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機上完成和實現(xiàn)，功耗較大，耗時費力。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)進行圖像處理不僅節(jié)省了時間，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。本文主要針對如何將圖像特征點匹配算法成功移植到嵌入式系統(tǒng)中這一問題展開相關(guān)的研究。文章選用SURF算法進行研究，為使SURF算法能夠成功移植到DSP中，我們對SURF算法進行了相關(guān)的改進，通過減少并控制特征點檢測數(shù)量和OpenCV底層數(shù)據(jù)庫的成功移植，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

隨著計算機、多媒體技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)也逐漸成為人類社會生活的一部分，其中物體識別圖像匹配技術(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)過人們的長期研究，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匹配算法［1］。經(jīng)過對前人結(jié)果的總結(jié)，2006年由Bay等人提出了一種對SIFT算法的改進算法，即SURF算法，該算法利用積分圖像對SIFT算法的DoH進行了相似性變化，在SITF基礎(chǔ)之上利用Haar小波實現(xiàn)了算法的平移、旋轉(zhuǎn)不變性，并對其描述子進行分析，實現(xiàn)了對描述子的降維，由原來的128維降到64維［2］，在保證識別效果的基礎(chǔ)上不僅提高了運算速度，而且增強了匹配的精度和穩(wěn)定性，也大大提高了算法的實時性。本文以SURF算法為主要研究對象，對其能否實現(xiàn)在DSP芯片上的移植應(yīng)用做了相關(guān)的探索的研究，并通過對算法的改進成功將其移植到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行圖像匹配，這種方法計算量較大，匹配速度較慢，而且當信息量較少時可能會出現(xiàn)較大的無匹配現(xiàn)象，因此不常采用。

圖1 模板匹配結(jié)果圖

圖2 特征點匹配實驗

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)象時敏感度較低，適應(yīng)性強，而且對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)階段相對來說最高效穩(wěn)定的SURF算法進行相關(guān)研究。

SURF算子的生成步驟主要包括以下幾個步驟：一是構(gòu)建尺度空間檢測極值點，方法是利用積分圖像。二是特征點的精確定位是利用Hessian矩陣確定待選的點，然后進行非極大值的抑制。三是特征點主方向的確定，每個特征點為使特征具有旋轉(zhuǎn)不變性都需分配一個主方向，在以6s（s為特征點尺度）為半徑的圓內(nèi)對圖像進行Haar小波運算。以特征點為中心，在矩形區(qū)域內(nèi)沿著主方向?qū)D像分為4*4個子塊，利用Haar小波響應(yīng)計算得到特征矢量［5］。最后進行特征點的匹配。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算法庫的移植

因為我們的SURF算法是基于OpenCV函數(shù)庫編寫的，所以在嵌入式移植過程中對OpenCV底層數(shù)據(jù)庫的移植也是一項很重要的過程。

在DSP上使用Opencv能夠輕松的開發(fā)出使用的算法，如目標跟蹤算法、模式識別算法等。因此，將Opencv移植到DSP上是一個具有創(chuàng)新性和實際應(yīng)用價值的課題。OpenCV移植主要是兩個主體模塊：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)庫的移植關(guān)鍵步驟。首先是對CV和CXCORE庫文件的創(chuàng)建，然后進行相應(yīng)的移植程序的調(diào)試。

圖3 CV和CXCORE項目創(chuàng)建和程序調(diào)試

2.2 SURF算法優(yōu)化改進

當圖像的對比度較低時，容易出現(xiàn)圖像特征點誤匹配或造成圖像特征點檢測時產(chǎn)生不均勻的情況，并且當圖像提取的特征點數(shù)目過多的時候，會使得匹配的時間增加，無法滿足我們所要求的實時性，在實際應(yīng)用中，如果我們能夠在得到特征點的坐標信息以后且在描述子生成之前來明確控制特征點的數(shù)目，就可以減少對不必要的描述子進行描述，從而使得特征點的提取時間減少，提高特征匹配的運算效率。我們改進的SURF算法的方法是控制特征點檢測數(shù)量。首先，設(shè)定特征點的數(shù)量閾值和距離閾值，然后進行相應(yīng)的比較，當特征點的提取數(shù)量大于數(shù)量閾值時，可以針對稠密的特征點進行篩選和去除。若在某一特征點的領(lǐng)域內(nèi)存在特征點與其鄰域內(nèi)某一點的距離小于距離閾值，那么我們就認為這一特征點是稠密點，進行剔除，反之則保留該特征點［7］。

我們采用大小為500×500的圖片進行仿真。圖4為原SURF算法圖像和調(diào)整閾值之后的對比圖，我們可以看出特征點數(shù)量的對比情況：左邊圖像652個特征點，經(jīng)改進后，右邊圖像提取265個特征點。并經(jīng)過對比發(fā)現(xiàn)，設(shè)置閾值后的特征點檢測時間也相應(yīng)的減少，但是匹配效果卻沒有明顯的影響。

圖4 圖像特征點數(shù)量對比圖

圖5 改進后SURF算法縮放匹配圖像

圖6 改進后SURF算法旋轉(zhuǎn)匹配圖像

3 SURF算法移植仿真實驗

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，得到改進后算法的匹配圖像。通過改進閾值算法控制特征點檢測數(shù)量和對OpenCV底層數(shù)據(jù)庫的移植，成功實現(xiàn)對SURF算法的移植，并得到仿真實驗結(jié)果圖。

4 結(jié)論

本文是以物體識別圖像匹配算法為研究基礎(chǔ)，對其中的點特征匹配進行相關(guān)研究，主要研究成果在于將實驗證明過的高效率、高魯棒性的SURF算法進行移植，最終實現(xiàn)算法在嵌入式系統(tǒng)中的應(yīng)用，其優(yōu)點在于應(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，而且更加豐富了實驗室課題組的創(chuàng)新研究理論。

參考文獻

［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.計算機視覺類庫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.一種改進的基于SURF的快速圖像匹配算法研究［J］.中國體現(xiàn)學(xué)與圖像分析，2011.16（1）∶28-32