特征提取开题报告.doc

特征提取开题报告 特征提取基于内容的图像检索技术通过提取图像的内容特征，包括颜色、纹理、形状等，生成图像特征库。查询时，系统抽取用户提供的示例图像的特征，与特征库中存储的图像特征进行比较匹配，计算示例图像与图像库中各图像的相似度，最后按相似度从大到小的顺序输出给用户。 一、课题任务与目的 1、课题的主要任务：以DSP平台为系统硬件平台，并基于DM6437为处理器核心，设计硬件原理图，编写特征点提取算法，使系统通过特征点匹配对静态目标进行识别。 2、课题的主要目的：设计并实现一个功能完整，操作简单的目标识别系统，使其能够对静态图像目标进行特征提取与匹配，从而进行目标识别。 二、调研资料情况 1、课题的学术状态： (1)DM6437关键特性 时钟频率达600MHz，1个TVP5146M2视频解码器4个视频DACV输出，128MDDR2DRAM，提供16Mnon-volatileflashmemory,64MNANDflash,2MSRAM提供UART,CAN，I/O接口，AIC33立体音频编码器，10/100MBS以太网接口，可配置的bootload选项，嵌入式的JTAG仿真器接口，4个用户LEDs及4个用户切换点，提供子板扩展插槽，VLYNQ接口，提供S/PDIF接口。 (2)SIFT算法 从理论上说，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如：在多尺度空间采用DOG算子检测关键点，运算速度大大加快;关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性;在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力;对于16*16的关键点邻域和4*4的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理，强化了中心区域，淡化了边缘区域的影响，从而提高了算法对几何变形的适应性;该方法不仅对通用的线性光照模型具有不变性，而且对复杂的光照变化亦具有一定的适应性。 SIFT算法的特点：1.SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性;2.独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配;3.多量性，即使少数的几个物体也可以产生大量的SIFT特征向量;4.高速性，经优化的SIFT匹配算法甚至可以达到实时的要求;5.可扩展性，可以很方便的与其他形式的特征向量进行联合。 2、参考文献 【1】TMS320DM6437Datasheet，s:/.ti. 【2】s:/.zhishiol. 【3】s:/baike.baidu./view/2832304.htm 【4】baike.soso./v8850239.htm 【5】AllegroPCBDesignCISGettingStartedGuide,s:/.cadence