（计算机应用技术专业论文）角检测及其在模式识别中的应用.pdf

摘要 本文瞄述了二垒瞒位髻溅( 删裥撇翻铡黼舢腚位李酷。我f f 秩i 堇，艮定盥 算法分为两个阶段，目吣刚淫；l l 壹置( e y ew i n d o w ) 的确定和 日瞵翮自定位，在对 、眠进行精确 定虚时，眼睛角部湿f 言勖锈删雕涯墓啪。雕缫征据溅f 跚是人且目定趔载铂匀i 隹备 阶段。 本妇纠雠帐二维嘶砖锄酾去f 删( f e a t u r ec o d i n ga n dm p p i 嘲，是1 幢于灰魁b 较劂新晰i 5 马| 瑚拍9 圭足取鳓去。谢黼目的歌寸二雏图掰 征，刨舌角( c 。蜘盯) 矛哒蟓( e d g e ) ， j 新刊确自q 定位。为了多专醚目的，黼已有缒鞠= 灰就哺珀勺将碗踽噶鞋的鸯牡，对 灰度 b 菠自铡操瑚亍二刭特征痂马映孰将映摊胡毡接怍办礅战i 丝士果。由予僦确稚映射 是睁寸鞍小的尺鳓亍的，圆雌掰还新佣方侧莫皈以及劁寺，位魏 j 斯劂靛l 鹑锞 进行进_ 刿疗副秘珀勺牛辄欧从列算岗指亍自镌聊措钿的陛能鼢哄它；典型的基于皴 比彰暗翳耗西电立算法( s l j s a n ，m o r p h o l o g i c a lc o r n e rd e t e c t o r ) 进行韵横向比较中，可以看出 吲嵇劫黹度及希锭雌鞍词的帮见令人满意，萄彭钫面贝惧有髟啪晰势。同时， 劂于 传弛链哥方向昌鼬粥蚴l 醉法，嘲具能燃e 婚黼时苒优觌目啶堑蝴确、不 易：受至蜾声阳巍。酣阿以说是_ 干十b 翰置于霉施r 蚴纠嘲醍取笪珐。 a b s t r a c t a2 di m a g ef e a t u r ed e t e c t i o na l g o r i t l l n ( f 0 帕a n daf a s te y el o c a t i o na l g 口i t m w h i c h i sr l o ts e n s i t i v et or o t a t i o na led e s c r i b e di nt h i sp a p e r a sw ek n o w , a ne y el o c a t i o n a l g o r i t h mc a nb ed i v i d e di n t ot w os t a g e s ：l o c a t i o no fe y ew i n d o wa n dl o c a t i o no ft h e g x a c tp o s i t i o no fe y e a n dl o c a t i o no fc o r l l g fo fe y ei sc r i t i c a lt ot h el a t t e r ，h e n c e f 矾c a nb ec o n s i d e r e da st h ep r e p a r i n gs t a g eo ft h ee y el o c a t i o na l g o r i t h mf c 嗨a n a l g o r i t n nb a s e do nb r i g h t n e s sc c 哪o a r i s o n sa n df t a l ec o d i n ga n dm a p p i n g , i si n t r o d u c e d f i r s i i t sp l l r p o s ei st ol o c a t e2 1 ) i m a g ef e a t t m e , i n c l u d i n gc o r n e ra n de d g e t h ea l g o r i t n n c ( m b i n e s t h ec o n c e p to fb i n a r y f e a _ t a l ec o d i n g a n d m p p i r 】g w i t h t h ec o n c e p to f b r i g h t n e s s c o m # a r i s o sb e c s 0 d s et h ef e a z u r ei se n c o d e du n d e rar e l a t i v e l ys t a l ls c a l e , t h ea l g o r i t m n e e d so r i e n t e dt e 咂o l a t ea n dl o c a lf e a t u r ed i s t i n g u i s b n e n t d u r i n gt h ep e r f o r m a n c et e s t a n dt h ec 唧o a r i s o nw i t ho t h e rp o p u l a ra l g o r i t h n sh a s e do nb r i 曲t n e s sc g f i 】p a r i s 吣f p e r f o r m sw e l lw i t hg o o da n c 嘲ya n ds t a b i l i t y a n di ti s f a s t e rt oc o i t 驴u t e ，f ( mh a s a l s oa d v a n t a g eo fa l g o r i t h m sb a s e do n b r i g h t n e s sc o r r g a r i s o n ：g o o d l o c a t i o na n d r e s i s t a n c et on o i s e , s oi t i sl i d r es u i t a b l ef o rr e a lt i m ec o n l o u t a t i o n k e ：胛o r d ：f e a t u r ed c c m ：ti o n ，b ri g h t n e s sc e r q ris e n 。f e 贰u r ec o d i n ga n dm a p pi n g ，e v e d g t e 吐i o n 刖吾 本文研究的是在灰度图像中进行二维特征提取。灰度图像的二维特征提取 一直是数字图像处理领域的一个重要研究课题。这是因为图像的二维特征，包 括角和边缘，是图像中信息含量最丰富的地方，常常构成图像的“骨架”部分。 对这些部分进行处理，相对于对原始图像进行处理而言，无论是从空间还是从 时间复杂度上，效率都会大大提高。二维图像特征提取属于数字图像处理中较 为基础的研究课题，其研究成果可以被应用到许多其它的研究方向上。 对二维灰度图像特征提取的研究实际上在很久以前就开始了，到目前为止 各种提取方法已经非常的多。从最初的在区域分割所获得的边界信息上搜索方 向变化较快的点，到利用图像的方向导数计算所衍生出来的各种提取方法，以 及利用角部结构特征的模板提取方法等等，提取方法也在不停的向这一问题的 本质靠拢。最近，基于灰度比较的特征提取方法获得了比较广泛的重视。相对 于传统提取方法而言，这类提取方法在特征提取精度、速度、稳定性等方面均 表现出一定的优势。目前对这类算法的研究还不是特别深入。本文对这类算法 进行了研究。 本文的第一章主要介绍了一种基于灰度值比较及特征编码的快速灰度图像 特征搜索算法。本章首先介绍了算法的基本原理，然后对算法的实现进行了较 为详细的介绍，同时给出了算法的实际测试结果，并将结果与同类的算法 ( s u s a n 、m o r p h o l o b i c a lc o r n e rd e t e c t o r ) 进行了横向的比较。比较工作说 明算法在稳定性、定位精度等方面的表现令人满意，在速度方面则优势明显。 本章的最后对全文进行了总结并提出了算法改进的方向。 图像中角以及边缘的检测是一个非常重要的研究课题，它们常常被用于计 算机视觉中的视觉流计算“、运动物体结构检测。1 等领域。这个研究课题之所 以重要的一个基本原因是角以及边缘等二维特征能够可靠的为图像偏移计算提 供限制条件，同时处理这些特征点相对于处理原图像而言计算量大大降低，这 在实时处理中至关重要。 相对于边缘而言，角的检测要复杂的多，这是因为我们很难对图像处理中 的角作一个严格的定义。一般的认为角是图像中这样的点，它们在各个方向上 的变化率都相对较大，但可以看出，这个定义是模糊的。一个好的角特征检测 算法应具备如下特点：( 1 ) 稳定性，即算法寻找到的特征点应不受噪声的影响。 更为重要的是，对在同一场景下拍摄的图像序列进行检测所获得的特征点位置 信息应尽可能的保持不变( 2 ) 精度，即算法所检测的角特征点位置应尽可能的 接近实际位置( 3 ) 速度，这在实时处理中尤为重要。 早期的角检测方法是首先对图像进行区域分割，通过链码提取边界，然后 在边界上寻找方向变化较快的点，这方面的工作可参见“1 ，这种方法在很大程度 上依赖于图像分割的效果，而后者本身就是一项比较复杂的工作。同时这类算 法的计算复杂度很高。接下来的角检测器则更为倾向于直接对图像进行灰度处 理。我们在这里主要将对这类角检测器作一个简要总结。所有的这些方案都首 先使用了各神局部量度以获得一个描述图像中每个点与角之间相似程度的函数 c ( x ，y ) ，通常也被称为c r f ( c o r n e rr e s p o n s e f u n c t i o n ) ，即角响应函数。接下来 这些算法会利用域值来过滤出角部特征所在的点。 b e a u d e t 在”1 中利用h e s s i a n 表面密度描述函数定义了一个角相似函数，形 式如下， 。f “! j2 ( x ，y ) j2 ，( x ，y )f 巧2 ，( 工，y ) 1 i ( 1 1 1 ) 。“川一 6 x2 一百2 一l 弋f j k i t c h e n 和r o s e n f e l d 在”3 中提出使用梯度大小及沿梯度方向的灰度变化率 来描述角相似程度，函数如下 + 笋( 鱼必5 x ) 2 占v 2 【 占2 i ( x ，y ) 、2 瓦j 厂j m o r a v e c 在跏提出了一种基于搜索感兴趣的特征点的想法，p l e s s e y 就是基 于这种想法的检测器，它由如下矩阵定义， m ( x ，y ) ( ( 掣 2 ) 5 1 ( x ，y ) j ，( x ，y ) 占工占v 5 i ( x ，y ) 5 i ( z ，y ) 占x 5 y ( ( 半 2 ) ( 1 1 3 ) 在式中 表示对i 进行平滑运算。 n o b l e 在8 1 中首先提出了利用上述矩阵的角相似描述函数，形式为， “f 。y ) ：丝竺! 丝! ! ! 兰1 2 ( 1 1 4 ) ” d e f ( 朋( x ，y ) ) h a r t is 和s t e p h e n 在。1 中对它做了一定改进： c 册( x ，y ) = d e t ( m ( z ，y ) ) 一k + t r a c e2 ( ( x ，y ) ) o l - 3 j 参数k 的作用是减少原描述函数对响应较强的边缘点的敏感程度。 以上所有的描述函数都是建立在方向导数的基础上的，因此它们的共同缺 点是对噪声非常敏感，如果引入平滑过程的话，角的定位精度又会下降。同时 平滑运算、求导运算以及角相似程度函数的计算将给算法带来沉重的负担。 a s i n g h 和m ，s h n e i e r 在“”中总结了用模板进行角提取的角相似程度估计 函数，假设模板大小为n n ( n = 2 k + 1 ) ，p i j 和q i ，j 分别为模板p 和图像q 的第 ( i ，j ) 个元素，c 1 和b 分别代表p 和q 的均值，6 为方差，则在( i ，j ) 处图像 与模板的相似程度可由如下相关函数来度量，即 ，、+ k+ k ( 1 竹2j ( p 一a t ) ( q 7 + 。一。) a i ，：鱼玉兰三l _ 一( 1 1 6 ) 。 ( 5 ( p ) 5 ( g ) “) “3 在检测时，需要将间隔角度为4 5 度的8 个模板分别与图像上的目标点进 行互相关计算，然后取最大值作为该点的角相似程度。这种方法的缺点是无法 计算任意方向上的模板响应大小，另外这种方法的计算复杂度很高。 s m i t h 和b r a d y 在“”中首先提出了一种基于灰度比较的的想法。s u s a n 检 测器就是他们提出的基于这种想法的角和边缘检测器。它是通过计算一个圆形 3 r 一妙一渺 攀 生 q q堕印r 卜蚴 域的计算可描述如下： ( 互，y ) ：e 一“7 ( ，卜7 。，y o 7 。 。1 2 。 ( ，) 月x y 参数t 决定了不同灰度之间的相似程度，因此控制着对噪声的敏感程度。这种 想法的核心是，如果被计算点是角特征点，那么r 。，中与中心灰度相似的点的数 量不应超过区域内点的总数的一半。n ( x ，y ) 的值将和域值n m a x 2 作比较，n m a x 是n ( x ，y ) 能取到的的最大值，即 ，、n m a x 2 一”( x ，_ y ) 矿 y ) t ( 1 ，2 1 ) 、 c t z ，y ) ，= 0 o l h e n v i s g 这样，对图像上的每一个点，算法都可以通过上述方案将其局部特征映射 为一个8 位长的二进制数c l c 2 c a c 8 ，本文将其作为该点的特征编码。这里需要 指出的是，本文并没有将灰度比较的结果直接按某种方案量化为c r f 再进行域 值过滤，而是通过映射方法直接将其作为算法下一阶段的候选点位置。这样做 的好处是保留了各候选点位置特征的结构和方向信息，这对下一阶段算法利用 方向模板以及局部角特征确认过程进行错误点压缩提供了必须的线索。 苯夏两 设五了二个一维特征结构元素数组m a p ( i ) ，在邻域大小为3 x 3 时它是一个2 5 6 字节长的一维数组，存放着所有2 8 = 2 5 6 种特征编码对应的局部 结构特征。为便于说明，在这里不妨设边的结构特征为1 ，角的结构特征为2 ， 这样就可以将有关边和角的特征信息映射到特征结构元素数组m a p ( i ) 当中。这 可以通过下图1 2 2 1 进行说明， ( 1 ) 0 0 1 1 1 0 0 0( 2 ) 1 0 1 1 1 0 1 1 图l - 2 2 1 典型的边特征编码 f i g ，i 2 2 1t y p i c a le a g ef e a t u r ec o d e 图1 2 2 1 描述了两种边特征，( 1 ) 的特征编码为0 0 1 1 1 0 0 0 = 5 6 ，这样可以 将特征结构元素m a p ( 5 6 ) 的值设为边的特征值1 。同样，( 2 ) 的特征编码为 l o i l l o l i = 1 8 7 ，其特征结构元素m a p ( 1 8 7 ) = l 。 田圉圈高酗田 0 0 0 0 0 0 u0 0 0 0 0 i i i 0 0 0 0 0 1 0 10 0 0 0 1 1 1 1o o 0 0 1 0 0 1i i i i i i i 0 图1 22 2 几f 制理蟾勺劁新磅祸 f i g 1 22 2 触t y p i c a c o i t l e rf e a t u r ec o d e 圉1 2 2 2 中分别描述了f c m 中采用的的角部特征模型，和边的特征映射 样，这些角部特征都可以通过对它们的特征编码映射到特征结构元素数组 m a p ( i ) 当中，其特征值为角部特征值2 0 实际上，在算法f c m 中，并不是将所有的角部特征都归为一类，而是将它 们分别映射出不同的特征值，这样做的原因首先是因为在算法下一阶段将要对 某些特征结构进行局部的角特征确认过程。同时这样做带来的另一个好处是， f c m 可以通过特征编码映射值辨别出角的类型，在这里主要是指锐角、直角以及 钝角。这样，f 例可以被用来在图像中进行某一类角的检测过程，这显然提高了 f c m 的灵活性。这方面的结果将在后面的测试部分给出具体介绍。 值得注意的是，在进行二维图像特征提取时，由于实现无法确定被提取特 征的方向，因此在提取时需要考虑各种方向的可能性。在这里通过观察可以很 容易发现，由于邻域编码存在着的旋转对称性，一类边或角的特征编码可以通 过对特征编码的循环移位运算十分方便的得到，这可以通过图1 。2 3 进行说明： 田田 0 ( k 】0 d o l l 0 0 0 0 0 1 1 0 图l 2 3 同类持征的移位转化 f i g 1 z3c o n v e r s i o nb e t w e e nc o r n e rf e a t u r e so ft h es a m et y p e 在图1 2 3 中所示的左右两种特征编码结果属于同一类特征结构，而右边 1 1 角翰啦# 轴摸向嬲蚌日镀阐 的特征编码可以通过左边的特征编码循环左移一位得到同理，本文算法f c m 可以通过这种循环移位方法得到所有的目标特征编码。当邻域半径扩大时，这 种旋转对称特性依然存在，这意味着特征编码及映射过程都是十分方便的。 利用方向模板和局部角特征确认过程进行错误点压缩 利用方向模板进行错误点压缩 1 利用模板方法进行角特征提取的原理分析 利用模板的方法在灰度图像中进行二维特征提取属于比较成熟的算法。这 方面的算法可以参见文献“，这在前面的背景说明部分中已作了简单的介绍。 为了说明方向模板和前部分特征编码映射方法之间的联系，现在本文分析一 下基于模板的特征提取方法。 参见文献”可以得出这样的结论，模板方法是利用预先定义成特定形状的 模板窗口在图像上移动，同时作模板与图像的相关度计算，在图像上某位置计 算所得的相关度越高，说明该位置越近似于预先定义的特定形状( 特征) 。那么 如果预先定义了角的特征模板，并和图像作相关度运算的话，该相关度就可阻 作为c r f 来进行角的提取了。以图1 2 4 为例， 口圈 图1 ，2 4 理想的角检测模板 f i g 1 2 4i d e a lc o r n e rd e t e c t i n gt e m p l a t e s 在图1 2 4 中分别列出了理想的直角形状以及针对这种形状设计的3 3 和 5 5 的正方形模板。在文献“”中，作者主要工作是对模板的相关度选择进行了 较为深入的分析。假设模板大小为n x n ( n = 2 k + 1 ) ，p i ，j 和q i ，j 分别为模板p 和 图像0 的第( i ，j ) 个元素，a 和口分别代表p 和q 的均值，6 为方差，则根据 文献“，在( i ，j ) 处图像与模板的相似程度可由如下三种相关函数来度量。 标准汜k j 关度尺度 a i , j ( p ? ，。) ( g ，舯) ，：一km = 一k ( ( ，= 釜- k 。i i p2 t m ) ( ，= 薹- k 。兰+ ：k g2k k k k “，+ 。一仃2 2 。， ) 。5 ， m = 八f m 一 余弦尺度 ( 1 2 2 ) 0 ，= + 女+ k ( p f f 喾釜p 2 f = k = 一k ( i 2 4 ) 在文献“。中，作者对上述三种相关度衡量尺度进行了比较测试，结论是这 样的： 标氍七丰黟疆r 鹰列噪声髟敏感检黝耘最差对角的匐搭醪强好。 翎玄尺受：列抗黼力以黝情双艚中，定刨截霹- _ f 戮 投影尺度：对噪声最不敏感，检测能力最强，但定位精度最差。 到这里，本文对基于模板的特征提取方法进行了分析。需要指出的很重要 的一点是，单纯基于模板的特征提取方法由于事先对要提取特征的方向并无了 解，因此在计算相关度时要全面考虑各个方向的可能性。例如在文献“”中，作 者在计算相关度时，是在图像上的每一位置将模板以4 5 度间隔旋转所得的8 个 样本模板分别与图像作相关度运算，从中选出最大值作为该点的相关度。显而 易见，这样作的计算复杂度会非常高。同时，在角检测时，由于角的形状比较 多样，用一种模扳作检测对模板的设计要求会非常高，如果用多种模板的话，算 法的计算复杂度又会大大提高。基于这种情况的考虑，单独采用模板方法进行 角特征提取的局限性较大。 2 本文中采用的方向模板原理介绍 通过前面对模板方法的原理分析，可以看出，基于模板的角特征提取方法 的主要缺点是由于事先对被检测特征的方向和具体结构无法进行准确的确定引 起的。但在本文中，由于通过局部的特征编码映射过程，算法已获得了被检测 特征的方向以及局部结构特征的部分信息。因此此时采用模板方法来进行错误 点的压缩，模板的方向和形状就可以根据特征编码映射的结果进行确定。这样 显然可以大大的压缩计算量、提高模板的精度。本文采用的方向模板的具体原 理可以由图1 2 5 进行说明，这里的模扳形状为正方形，大小为5 5 。关于本 文所有方向模板的定义请参见附录中方例戴鼬勺矗三义方法。 胄拙吸其窿瞎赳弼荆g 堕用 一6 ，一6 ，一6 ，一6 ，l g ， 一6 ，一6 ，一6 ，i 9 ，l g ， 1 1 06 ，一6 ，l g ，1 9 ，1 9 ， i n o 一6 ，一6 ，一6 ，一6 ，一6 ， 1 1 1 6 ，一6 ，一6 ，一6 ，一5 ， 图1 2 5 方向模板示例 f i g 1 2 5e x a m p l eo fo r i e n t e dt e m p l a t e 如图1 2 5 所示，在图中所示左边的特征编码映射的结果下，对应的模板 为右边的二维数组，和前文中介绍的方法一样，每类特征向量在不同方向对应 的模板也可以通过移位运算很方便的得到。这些结构数组在算法f c m 中被事先 定义好后放在一1 、模板映射数组t e m p l a t e ( i ) 中，这样算法在执行时可以根据编 码映射的结果直接映射得到所需要的模板，而无须在运行中动态生成，因此执 行效率较高。 在本文中还对模板的大小及相关度尺度的选择对角检测效果的影响进行了 比较深入的分析。通过对多类图像使用不同的模板大小和相关度衡量尺度进行 角检测的效果进行的比较，本文得出的结论是这样的，在模板大小增大时，例 如从5 5 扩大到7 7 时，模板对错误点进行压缩的同时也压缩了一些正确的 点。同样的，对几种相关度尺度的检测效果进行的比较说明，一种相关度尺度 在检测能力的提高的同时也会增加错误点的数量，这和文献”中得出的结论是 一致的。这就要求算法在选择这些参数时综合考虑检测能力与检测正确率之间 的平衡问题。经过对不同图像进行的检测效果比较后，在本文的算法中，f c m 选择了7 7 模板以及标刨七才矽强只度。在葡酗啦能比嶷夥冲就硐醌鼢侄瑚的 选择了。 利用局部角特征确认过程进行错误点压缩 在3 3 邻域编码中，由于尺度很小，特征编码不可能完全区别出各种局部 特征，这可以用图1 2 6 进行说明 昂酗 图l _ 2 6 需要特征确认的特征结陶 f i gi 2 6f e a t u r es t u c t u r e st h a tn e e d r 】c a lf e a t u r ed i s t i n g u i s l m z e n t 以图i 2 6 中所示的特征编码为例，该特征结构究竟属于一条边还是属于 一个较“钝”的角或者是非特征点就无法仅通过特征编码进行判断。对于这种 情况，前面提到的方向摸板看起来是一个不错的特征确认方案，但是遗撼的是， 本文通过测试发现，本文中f c m 采用的方向模板对于图1 2 6 中的两种特征结 构的区别效果并不理想，这其中的主要原因是这两种角特征结构与边特征结构 比较近似。另外需要指出的是，通过对测试图像的观察发现，这两种角特征结 构大量存在于真实图像中由于平滑效应引起的灰度过渡带中，灰度过渡带的具 体例子可参考图1 2 7 。如果不对这两种特征结构进行有针对性的特征确认过程 的话，会极大的损害算法的检测能力。因此本文中需要为f c m 增加必要的特征 确认过程。本文考虑了s u s a n 的相似程度判别尺度，但实验证明，在图1 2 6 描述的情况下，近似程度函数的表现并不理想。通过对具体灰度图像中灰度过 渡带中特征结构进行的分析，本文算法采用了局部角特征确认过程来进行错误 点的压缩。 图1 ，2 。7 灰度过渡带示j 苗：图( 谚蹴g 中间象素弱堤_ 条比较典型的宽度为1 的灰自立渡带) f i g 1 2 7e x h a l eo ft h es m o o t h i n g8 t e a 对于图l 。2 6 列出的第种情况，算法f c m 通过计算中心象素与左右两侧 相邻若干象素的灰度均值的差值来对该特征结构进行区分。该准则可通过图 1 2 8 进行说明。 f i g 1 2 8e x a 邺l eo fa d d i t i o n a lc r i t e r i o n 在图i 2 8 中，算法计算中心象素左右鼹侧标有“x ”的象素的平均灰度， 只有某一侧的平均灰度与中心象素灰度的差值同号并且绝对值同时大于一定域 值时，该象素才被判定为角部特征。本文算法对该元素进行的角特征确认过程， 取中，t l , 象素两侧各4 个象素进行考虑，灰度域值为3 0 。测试表孵，取中心象素 两侧各4 个象素进行考虑可以有效的穿过较宽的灰度过渡带，从而将其中的错 误点压缩掉。 对于图1 2 6 列出的第二种情况 x ix l7 ，n r v n l m t 、 图1 2 9 角部特征区分示意 f i g 1 2 9a d d i t i o n a lc o 7 1 e rf e a t u r ea f f i n m t i o n 对该结构元素，算法的判断条件是中心象素左下和右上的两个元素的灰度 值与中心象素灰度的差值同号并且绝对值应同时大于一定域值，域值设定为3 0 。 在这里可以看出，通过在初始阶段对邻域进行特征编码，算法较好的保留 了该邻域的局部结构信息，从而为进一步的角特征确认过程提供了必要的条件。 由于算法在初始阶段通过特征编码映射过程对领域内的局部结构特征己获得了 初步认识，确认过程可以针对具体的特称编码采用不同的区分手段，这使得算 法更加灵活，同时采用将特征编码直接映射为结构特征的方式将使得算法的执 行速度比同类算法更快。 基于灰度值比较的特征定位算法与传统的基于梯度的特征定位算法相比， 具有一些比较明显的优势，如速度快、定位准确等，这在n 订“”已被比较详细 的进行了分析。本文的比较工作主要是围绕着几种比较有代表性的基于灰度比 较的特征定位算法展开的，它们包括s u s a n ，基于数学形态学的m o r p h o l o g i c a l c o r n e rd e e c i 。o r ( 以下简称为艟d ) ，以及本文中基于特征编码映射的f e a t 隙e c o d i n ga n dm a p p i n gd e t e c t o r ( 以下简称为f c m ) ，在处理不同图像时，本文对 各算法的域值作了调整，以尽可能获得各算法的最佳效果。由于没有加局部非 最大值压缩过程( n o n _ m a x i m ac o m p r e s s i o n ) ，因此本文中m d 以及f c m 产生了一 定数量的多重响应点，本文在这里将接近于正确位置的多重响应点归为同一个 正确响应点，对正确点的个数进行了统计。统计结果选择了算法寻找到的正确 点数、寻找到的点的总数以及正确率等几个指标。对于域值t 的选择，s u s a n 和m d 的己在前面介绍了。f c m 的域值有两个，t 1 为灰度比较域值，t 2 为模板相 关度域值。比较测试的结果图像如下： ( c ) m d ( t = 8 ) ( d ) f o j ( t l = i o ，t 2 = 3 0 ) 图1 2 i 0 蝴断闭峋阔酾斯础幅获嘲_ 勺结果 f i g 1 2 1 0r e s u l to ft h eg e ( x n e t r ys h a l o ei m g et e s t 锄：图1 21 0 嘶际刚删恻戮潮妪调| 在舒惜倒蝴啦舯， 参见妤钟“。因为其丰咆括了多科类型的自蒲征( l 型、t 型以及x 型) 。可以箭潞鲫蝉法 对舒桷触耋荫助。幂佣，l 何图形i 匦! 嘣豁蹦剿进酏勺澳m 糟瞄果弛l 用表1 2 1 说明。 表1 2 1 厝群舶n 何图形濒唰藻合 t a b l e1 2 1r e s l z l to ft h eg e ( n e t r ys h 礴o ei m a g et e s t 从结果中可以看出，m d 由于算法本身的限制，存在一些无法寻找到的“盲 点”，这种点无法通过调节域值来获得。这是因为算法m d 只采用了4 种腐蚀膨 胀模板，因此不可能覆盖所有类型的角特征。但总体来说，在没有噪声以及平 滑效应的情况下，几种算法的检测效果都是不错的。 利用f 对几河图 溯m 粼擀刊鼓粼第降征的提暇结果( t l = 1 0 ，t 2 = 3 0 ) 图1 2 1 l 对n 何图t j 澳临蟋隙趟亍刁乖学萋嬲0 r e s u l to fd e t e c t i o no fd i f f e r e n tt y p eo fc o r n e r si nt h eg e a i l e t r ys h o ej i i 臼g e 坞 磊i 彩淅：通迂尉用f 叫对n 何团缬蚵集自斯译铣璞型劁瓤自撅结果忙1 0 ) 进 行分阮可以看出，利用f 可眺渤耐砌译协掳汨剃的第睁征结悔蝴i 提取。通过煤 可以糖岘f 例列锐角的姆弼朔鼢，x 撒以黼删螂深要差些。这是因为后两 种结构b 境碚易百相 孱i 裔嘶喇毖特征混淆。 ( b ) s 【州( t = 1 1 ) ( c ) m ( t 锄( d ) 矧( t 1 = t g - - 4 0 ) 图1 2 1 2 对蒯折哥猾( o 地4 ) 后的n 舸郾嘞蚵埋躺删嫉矧糕裸 埏1 2 1 2g a u s s i a nf i l t e r e di m a g e ( o = 0 4 ) 结果分析：在实际图像中，由于高斯平滑引起的图像失真发生的情况非常 多。因此对这类图像的检测效果测试能够在一定程度上反映算法对实际图像中 检测角能力的鲁棒性。利用n l 何图形溯瞅集舒蝴新话撤蝴韵结* 坷以用表l2 2 说 明。 表1 2 2n i n o n ( o = 0 4 ) 后的n 侗图形况临# ；台 t a b l e1 2 ，2g a u s s i a nf i l t e r e di m a g e ( o = 0 4 ) 结果分析：从结果中可以看出，f c m 对高断平滑( o 砘4 ) 后的月伺图形沏m 菇僦 测的裁屏2 自i 睁，比较结果从卟嘲i 酐说明了f c m 的樟鞭以砖局都角4 新廊豁 亍寸鹳葑坼j 效眭。 ( a ) 原橄 m d ( t = 7 5 ) ( c j1 ：m ( t l = 1 0 0 , t 2 - - 4 0 ) 图1 2 1 3 对加司断白噪声( m a n = 0v a r = o 0 1 ) 后的几f 硪羁形澳忙疆增刊揪蟛灞的结果 f i g1 21 3t e s ti m a g ew i t hg a u s s i a nn o i s eo f l 】e a 瑚v a r y 0 1 结果分析：在实际图像中，由于高斯白噪声引起的角检测错误发生的情况 非常多。因此对这类图像的检测效果测试能够在一定程度上反映算法对实际图 像中检测角能力的鲁棒性。幂佣几阿图形钡牺踌治剐算 去逆断亍自勺澳蝴瀚结果可以用表 1 23 说明。 劁蜘吸其醚氅恕册l 甫i 嘲l 孙l e1 2 3t e s ti m a g ew i t h ( a l s s i a nn o i s eo fi i l e 鲥= 0v a 闻0 1 结果分析：该项测试中，s u s a n 测试程序由于无法在该噪声条件下正常给出 输出结果，因此空缺。从结果中可以看出f c m 的抗干扰性能和m d 基本相当。比 较绻g 班赢豸呈度匕说明了f 吼自槭以及局躯劁暂礴茕 过程愀眭。 ( b ) s l s a n ( 嘲 ( c ) m ( t = z o )( d ) f o b ( t 1 = 1 0 , t 2 = 5 0 ) 图l2 1 4 对加开关噪声( s a l ta n dp e p p e r ) ( n o i s ed e n s i t y - 4 0 5 ) 后的几何图形坝州凋像 进行划蝴崎褥燃 f i g 1 _ 2 1 4t e s ti m a g ew i t hs a l ta n dp e p p e rn o i s ew i t hn o i s ed e n s i t y = o 0 5 结果分析：同高斯白噪声一样，黼( s a l ta n dp e p p e r ) 也是实际图像中经常 i 韪e 惦9 噪声。席支冲为测试算法列这荆螵庐韵抵拶晴力，向q 侗图形测试操治申加入了噪声密 度司0 5 的开亨鲁蠛泸。加开关噪声( s a l ta n dp e p p e r ) ( n o i s ed e s i t y ：o 0 5 ) 后的 几何图形测试集合。这个测试中由于噪声点较多，没有做量的统计，但可以明 2 1 显看出，m d 非常容易受到开关噪声( s a l ta n dp e p p e r ) 的干扰。这也是由于m d 在作腐蚀和膨胀时是取模板覆盖区域所有点的灰度最大值，而这种随机的开关 噪声产生的灰度跳变非常强烈，因此会严重增加m d 检测的错误点个数。而通过 测试图像可以看出，s u s a n 和f c m 对这种噪声的抵抗能力则要强很多。在增加了 有限噪声点的情况下，它们都较好的完成了角特征点的定位。 ( b ) 双 s n ( t ：4 5 ) ( c ) r e ( t = - 3 5 )( d ) f 咧( t 1 = 3 4 ，t 2 = 2 0 ) 图1 2 1 5 对真实图像1 ( 标睥) 进行检涣嘶获得的结果 f i g 1 21 5t e s ti m a g eo fb o a r d 结果分析：对寞魁虱像蝴m 糟目够反映 自橱目蜱齿蜘胤冠白蛐力，园垃在角 捡硬蹲拍朔靠i 种是毕j 词! 的。本文彭雠了嗣黻稿框掳昨为澳牺学9 黝情助的参考 刚孰该图像的特剖粼耐e 嚏馥荣盼背景，团蚵以检目蝉法对毙摒赣撇适囤；力。 测诺潞果由表1 2 4 给出。( 统计时以落到标牌上的点为准) 表1 2 4 ，测试图像1 ( 标睥) t a b e1 2 4t e s ti m a g eo fb o a r d 从表1 2 4 中可以看出，f c m 对于直角类型的检测能力较好。同时f c m 对 背景噪声的抵御能力也令人满意。当然仅凭这幅图像的结果不能说明f c m 在上 述两个指标e 弼千萁官两个筻法。 ( b ) s l b nf t = 3 7 ) ( c ) m ( t = 鳓( d ) 删( t 1 = 3 1 ，t 勉5 ) 图i 21 6 对真实图像2 ( 椅子) 进行隧赌璃称辩潞果 f i g 1 2 1 6t e s ti m a g eo fc h a i r 结果分析：在对真实图像进行的检测效果测试中，本文还选择了椅子这副 图像作为参考图像。这幅图像的特点是背景相对较为简单，对比较为强烈。但 是含有多种类型的角特征，而且有些角的特征不是特别明显。因此可以检测算 瑟甭琴再要互嚼丽厕甫西。测试结果由表1 2 5 给出。本文在统计时以落到椅 子上的点为准( 同时兼顾了背景的噪声点数量) ，以获得最佳的整体效果。 表1 2 5 测试图像2 ( 椅子) t a b l ei 2 5t e s ti m a g eo fc h a i r 从表1 2 5 中可以看出，在对e 防融强烈，背景皎翻靼调的离鄹己硒自蚴蟛噪是最 l 啦b 的。而s u s a n 和f 的硭聪睁! 些。 利用图像序列对算法进行的稳定性测试 所谓特征提取算法的稳定性是指算法对图像进行检测的结果应对噪声的变 化不敏感。更为重要的是，当一个算法对同一场景下拍摄的图像序列进行检测 时，其结果之间应该保证一定程度的一致性。稳定性的重要程度是不言而喻的， 因为在利用角检测算法进行运动物体的跟踪以及结构检测时，要求算法对物体 以及场景的变化尽可能的不敏感，但这是非常困难的，因为这种连续的照片虽 然对人眼来说变化不大，这是因为人服在观察图像时是结合整体和局部去选择 感兴趣的部分。而这对于角检测算法来说很困难，目前的角检测算法一般都是 通过对局部结构的分析来进行检测的，而场景的变化以及物体位置的变化对这 种局部结构的影响往往比较大，因此给算法保持良好的稳定性带来了很大的困 难。因此可以说，稳定性是角检测算法性能的一个重要的体现。本文选取了两 个对同一场景下拍摄的图像序列来对算法进行稳定性的测试。 场景1 m d ( t = 4 0 ) f c m ( t1 = 2 0 ，t 2 = 7 0 ) 图1 2 1 7 稳剧蝴1 皈) f i g 1 21 7s t a b i l i t yt e s to ff l o o r 在这组图片序列中，包含了多种类型的角特征。对这组图片序列进行测试 时，本文考虑了落在黑色正方形框内的正确的角的个数以及点的总数两个指标， 测试结果见表1 2 6 。 表1 2 6 稳定瞄n 式1 ( 士也板) t a b e1 2 6t a b i l i t yt e s to ff l o o r 结g 衫淅：从表l ，2 6 中，可以看出s l b a n 在洌培骚慷中自镱定懒良好，m 的基橱 以，但从自够裸图像中可以看到它f 糖彭翻酬晡多。f 咧的坳蝴导于s u s a n , 但在 未作局鲥瓣啡新魅的镕移矸，f 咧的重励郇骈艮勿定刨彰铺准确，这_ 亡酮妤m 。 场景2 图1 2 1 8 稳定l 捌试2 ( 标睥) f i g 1 2 1 8s t a b i l i t yt e s to fb o a r d 这组图片是单独对f c m 进行的稳定性测试。对这组图片序列进行测试时， 本文考虑了落在黑色三角形框内的正确的角的个数以及点的总数两个指标，测 试结果见表1 2 7 。 表1 2 7 稳定l 蝴i 腻1 ( 标稗) t a b l e1 2 7t a b i l i t yt e s to fb o a r d 结果5 淅：对揽图片蝴瑕式谤期f 蕊l 提谈较掰帮骱h 舸图形f f 蝴l 澈果晰黜良 好但应i 封旨出的黾由于削黜缩漫鹣f 例喇钍嘲眵。 ( 磅f 0 c 乇= 1 0 ) ( b ) f 吼( t - - 2 9 ) ( b ) f 蹦( t = 2 9 ) ( a ) 原雉i 图像( b ) f ( t = 2 9 ) 图1 f2 1 9 刺者干测试图像进行边缘检澳怩习溱甜9 结果 f i g l2 1 9r e s u l t so fe d g er e c o g n i t i o nt e s to f 刚 由于采用了特征编码的方式，f c m 同时具备边缘检测的能力，在这一点上 f c m 和s u s a n 是相似的，相对于m d ( 只能检测角部结构) 来说，它们更具有灵 活性。在对这组图片边缘检测时，本文只进行了最简单的特征编码映射，从结 果图像中可以看出f c m 的边缘定位较为准确。实际上，由于f u m 没有作局部极 值筛选过程，这里的边缘显得比较的粗，这个问题可以通过算法在搜索边的过 程中加入局部判断规则进行解决。 对几种算法计算复杂度的分析比较 在一般情况下，由于图像中含有的角的数量只占总象素数量相对很小的- 部分，而f c i a 由于对大部分点进行计算复杂度相对较低的编码映射后就无须再 继续计算了，因此计算的效率明显比s u s a n 和m d 要高。当然对于背景复杂的图 像，由于f c m 的方向模板计算较为复杂，因此速度上的优势就不明显了。实际 的运行测试表明，在同一m a t l a b 环境下，同样未作局部极值筛选的过程，在一 般情况下，f c m 的运行速度要比m d 快2 倍以上，而r l a g a n i e r e 在文献“”中的 比较工作说明m d 的运行速度大约是s u s a n 的两倍，这说明了f c m 在同类算法中 速度上的优势。 本章提出了一种基于灰度比较的快速特征搜索算法f c m ，该算法在定位精 度、抗干扰性能等方面表现较好，在运行速度方面则要优于基于灰度比较的其 它特征搜索算法，因此更适合实时计算的需要，同时也为算法进一步的性能提 高提供了前提条件。 通过实验可以发现，f c m 虽然在一些方面体现出了一定的优势，但受3 3 邻域尺度的限制，在对比较复杂的实际图像角部特征进行定位时，它不可能直 接非常精确的获得图像中所有角的位置信息，应该说在实际的复杂图像中它只 能给出潜在的角部特征点集，这个点集能否较准确的覆盖所有的角部特征点， 在很大程度上依赖于目标特征元素集的选择，本文中选择的目标集是否是最优 的尚需进一步验证。另外，由于附加的区分过程必不可少，区分规则的选择就 显得非常重要，最理想的是这组规则应尽可能的在保留实际的角部特征点的同 时最大限度的压缩非特征点，当然由于在初始阶段算法对潜在特征点的结构已 获得了一定的认识，附加规则将变的更有目的性，但规则的限制程度仍然非常 重要。在实验中，本文发现存在一些被附加规则压缩掉的特征点，如何改进算 法的方向模板以及局部特征确认过程，使之更为合理将是下一步的主要工作。 人眼定位是人脸识别及人机通信等研究课题的一个关键性步骤，通过脸部 方向以及眼睛的位置