本发明涉及计算机视觉任务技术领域，具体涉及基于平稳小波变换和亮度序的局部特征描述方法。
背景技术：
图像局部特征的描述是计算机视觉和模式识别领域中一个基础热点问题，其成果已经被广泛应用于目标识别(参见文献“lowedg.distinctiveimagefeaturesfromscale-invariantkeypoints[j].internationaljournalofcomputervision,2004,60(2):91-110.”)，图像检索(参见文献“yangy,newsams.geographicimageretrievalusinglocalinvariantfeatures[j].ieeetransactionsongeoscienceandremotesensing.2013,51(2):818-832.”)，三维重建(参见文献“furukaway,poncej.accurate,dense,androbustmulti-viewstereopsis[j].ieeetransactionsonpatternanalysisandmachineintelligence,2010,32(8):1362-1376.”)，图像配准(参见文献“wangsh,youhj,fuk.bfsift:anovelmethodtofindfeaturematchesforsarimageregistration[j].ieeegeoscienceandremotesensingletters,2012,9(4):649-653.”)等众多领域中。其中，sift(scaleinvariantfeaturetransform)(参见文献“lowedg.distinctiveimagefeaturesfromscale-invariantkeypoints[j].internationaljournalofcomputervision,2004,60(2):91-110.”)是最常用的描述子之一，在对比实验中常常用作基础算法，gloh(gradientlocationandorientationhistogram)(参见文献“mikolajczykk,schmidc.aperformanceevaluationoflocaldescriptors[j].ieeetransactionsonpatternanalysisandmachineintelligence,2005,27(10):1615-1630.”)和daisy(参见文献“tolae,lepetitv,fuap.daisy:anefficientdensedescriptorappliedtowide-baselinestereo[j].ieeetransactionsonpatternanalysisandmachineintelligence,2010,32(5):815-830.”)描述子是两种sift描述子的延伸扩展算法。这些算法仅能保证对图像几何变换和线性亮度变化具有一定的不变性，然而图像局部区域的亮度变化通常不是线性的，图像局部区域的非线性亮度变化(如单调亮度变化)往往导致上述描述子性能急剧下降。
针对图像非线性亮度变化问题，基于像素点相对序和对比关系的描述子已经被提出。文献(参见文献“tangf,limsh,changnl,etal.anovelfeaturedescriptorinvarianttocomplexbrightnesschanges[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,miamifl,usa:ieeepress,2009:2631-2638.”)提出了osid(ordinalspatialintensitydistribution)描述子，其利用亮度序和空间序构建三维直方图，统计三维直方图便得到一种鲁棒性较强的亮度不变局部特征描述子。文献(参见文献“wangz,fanb,wuf.localintensityorderpatternforfeaturedescription[c].proceedingsofieeeinternationalconferenceoncomputervision,washingtond.c.,usa:ieeepress,2011:603-610.”)提出了liop(localintensityorderpattern)描述子，该描述子利用亮度序对支持区域进行划分，进而在划分的子区域上建立特征直方图，其优势是不需要计算局部区域的主方向。文献(参见文献“ojalat,pietikainenm,maenpaat.multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[j].ieeetransactionsonpatternanalysisandmachineintelligence,2002,24(7):971-987.”)利用每个像素点与其邻域点之间的对比关系来构建lbp(localbinarypattern)描述子。文献(参见文献“m,m,schmidc.descriptionofinterestregionswithlocalbinarypatterns[j].patternrecognition,2009,42(3):425-436.”)编码了对称邻域点之间的对比关系并将其嵌入到sift框架内，从而得到了cslbp(centersymmetriclocalbinarypattern)描述子。文献(参见文献“guptar,patilh,mittala.robustorder-basedmethodsforfeaturedescription[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,sanfrancisco,ca,usa:ieeepress,2010,334-341.”)建立了两种描述子：基于像素相对序列的hri描述子(histogramofrelativeintensities)和基于像素点之间对比关系的csltp(centersymmetriclocalternarypatterns)描述子，将hri描述子和csltp描述子串联起来便得到hri-csltp描述子。然而这些方法均是在单支持区域中构建的，但单支持区域易受到图像扭曲的影响，不能保证描述子的鲁棒性(参见文献“fanb,wuf,huz.rotationallyinvariantdescriptorsusingintensityorderpooling[j].ieeetransactionsonpatternanalysisandmachineintelligence,2012,34(10):2031-2045.”)，因此，针对传统的局部特征描述方法，有必要提出一种非线性亮度不变的局部特征描述子。
技术实现要素：
本发明根据上述现有技术中存在的问题，提供基于平稳小波变换和亮度序的局部特征描述方法。利用多支持区域来构造描述子可获得比单支持区域更好的匹配准确率，保证所构造的局部特征描述子对非线性亮度变化具有不变性和较强的鲁棒性。
为解决上述问题，本发明采用的技术方案是：基于平稳小波变换和亮度序的局部特征描述方法，其特征在于，包括：
利用hessian-affine算子检测仿射协变区域；
利用平稳小波变换对检测区域进行分解，获得不同尺度的多支持区域；
利用亮度序对支持区域进行划分，得到互不重叠的子区域；
利用三值模式策略在局部旋转不变坐标系下计算局部特征描述子。
进一步地，所述利用hessian-affine算子检测仿射协变区域；具体为：采用hessian-affine算子进行区域检测并进行预处理和归一化处理；其中区域检测为椭圆形区域，对该椭圆形区域进行预处理和归一化处理，得到支持区域。
优选的，所述椭圆形区域为双线性插值构成的大小为41×41像素的检测区域。
进一步地，所述利用平稳小波变换对检测区域进行分解，获得不同尺度的多支持区域；具体为：采用平稳小波变换对归一化处理的检测区域进行分解，产生不同尺度的n个低频图像作为多支持区域；令uk为一信号序列，则其swt分解为：
其中，h和g是正交滤波器，a0＝uk，h[0]＝h，g[0]＝g。
进一步地，所述利用亮度序对支持区域进行划分，得到互不重叠的子区域；具体为：
设r是一个支持区域，将r内所有像素点进行非降排序：
{xf(1),xf(2),l,xf(n):i(xf(1))≤i(xf(2))≤l≤i(xf(n))}
其中x1,x2,l,xn是该支持区域内n个像素点，i(x1),i(x2),l,i(xn)表示像素点x1,x2,l,xn对应的像素点亮度值，f(1),f(2),l,f(n)是1,2,l,n的一个排列；等间距选取k+1个亮度值t1,t2,ltk：
其中
根据所选取的ti值将r划分为k个子区域：
ri＝{xj∈r:ti-1≤i(xj)≤ti},i＝1,2,l,k。
进一步地，所述利用三值模式策略在局部旋转不变坐标系下计算局部特征描述子，具体包括：
对于任意像素点xi∈rk，首先建立旋转不变坐标系，其中s是利用hessian-affine算子获取的特征点，是像素点xi在该坐标系下给定半径圆上等间距分布的8个邻域点；根据csltp描述子的构造策略，像素点xi处的描述向量可以表示为：
其中，
令
其中，l＝1,2,l,9；则像素点xi可以描述为：
f(xi)＝(f1,f2,f3,f4,f6,f7,f8,f9)；
子区域rk的描述向量可以表达为：
单支持区域r上的描述向量可以表示为：
d(r)＝(f(r1),f(r2),l,f(rk))；
在n个支持区域上的描述向量可以表示为：
d＝(d1,d2,l,dn)；
其中dn是第n个支持区域上的描述向量。
进一步地，所述局部特征描述子为8*k*n维向量，对d进行归一化后其每个元素的值不大于0.2。
与现有技术相比，本发明具有以下优点：
1、通过利用swt分解获得多个支持区域，使得该支持区域具有一定的方向性和尺度性，有效的反映区域的纹理信息，保证了描述子的鲁棒性；
2、本发明利用亮度序进行区域划分，其最大的优势是不需要计算支持区域的主方向，不仅提高了算法的时间效率，而且确保了所构造描述子的单调亮度变化不变性；
3、本发明在局部旋转不变坐标系下计算局部特征描述子，确保了所构造描述子的旋转不变性；
4、本发明通过利用三值模式策略来描述子局部区域，进一步提高了局部特征描述子的鉴别力。
附图说明
图1为本发明提出基于平稳小波变换和亮度序的局部特征描述方法流程图；
图2为本发明提出的利用平稳小波变换获得四个支持区域的示例图；
图3为本发明利用亮度序将支持区域划分为6个相互独立子区域的示例图；
图4为本发明一实施方式的所使用的局部旋转不变坐标系的示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当本发明称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明的方法综合利用了平稳小波变换在分解图像信息的有效性、尺度性和亮度序在区域划分时的单调亮度不变性。需要特别指出的是，常见的局部特征描述子(如sift描述子)为了获得旋转不变性，必须计算区域的主方向并按照该方向将局部区域进行校正，而本发明不需要计算计算区域主方向，不仅大大提高了本发明方法的时间效率，而且减少了因计算区域主方向所带来的误差。此外，本发明通过利用三值模式来描述局部区域，比传统的二值模式(如cslbp描述子)更能精确反映图像像素点之间的大小关系，并且大大降低了描述向量的维数。
本发明的方法在oxford标准数据库上进行了测试，该方法在图像模糊变化、视角变化、线性亮度变化和jpeg压缩变化下表现出较好的性能，特别在包含丰富纹理信息的图像序列集下表现更佳。
参见图1为本发明一实施方式的局部特征描述方法流程图。
如图1所示，本发明提供一种基于平稳小波变换和亮度序的局部特征描述方法，包括：利用hessian-affine算子检测仿射协变区域；利用平稳小波变换对检测区域进行分解，获得不同尺度的多支持区域；利用亮度序对支持区域进行划分，得到互不重叠的子区域；利用三值模式策略在局部旋转不变坐标系下计算局部特征描述子。
图2示出了根据本发明一实施方式的利用平稳小波变换获得四个支持区域的示例图。
如图2所示，本发明利用平稳小波对归一化区域进行分解，得到四个不同尺度和方向的低频图像作为多支持区域，支持区域的大小与归一化区域一致。
图3示出了根据本发明一实施方式的利用亮度序将支持区域划分为6个相互独立子区域的示例图。
图3分别示出了区域划分策略和6个划分后的子区域，6个子区域相互独立不重叠并完整的将支持区域进行划分。
图4为本发明一实施方式的所使用的局部旋转不变坐标系的示意图。如图4所示，是利用hessian-affine算子获取的特征点，是像素点在该坐标系下给定半径圆上等间距分布的8个邻域点；该坐标系本质上是旋转不变的，并保证本发明方法的旋转不变性。
1、基于平稳小波变换的多支持区域
现有的局部特征描述子大都在单支持区域内构造的，然而单一的支持区域不足以确保图像局部特征描述子的稳定性。较常用的多支持区域策略是n嵌套的多支持区域[13]，但该策略仅仅体现关键区域的空间信息而忽略频率等重要信息。相对于二维离散小波，平稳小波在变换的过程中不存在下采样操作，具有平移不变性(参见文献“fanb,wuf,huz.rotationallyinvariantdescriptorsusingintensityorderpooling[j].ieeetransactionsonpatternanalysisandmachineintelligence,2012,34(10):2031-2045.”)，其输出的高低频图像与原始图像大小一致，保留了原始图像的空间信息，因此利用swt来获取n个支持区域。令uk为一信号序列，则其swt分解为：
其中，h和g是正交滤波器，a0＝uk，h[0]＝h，g[0]＝g。
2、基于亮度序的区域划分
利用亮度序进行区域划分是最近较为常用的方法(参见文献“wangz,fanb,wuf.localintensityorderpatternforfeaturedescription[c].proceedingsofieeeinternationalconferenceoncomputervision,washingtond.c.,usa:ieeepress,2011:603-610.”，“fanb,wuf,huz.rotationallyinvariantdescriptorsusingintensityorderpooling[j].ieeetransactionsonpatternanalysisandmachineintelligence,2012,34(10):2031-2045.”)，其最大的优势是不需要计算支持区域的主方向，不仅提高了算法的时间效率，而且确保了所构造描述子的旋转不变性和单调亮度变化不变性。若r是一个支持区域，首先，将r内所有像素点进行非降排序：
{xf(1),xf(2),l,xf(n):i(xf(1))≤i(xf(2))≤l≤i(xf(n))}
(2)
其中x1,x2,l,xn是该支持区域内n个像素点，i(x1),i(x2),l,i(xn)表示像素点x1,x2,l,xn对应的像素点亮度值，f(1),f(2),l,f(n)是1,2,l,n的一个排列。
其次，等间距选取k+1个亮度值t1,t2,ltk：
其中
最后，根据所选取的ti值将r划分为k个子区域：
ri＝{xj∈r:ti-1≤i(xj)≤ti},i＝1,2,l,k(4)
3、局部特征描述
对于任意像素点xi∈rk，首先建立旋转不变坐标系(参见文献“fanb,wuf,huz.rotationallyinvariantdescriptorsusingintensityorderpooling[j].ieeetransactionsonpatternanalysisandmachineintelligence,2012,34(10):2031-2045.”)，如图4所示，其中s是利用hessian-affine算子获取的特征点，是像素点xi在该坐标系下给定半径圆上等间距分布的8个邻域点。根据csltp描述子(参见文献“guptar,patilh,mittala.robustorder-basedmethodsforfeaturedescription[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,sanfrancisco,ca,usa:ieeepress,2010,334-341.”)的构造策略，像素点xi处的描述向量可以表示为：
其中，由文献(参见文献“guptar,patilh,mittala.robustorder-basedmethodsforfeaturedescription[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,sanfrancisco,ca,usa:ieeepress,2010,334-341.”)可知，公式(5)中的三值模式比cslbp描述子中的二值模式更能精确反映图像像素点之间的大小关系，并且大大降低了描述向量的维数，仅产生8种不同的模式。
若令
其中，l＝1,2,l,9；则像素点xi可以描述为：
f(xi)＝(f1,f2,f3,f4,f6,f7,f8,f9)(7)
由公式(7)可知，f(xi)中不包含f5，当f5＝1时，则有pr,t(xi)＝4，由公式(5)可推出和这意味着像素点xi的对角邻域非常接近，不具有很好的鉴别力(参见文献“guptar,patilh,mittala.robustorder-basedmethodsforfeaturedescription[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,sanfrancisco,ca,usa:ieeepress,2010,334-341.”)。易知，f(xi)是8维的向量并且仅有一个元素为1，其余元素全为0。根据文献(参见文献“guptar,patilh,mittala.robustorder-basedmethodsforfeaturedescription[c].proceedingsofieeeconferenceoncomputervisionandpatternrecognition,sanfrancisco,ca,usa:ieeepress,2010,334-341.”)的参数设置，本文设置公式(5)中的参数r＝2和t＝3。则子区域rk的描述向量为：
在单支持区域r上的描述向量可以表示为：
d(r)＝(f(r1),f(r2),l,f(rk))(9)
则在n个支持区域上的描述向量为：
d＝(d1,d2,l,dn)(10)
其中dn是第n个支持区域上的描述向量。可知该描述子是8×k×n维向量。最后对d进行归一化使其每个元素的值不大于0.2，以减少其较大元素的影响。
本发明提供的基于平稳小波变换和亮度序的局部特征描述方法，具有以下优点：1、通过利用swt分解获得多个支持区域，使得该支持区域具有一定的方向性和尺度性，有效的反映区域的纹理信息，保证了描述子的鲁棒性；2、本发明利用亮度序进行区域划分，其最大的优势是不需要计算支持区域的主方向，不仅提高了算法的时间效率，而且确保了所构造描述子的单调亮度变化不变性；3、本发明在局部旋转不变坐标系下计算局部特征描述子，确保了所构造描述子的旋转不变性；4、本发明通过利用三值模式策略来描述子局部区域，进一步提高了局部特征描述子的鉴别力。
本技术领域技术人员可以理解，本发明可以涉及用于执行本申请中所述操作中的一项或多项操作的设备。其中设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备，所述通用计算机有存储在其内的程序选择性地激活或重构。这样的计算机程序被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、随即存储器(ram)、只读存储器(rom)、电可编程rom、电可擦rom(eprom)、电可擦除可编程rom(eeprom)、闪存、磁性卡片或光线卡片。可读介质包括用于以由设备(例如，计算机)可读的形式存储或传输信息的任何机构。例如，可读介质包括随即存储器(ram)、只读存储器(rom)、磁盘存储介质、光学存储介质、闪存装置、以电的、光的、声的或其他的形式传播的信号(例如载波、红外信号、数字信号)等。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来生成机器，从而通过计算机或其他可编程数据处理方法的处理器来执行的指令创建了用于实现结构图和/或框图和/或流图的框或多个框中指定的方法。
本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也被交替、更改、重排、分解、组合或删除。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。