qū)域形狀P的像素被標(biāo)記為1，其它像素被標(biāo)記為0，則前景區(qū)域形狀的協(xié)方差矩陣Σ可以按以下公式來(lái)計(jì)算。「I.■/、IUu)ep「…_Σ,Σ,x\v°f(x,y)[0108]^—~~ΣΧ/'yfi^y)[0109]Jfi01=~—-Σ-—?)'(.)’—mm廣/卜,.】’)[0110]mn=~:~.YY"~--Σ,Σ,(.ν-川…)2(.ν-)。.ν)[0111]IH=^:——-~^-—ΣΙ."'〗’)Σ'Σ,(-V—,"in)"(>'—/Η--)2/0。;)[0112]W02=-~γγ~:-λ,Σ,-/(aW)mwmu[0113]Σ=2011nHl?02_[0114]其中，(X，y)表示觀測(cè)到的平面形狀P的坐標(biāo)。[0115]計(jì)算橢圓擬合的橢圓參數(shù):[0116]平面橢圓共有以下參數(shù):橢圓的重心坐標(biāo)，橢圓的長(zhǎng)半軸a,橢圓的短半軸b,橢圓的旋轉(zhuǎn)主方向Θ。前景區(qū)域形狀的重心坐標(biāo)就是橢圓的重心坐標(biāo)，長(zhǎng)軸、短軸和旋轉(zhuǎn)主方向可以由區(qū)域形狀的協(xié)方差矩陣的特征值A(chǔ)1,^λ2)和特征向量ei來(lái)計(jì)算，計(jì)算公式如下:[0117]^_^o+^n+VO?,,)-^)2+^?!,2[0118]Λ^nh,+mK-^{ni2,-m{n)-+4mt2—2(e\x\~m2o)+wIl[0119]==\eiyJ_Λ—m20_^(A1-M20)2+mn2y[0120]a=2^[0121]b=2^[0122]6?=atan2(tn)[0123]步驟S203:選擇代表尺度窗口，去除冗余尺度窗口。[0124]本發(fā)明實(shí)施例中，為保證特征的完備性，建立的尺度空間是有所冗余的。如果使用所有尺度上的特征，就是所謂的多尺度方法(Mult1-ScaleMethod)，如果按照某些規(guī)則挑選出一些尺度上的特征，就是尺度選擇方法(ScaleSelect1nMethod)。發(fā)明人研究發(fā)現(xiàn)，當(dāng)影像的成像視角差異較大，影像間的變形比較嚴(yán)重時(shí)，類似SIFT之類的匹配算法會(huì)失效，經(jīng)多方分析，這主要有兩個(gè)原因:隨著影像間變形程度的加深，影像上尺度的各向異性會(huì)越來(lái)越嚴(yán)重，使用各向同性的DoG算子進(jìn)行尺度選擇，效果必然會(huì)急劇變差，直接導(dǎo)致進(jìn)行特征描述時(shí)，所描述的影像范圍在各個(gè)影像上不一致；隨著影像間變形程度的加深，使用圓形窗口對(duì)影像進(jìn)行特征描述不能適應(yīng)影像上尺度的各向異性，待匹配影像間同名特征鄰域范圍內(nèi)的梯度分布也是不同的，也就是說(shuō)，如果不先進(jìn)行影像的局部糾正，進(jìn)行SIFT特征描述沒(méi)有意義。[0125]基于上述研究結(jié)果，本發(fā)明實(shí)施例優(yōu)選利用尺度的各向異性來(lái)進(jìn)行尺度選擇。尺度的各向異性在數(shù)學(xué)上可以用上文中對(duì)前景區(qū)域形狀進(jìn)行橢圓擬合的橢圓參數(shù)來(lái)表達(dá)，更具體一點(diǎn)，是橢圓的旋轉(zhuǎn)主方向Θ和橢圓的短軸與長(zhǎng)軸之比r。橢圓的旋轉(zhuǎn)主方向反應(yīng)了最大的尺度變形方向，橢圓的短軸與長(zhǎng)軸之比反應(yīng)了尺度的各向異性程度，而橢圓長(zhǎng)軸、短軸具體的大小只反應(yīng)形狀的縮放，但不會(huì)影響特征的變形。[0126]當(dāng)橢圓的旋轉(zhuǎn)主方向和橢圓的短軸與長(zhǎng)軸之比都比較接近時(shí)，可以認(rèn)為兩個(gè)形狀是基本類似的，所以，通過(guò)對(duì)各個(gè)尺度窗口上進(jìn)行特征點(diǎn)區(qū)域增長(zhǎng)得到的前景區(qū)域形狀進(jìn)行橢圓擬合，并且比較這些橢圓參數(shù)之間的相似程度，就可以進(jìn)行尺度的選擇。當(dāng)鄰近的幾個(gè)尺度上的橢圓參數(shù)相似時(shí)，可以保留其中一個(gè)作為該特征尺度的代表，并利用這個(gè)尺度上的形狀信息對(duì)影像進(jìn)行局部的變形糾正。在本發(fā)明實(shí)施例中，將這些挑選出來(lái)的尺度稱為代表尺度(RepresentativeScales)。[0127]綜上所述，本發(fā)明實(shí)施例中，進(jìn)行尺度選擇的具體過(guò)程是:對(duì)提取的初始特征點(diǎn)在對(duì)應(yīng)的多個(gè)數(shù)值逐漸變大的尺度窗口上分別進(jìn)行種子點(diǎn)區(qū)域增長(zhǎng)；對(duì)每個(gè)區(qū)域增長(zhǎng)得到的前景區(qū)域形狀進(jìn)行橢圓擬合，計(jì)算橢圓的參數(shù)，按尺度窗口的尺度大小的先后順序比較同一特征點(diǎn)對(duì)應(yīng)的橢圓參數(shù)中旋轉(zhuǎn)主方向和短軸與長(zhǎng)軸之比，如果該特征相鄰幾個(gè)尺度對(duì)應(yīng)的旋轉(zhuǎn)主方向差異不超過(guò)20度并且短軸與長(zhǎng)軸之比的差異不超過(guò)0.1，則把這些尺度中最中間的那個(gè)尺度選為該特征的代表尺度。當(dāng)后續(xù)的尺度與這些尺度對(duì)應(yīng)的橢圓參數(shù)差異超限時(shí)，認(rèn)為有新的代表尺度出現(xiàn)，則該特征保留多個(gè)代表尺度。例如:一個(gè)特征點(diǎn)有從小到大6個(gè)尺度窗口，第1、2、3個(gè)尺度上進(jìn)行區(qū)域增長(zhǎng)產(chǎn)生的前景區(qū)域形狀進(jìn)行橢圓擬合時(shí)，橢圓的旋轉(zhuǎn)主方向差異不超過(guò)20度并且短軸與長(zhǎng)軸之比的差異不超過(guò)0.1，即橢圓參數(shù)相似，在這橢圓參數(shù)相似的情況下，用相應(yīng)尺度窗口的前景區(qū)域形狀進(jìn)行仿射變形糾正結(jié)果也會(huì)類似，會(huì)產(chǎn)生冗余，因而需進(jìn)行代表尺度尋找，去除一些多余的尺度，就把第2個(gè)尺度作為一個(gè)代表尺度，剩下的3個(gè)尺度窗口(尺度4、5、6)之間假設(shè)橢圓參數(shù)也相似，但它們與前面的任何一個(gè)尺度上橢圓的參數(shù)差異都超限，則把第5個(gè)尺度也作為一個(gè)代表尺度。所以結(jié)果是，這個(gè)特征點(diǎn)有兩個(gè)代表尺度，其它的尺度則不再考慮。相應(yīng)地，其它的特征點(diǎn)也進(jìn)行類似的操作，為每個(gè)特征點(diǎn)進(jìn)行代表尺度選擇。這種方法對(duì)Corner類型和Blob類型的特征都適用，因?yàn)樗惴ǖ膮⒖家罁?jù)是特征的形狀參數(shù)。[0128]步驟S204:對(duì)影像進(jìn)行仿射變形糾正。[0129]本發(fā)明實(shí)施例中，在經(jīng)過(guò)了前景區(qū)域形狀協(xié)方差矩陣的計(jì)算以及特征代表尺度的選擇以后，利用代表尺度對(duì)應(yīng)的協(xié)方差矩陣對(duì)影像進(jìn)行局部的仿射變形糾正。由于協(xié)方差矩陣是正定矩陣，因而可以進(jìn)行喬里斯基矩陣分解，用分解的結(jié)果矩陣的逆矩陣對(duì)形狀坐標(biāo)進(jìn)行變換，使兩個(gè)變換結(jié)果之間只剩下一個(gè)旋轉(zhuǎn)變形，從而實(shí)現(xiàn)影像的仿射變形糾正。[0130]步驟S205:在糾正后的影像上提取特征點(diǎn)，進(jìn)行特征點(diǎn)描述。[0131]經(jīng)過(guò)仿射變形糾正以后，影像在同名特征附近的相似性提高了很多，這對(duì)完成后續(xù)的影像匹配工作提供了方便。因?yàn)榧m正影像的坐標(biāo)與它對(duì)應(yīng)的原始影像之間的坐標(biāo)轉(zhuǎn)換關(guān)系是確定的，只需在糾正后的影像上提取特征并進(jìn)行特征描述即可。完成這部分功能的算法現(xiàn)在的選擇很多，本發(fā)明實(shí)施例中優(yōu)選使用SIFT算法，關(guān)于SIFT算法的細(xì)節(jié)，可以參考現(xiàn)有資料，本發(fā)明實(shí)施例不做詳細(xì)介紹。在此將要介紹的內(nèi)容，是關(guān)于進(jìn)行特征描述時(shí)非常小但是非常重要的一個(gè)問(wèn)題:特征描述窗口的大小(或稱為匹配窗口的大小)怎樣選取比較合適。不管是使用相關(guān)系數(shù)還是使用類似SIFT特征描述方法形成的特征向量，都會(huì)涉及到選取特征描述窗口大小的問(wèn)題。太小的窗口因?yàn)榘挠跋裥畔⑻?，?duì)特征的描述力度太弱，容易造成較高的誤匹配；描述窗口太大又容易遭受影像變形的影響，導(dǎo)致同名特征之間的相似度下降，同樣降低匹配率，所以選擇合適的特征描述窗口大小對(duì)于提高匹配成功率是非常重要的。[0132]特征描述窗口的大小通常與該特征的尺度是相關(guān)的，比如在SIFT算法中，假設(shè)一個(gè)特征點(diǎn)的尺度為S，那么該特征點(diǎn)的特征描述窗口大小w可以按以下公式來(lái)選取:w=(((int)ceil(s*6))*4+1);其中，Int是將一個(gè)數(shù)值向下取整為最接近的整數(shù)的函數(shù)；ceil是返回大于或者等于指定表達(dá)式的最小整數(shù)。所以，研究特征描述窗口大小對(duì)匹配的影響對(duì)怎樣建立尺度空間有重要的參考價(jià)值。[0133]本發(fā)明實(shí)施例使用了一些有準(zhǔn)確的內(nèi)外方位元素和地表模型的立體像對(duì)來(lái)研究特征描述窗口的大小對(duì)匹配的影響，結(jié)果發(fā)現(xiàn):對(duì)于SIFT特征描述方法，特征描述窗口大小在60個(gè)像素附近比較合適。根據(jù)特征尺度與特征描述窗口大小之間的關(guān)系可以推出，建立尺度空間時(shí)，比較好的尺度范圍是1.5?6.5之間。同時(shí)可以發(fā)現(xiàn)，當(dāng)影像變形比較小時(shí)，增大特征描述窗口，匹配點(diǎn)正確率下降的不是非常明顯，而當(dāng)影像變形比較大時(shí)，匹配點(diǎn)正確率下降速度明顯更快。[0134]實(shí)施例2[0135]如圖3所示，本發(fā)明實(shí)施例公開(kāi)了一種特征提取裝置，包括:第一提取單元100:用于提取原影像的特征點(diǎn)；區(qū)域增長(zhǎng)單元101:用于賦予每個(gè)特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，各特征點(diǎn)的尺度窗口為以各特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；矩陣計(jì)算單元102:用于計(jì)算每個(gè)前景區(qū)域的協(xié)方差矩陣；糾正處理單元103:用于根據(jù)前景區(qū)域的協(xié)方差矩陣對(duì)影像進(jìn)行仿射變形糾正；第二提取單元104:用于在糾正后的影像上提取特征點(diǎn)；描述單元105:用于對(duì)第二提取單元104提取的特征點(diǎn)進(jìn)行描述。[0136]矩陣計(jì)算單元102具體用于根據(jù)每個(gè)前景區(qū)域的協(xié)方差矩陣進(jìn)行橢圓擬合，得出對(duì)應(yīng)每個(gè)前景區(qū)域的橢圓參數(shù)；分別針對(duì)每個(gè)特征點(diǎn)為中心的兩個(gè)以上不同大小的尺度窗口，比較各特征點(diǎn)的兩兩相鄰的尺度窗口對(duì)應(yīng)的前景區(qū)域的橢圓參數(shù)，判斷橢圓參數(shù)差異是否大于預(yù)設(shè)閾值，若否，則認(rèn)為兩兩相鄰的尺度窗口對(duì)應(yīng)的前景區(qū)域的橢圓參數(shù)相似，從獲取的相似的橢圓參數(shù)中選取一個(gè)橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為代表尺度窗口；將與代表尺度窗口中心相同的其余尺度窗口對(duì)應(yīng)的橢圓參數(shù)與代表尺度窗口對(duì)應(yīng)的橢圓參數(shù)進(jìn)行比較，若橢圓參數(shù)差異大于預(yù)設(shè)閾值，將橢圓參數(shù)差異大于預(yù)設(shè)閾值的橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為新的代表尺度窗口，保留原有的代表尺度窗口；糾正處理單元103用于根據(jù)代表尺度窗口的前景區(qū)域協(xié)方差矩陣對(duì)影像進(jìn)行仿射變形糾正。[0137]上述中，橢圓參數(shù)包括長(zhǎng)軸、短軸和旋轉(zhuǎn)主方向，矩陣計(jì)算單元102具體用于按中心相同的兩個(gè)以上尺度窗口的大小順序比較兩兩相鄰尺度窗口對(duì)應(yīng)的橢圓參數(shù)中旋轉(zhuǎn)主方向的差異、短軸與長(zhǎng)軸之比的差異，大小順序指從大到小或從小到大的順序；判斷兩兩相鄰尺度窗口對(duì)應(yīng)的橢圓參數(shù)旋轉(zhuǎn)主方向差異是否大于預(yù)設(shè)閾值，短軸與長(zhǎng)軸之比的差異是否大于預(yù)設(shè)閾值；判斷與第一代表尺度窗口中心相同的其余尺度窗口對(duì)應(yīng)的橢圓參數(shù)與第一代表尺度窗口對(duì)應(yīng)的橢圓參數(shù)中旋轉(zhuǎn)主方向差異是否大于預(yù)設(shè)閾值，短軸與長(zhǎng)軸之比的差異是否大于預(yù)設(shè)閾值。[0138]區(qū)域增長(zhǎng)單元101用于通過(guò)最大類間方差算法OtsuThresholding獲得以作為尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)的增長(zhǎng)閾值；用于通過(guò)尺度不變特征轉(zhuǎn)換SIFT算法在糾正后的影像上提取特征點(diǎn)，進(jìn)行特征描述。[0139]描述單兀105用于通過(guò)大小為55?65像素的描述窗口進(jìn)行糾正特征點(diǎn)描述。[0140]第一提取單元100具體用于根據(jù)標(biāo)準(zhǔn)差為σD的一階高斯導(dǎo)數(shù)計(jì)算影像X方向和y方向的梯度；根據(jù)標(biāo)準(zhǔn)差為σ工的高斯函數(shù)計(jì)算影像灰度二階矩陣SecondMomentMatrix的分量Ix2、lxly和Iy2，使用哈里斯Harris特征點(diǎn)提取算法提取原影像的特征點(diǎn)；其中，標(biāo)準(zhǔn)差σD小于標(biāo)準(zhǔn)差σ1;標(biāo)準(zhǔn)差σD與標(biāo)準(zhǔn)差σι的取值均為I?2。[0141]如圖4所示，本發(fā)明實(shí)施例還提供了一種特征提取裝置，包括:處理器400，存儲(chǔ)器404，總線402和通信接口403，所述處理器400、通信接口403和存儲(chǔ)器404通過(guò)總線402連接。[0142]其中，存儲(chǔ)器404用于存儲(chǔ)程序401；[0143]處理器400用于執(zhí)行存儲(chǔ)器404中的程序401;其中，處理器400通過(guò)通信接口403接收數(shù)據(jù)流；[0144]在具體實(shí)現(xiàn)中，程序401可以包括程序代碼，所述程序代碼包括計(jì)算機(jī)操作指令和算法等；[0145]處理器400可能是一個(gè)中央處理器CPU，或者是特定集成電路ASIC(Applicat1nSpecificIntegratedCircuit),或者是被配置成實(shí)施本發(fā)明實(shí)施例的一個(gè)或多個(gè)集成電路。[0146]如圖3所示，程序401可以包括第一提取單元100:用于提取原影像的特征點(diǎn)；區(qū)域增長(zhǎng)單元101:用于賦予每個(gè)特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，各特征點(diǎn)的尺度窗口為以各特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；矩陣計(jì)算單元102:用于計(jì)算每個(gè)前景區(qū)域的協(xié)方差矩陣；糾正處理單元103:用于根據(jù)前景區(qū)域的協(xié)方差矩陣對(duì)影像進(jìn)行仿射變形糾正；第二提取單元104:用于在糾正后的影像上提取特征點(diǎn)；描述單元105:用于對(duì)第二提取單元104提取的特征點(diǎn)進(jìn)行描述。[0147]所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的裝置的具體工作過(guò)程及原理，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程、原理，在此不再贅述。[0148]在本申請(qǐng)所提供的實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過(guò)其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的連接可以是電性，機(jī)械或其它的形式。[0149]所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上。可以根據(jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。[0150]另外，在本發(fā)明實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。[0151]所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得相應(yīng)設(shè)備執(zhí)行本發(fā)明實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括:手機(jī)、U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM,Read-OnlyMemory)、隨機(jī)存取存儲(chǔ)器(RAM,RandomAccessMemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。[0152]以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)?！緳?quán)利要求】1.一種特征提取方法，其特征在于，應(yīng)用于特征提取裝置，所述方法包括:提取原影像的特征點(diǎn)；賦予每個(gè)所述特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，所述尺度窗口為以各所述特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，所述每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予所述每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；計(jì)算每個(gè)所述前景區(qū)域的協(xié)方差矩陣；根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正；在糾正后的所述影像上提取糾正特征點(diǎn)，進(jìn)行所述糾正特征點(diǎn)描述。2.根據(jù)權(quán)利要求1所述的特征提取方法，其特征在于，所述根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正包括:根據(jù)所述每個(gè)前景區(qū)域的協(xié)方差矩陣進(jìn)行橢圓擬合，得出對(duì)應(yīng)所述每個(gè)前景區(qū)域的橢圓參數(shù)；分別針對(duì)每個(gè)所述特征點(diǎn)，對(duì)每個(gè)特征點(diǎn)為中心的所述兩個(gè)以上不同大小的尺度窗口，比較各所述特征點(diǎn)的兩兩相鄰的尺度窗口對(duì)應(yīng)的所述前景區(qū)域的橢圓參數(shù)，判斷橢圓參數(shù)差異是否大于預(yù)設(shè)閾值，若否，則認(rèn)為所述兩兩相鄰的尺度窗口對(duì)應(yīng)的前景區(qū)域的橢圓參數(shù)相似，從獲取的相似的橢圓參數(shù)中選取一個(gè)橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為第一代表尺度窗口；將與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)進(jìn)行比較，若橢圓參數(shù)差異大于預(yù)設(shè)閾值，將橢圓參數(shù)差異大于預(yù)設(shè)閾值的所述橢圓參數(shù)對(duì)應(yīng)的尺度窗口作為第二代表尺度窗口；根據(jù)所述第一代表尺度窗口和第二代表尺度窗口對(duì)應(yīng)的所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正。3.根據(jù)權(quán)利要求2所述的特征提取方法，其特征在于，所述橢圓參數(shù)包括長(zhǎng)軸、短軸和旋轉(zhuǎn)主方向，所述比較各所述特征點(diǎn)的兩兩相鄰的尺度窗口對(duì)應(yīng)的所述前景區(qū)域的橢圓參數(shù)，判斷橢圓參數(shù)差異是否大于預(yù)設(shè)閾值包括:按中心相同的所述兩個(gè)以上尺度窗口的大小順序比較所述兩兩相鄰尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)中旋轉(zhuǎn)主方向的差異、所述短軸與所述長(zhǎng)軸之比的差異，所述大小順序指從大到小或從小到大的順序；判斷所述兩兩相鄰尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)旋轉(zhuǎn)主方向差異是否大于所述預(yù)設(shè)閾值，所述短軸與所述長(zhǎng)軸之比的差異是否大于所述預(yù)設(shè)閾值；所述將與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)進(jìn)行比較，包括:判斷與所述第一代表尺度窗口中心相同的其余所述尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)與所述第一代表尺度窗口對(duì)應(yīng)的所述橢圓參數(shù)中旋轉(zhuǎn)主方向差異是否大于所述預(yù)設(shè)閾值，所述短軸與所述長(zhǎng)軸之比的差異是否大于所述預(yù)設(shè)閾值。4.根據(jù)權(quán)利要求3所述的特征提取方法，其特征在于，所述預(yù)設(shè)閾值為所述橢圓參數(shù)旋轉(zhuǎn)主方向相差20度，所述短軸與所述長(zhǎng)軸之比相差0.1，所述橢圓參數(shù)差異大于所述預(yù)設(shè)閾值指所述橢圓旋轉(zhuǎn)主方向差異大于20度或所述短軸與所述長(zhǎng)軸之比的差異大于0.1。5.根據(jù)權(quán)利要求1所述的特征提取方法，其特征在于，所述以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)的增長(zhǎng)閾值通過(guò)最大類間方差算法OtsuThresholding獲得。6.根據(jù)權(quán)利要求1所述的特征提取方法，其特征在于，所述在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征點(diǎn)描述包括:使用尺度不變特征轉(zhuǎn)換SIFT算法在糾正后的所述影像上提取特征點(diǎn)，進(jìn)行特征描述。7.根據(jù)權(quán)利要求6所述的特征提取方法，其特征在于，所述使用尺度不變特征轉(zhuǎn)換SIFT算法在糾正后的所述影像上提取糾正特征點(diǎn)，進(jìn)行糾正特征點(diǎn)描述步驟中，所述糾正特征點(diǎn)描述窗口大小為55?65像素。8.根據(jù)權(quán)利要求1所述的特征提取方法，其特征在于，所述提取原影像的特征點(diǎn)包括:根據(jù)標(biāo)準(zhǔn)差為σD的一階高斯導(dǎo)數(shù)計(jì)算影像X方向和y方向的梯度；根據(jù)標(biāo)準(zhǔn)差為σ工的高斯函數(shù)計(jì)算影像灰度二階矩陣SecondMomentMatrix的分量Ix2、IxIy和Iy2,使用哈里斯Harris特征點(diǎn)提取算法提取原影像的特征點(diǎn)；其中，所述標(biāo)準(zhǔn)差σD小于所述標(biāo)準(zhǔn)差O1，所述標(biāo)準(zhǔn)差σD與所述標(biāo)準(zhǔn)差01的取值均為I?2。9.根據(jù)權(quán)利要求1?8任意一項(xiàng)所述的特征提取方法，其特征在于，所述尺度窗口為以各所述特征點(diǎn)為中心獲取的圓形區(qū)域。10.一種特征提取裝置，其特征在于，包括:第一提取單元:用于提取原影像的特征點(diǎn)；區(qū)域增長(zhǎng)單元:用于賦予每個(gè)所述特征點(diǎn)兩個(gè)以上不同大小的尺度窗口，所述尺度窗口為以各所述特征點(diǎn)為中心獲取的區(qū)域；在每個(gè)尺度窗口中，以作為所述尺度窗口的中心的特征點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)而分別得到每個(gè)所述特征點(diǎn)對(duì)應(yīng)的兩個(gè)以上的前景區(qū)域，所述每個(gè)特征點(diǎn)對(duì)應(yīng)的前景區(qū)域的數(shù)量等于賦予所述每個(gè)特征點(diǎn)的尺度窗口的數(shù)量；矩陣計(jì)算單元:用于計(jì)算每個(gè)所述前景區(qū)域的協(xié)方差矩陣；糾正處理單元:用于根據(jù)所述前景區(qū)域的協(xié)方差矩陣對(duì)所述原影像進(jìn)行仿射變形糾正糾正；第二提取單元:用于在糾正后的所述影像上提取糾正特征點(diǎn)；描述單元:用于對(duì)所述第二提取單元提取的所述糾正特征點(diǎn)進(jìn)行描述。【文檔編號(hào)】G06K9/46GK104268550SQ201410479118【公開(kāi)日】2015年1月7日申請(qǐng)日期:2014年9月18日優(yōu)先權(quán)日:2014年9月18日【發(fā)明者】魯路平,張勇申請(qǐng)人:魯路平