基于圖像輪廓的角點檢測方法研究.pdf

1、角點是圖像或物體的主要特征信息，角點檢測是圖像處理、模式識別和計算機視覺等領(lǐng)域中重要的基礎(chǔ)性研究內(nèi)容之一。好的角點檢測器對完成許多計算機視覺任務(wù)，如圖像匹配、目標識別、運動分析等有著至關(guān)重要的作用。在現(xiàn)實中圖像可能受到噪聲、背景的干擾，也可能發(fā)生視角、光照、尺度、平移、旋轉(zhuǎn)、仿射等變化，角點檢測器的檢測性能直接決定了圖像處理的效率和精度。目前現(xiàn)有的角點檢測算法在檢測精度、實時性以及算法復(fù)雜度等方面仍然存在不足，很多算法只是依賴于直覺和經(jīng)

2、驗來解釋其可行性，缺乏相應(yīng)的數(shù)學(xué)論證。如何解決角點檢測算法的一致性、準確性和復(fù)雜性的問題，使得角點具有良好的表征性和魯棒性是一個十分關(guān)鍵的問題。
　　 本文選題來源于重慶市自然科學(xué)基金重點項目“圖像處理技術(shù)及應(yīng)用基礎(chǔ)研究”中的圖像特征檢測與描述。該項研究內(nèi)容將構(gòu)建多種特征檢測器，為圖像的結(jié)構(gòu)化描述提供一種有效的表達方式?；诖耍疚牡难芯抗ぷ髦饕ǎ貉芯科矫媲€協(xié)方差矩陣的特征值和性質(zhì)，在高斯尺度空間構(gòu)建輪廓曲線的梯度相關(guān)矩陣

3、，研究輪廓曲線的拉普拉斯交換和在B-樣條尺度空間研究輪廓演化差異等輪廓曲線的新特性和新方法，為此設(shè)計幾種角點檢測算法，并對提出的各種角點檢測器進行性能評估。本文研究工作具體如下：
　　 ①研究平面輪廓局部支撐域上的協(xié)方差矩陣，通過對協(xié)方差矩陣的特征值和特征向量的分析，以及對V角點模型以及圓角點模型分析，證明了協(xié)方差矩陣行列式在角點位置有唯一的極值響應(yīng)?；诖?，本文提出了基于協(xié)方差矩陣行列式(DCM)的角點檢測算法，該算法以平面曲

4、線輪廓支撐域的協(xié)方差矩陣行列式作為角點響應(yīng)函數(shù)。
　　 ②除了DCM外，梯度相關(guān)矩陣也能夠反映輪廓的特征，本文研究了梯度相關(guān)矩陣的特征值和特征向量，獲得了這些矩陣特征和平面輪廓曲線局部性質(zhì)之間的關(guān)系，即梯度向量自相關(guān)矩陣的特征值和特征向量的幾何意義。由此，本文把梯度向量自相關(guān)矩陣行列式(GCM)設(shè)計為角點檢測的響應(yīng)函數(shù)，給出了GCM角點檢測算法實現(xiàn)步驟。并針對單角點Γ模型和END雙角點模型從理論上研究了GCM在角點位置的極值特性

5、。
　　 ③本文把平面曲線的LoG算子定義為一個矢量計算，研究了LoG算子作用于平面輪廓曲線之后的特征和規(guī)律。通過分析和理論證明可知，LoG算子的范數(shù)在平面輪廓曲線的角點位置上具有唯一的極值響應(yīng)。因此，本文把LoG算子的范數(shù)定義為一種新的角點響應(yīng)函數(shù)，從而給出了LoG角點檢測算法。實驗結(jié)果分析表明LoG算法檢測率高，魯棒性強，復(fù)雜度小，具有計算速度快和容易實施的特點。
　　 ④前面幾種算法是在高斯尺度空間下獲得的檢測器。

6、本文進一步研究了B-樣條尺度空間多個尺度的圖像輪廓演化特征。輪廓的角點鄰域在不同尺度下的演化差異顯著，其他位置則呈現(xiàn)較為一致的響應(yīng)強度。這樣，根據(jù)不同尺度下的演化差異的局部極值點來定位角點，可以把圖像輪廓的演化差異DoB的范數(shù)定義為角點響應(yīng)函數(shù)，從而有效地融合各個尺度的特征信息，既增強了特征點的響應(yīng)，又抑制了噪聲的影響。DoB角點檢測算法解決了候選角點單一尺度的問題，提高了檢測的精度，同時B-樣條實現(xiàn)了快速卷積，有效地解決了采用高斯核的

7、卷積計算的復(fù)雜度隨尺度變大而增加的問題，提高了檢測的速度。實驗結(jié)果表明算法檢測速度快，定位準確，檢測精度高。
　　 ⑤本文引入CCN、ACU和重復(fù)率角點評價準則，把文中提出四種新的角點檢測器(DCM、GCM、LoG、DoB)和一些經(jīng)典的檢測器(Harris、CSS和Wavelet)進行了綜合性能評估。對大量圖像進行旋轉(zhuǎn)、仿射、尺度、噪聲等變換，評估各種角點檢測器的各項性能指標。從評估結(jié)果上看，本文提出的幾種角點檢測器效果良好，可