1、曲线特征匹配技术研究现状及展望 智珊珊 薛瑞 河南机电职业学院 摘 要： 曲线匹配在模式识别、计算机视觉和图像理解中具有重要的作用。近年来, 基于特征的曲线匹配算法越来越多, 主要分为基于轮廓线的匹配技术和基于纹理特征的曲线匹配技术, 如 Freeman 链码、B 样条、微分几何特征、傅里叶变换、SIFT 特征、MSCD 特征等。然而, 相关的曲线匹配综述却几乎没有, 为此, 文章对近年来的主要研究进行归纳和分析, 从曲线匹配的重要性、分类、优缺点等方面进行阐述, 并对基于特征的曲线匹配技术的研究难点和未来趋势进行了展望。关键词： 曲线匹配; 特征匹配; 描述子; 作者简介：智珊珊 (1987
2、) , 女, 河南洛阳人, 助教, 硕士;研究方向:计算机视觉, 图像处理。Research status and prospect of curve feature matching technologyZhi Shanshan Xue Rui Henan Mechanical and Electrical Vocational College; Abstract： Curve matching plays an important role in pattern recognition, computer vision and image understanding. In recent
3、years, there are more and more feature-based curve matching algorithms, mainly the matching technology based on contour and the curve matching technology based on texture features such as Freeman chain code, B-spline, differential geometry, Fourier transform, SIFT features, MSCD features, and so on.
4、 However, the relevant curve matching review is almost no. Therefore, this paper summarizes and analyses the major researches, and states from the importance, classification, the advantages and disadvantages of curve matching. Finally, the prospect for future research and the technical difficulties
5、of curve matching are also discussed.Keyword： curve matching; feature matching; descriptor; 1 曲线匹配技术研究现状曲线匹配是模式识别、计算机视觉和图像理解中的一个重要问题, 在物体检测和识别、图像配准和视觉导航等领域有广泛的应用。目前, 已有的曲线匹配算法可归纳为基于轮廓线的匹配方法1-4和基于纹理特性的曲线匹配方法5-11。1.1 基于轮廓线的匹配方法早期匹配技术主要集中在利用曲线自身轮廓线进行匹配, 对曲线形状敏感。轮廓线虽包含的信息量少, 但大量的关键信息包含其中, 并且数据量的锐减有利于实现计
6、算机的实时性处理。常见的表示方法有很多种, 如:B 样条、Freeman链码、多项式、多边形以及傅里叶变换等。靳秋霞等1根据 Freeman 链码在拐角点附近的变化判断标准拐角点, 进而利用拐角点的曲率序列实现曲线匹配。由于多边形局部特征符合线性关系, 房然然等2通过多边形线段逐渐逼近曲线, 从而将曲线匹配问题转化为顶点匹配问题。该方法主要依据多边形的长度 (角度) 排序进行匹配, 未考虑曲线的几何信息。B 样条因具有仿射不变性和良好的局部控制性, 成为一种有效的曲线表示方法, 尤其在 3D 重建和模式识别中有广泛应用, 张海朝等3提出用 B 样条表示曲线, 然后计算曲率和挠率等特征点集, 最
7、后通过上述特征点来实现匹配。上述算法均需要计算和获取局部关键点 (角点、拐点等) , 然而局部关键点的获取和计算进一步影响了算法的复杂性。另一种基于轮廓线的匹配方法是傅里叶变换4。其利用曲线的整体特征来实现匹配, 首先将曲线从时间域转换到频谱域, 然后取出变换系数作为曲线的特征量, 最后通过比较曲线特征矢量实现匹配。该方法不考虑曲线上点与点之间的对应问题, 而是通过曲线的互功率谱与相似参数完成匹配, 方法简单有效但对曲线的旋转敏感。1.2 基于纹理特性的曲线匹配方法尽管基于轮廓线的匹配研究有许多, 但算法集中在利用曲线自身形状进行匹配上, 对曲线形状非常敏感。为减少对曲线自身形状的依赖性, 研
8、究者提出基于纹理特性的曲线匹配方法, 该方法采用曲线周围邻域内的纹理信息来构造特征描述向量, 然后通过计算特征向量的相似性实现曲线的匹配。Wang 等5在尺度不变特征变换 (ScaleI nvar iant Feat u re Transfor m, SI FT) 梯度直方图思想的基础上, 提出了均值标准差直线描述子 (Mean-Standard Deviation Line Descriptor, MSLD) , 并将其推广用于曲线匹配中, 构建了均值标准差曲线描述子 (Mean-Standard Deviation Cur ve Descriptor, MSCD) , 步骤如下: (1)
9、首先, 计算曲线上每个特征点的局部梯度方向, 依据此方向确定该点的支撑区域。 (2) 然后, 将该支撑区域依据局部梯度方向等分成 9 个 55 大小的子区域。 (3) 分别计算每个子区域所有样本点的均值向量和标准差向量, 构建成一个 72 维的描述子。该算法成功地解决不同长度曲线的统一描述问题, 获得较好的匹配效果, 是近年来最具代表性的曲线纹理描述子。在 MSCD 描述子的基础上, Wang 等6提出了一种基于 Harris-Moment 的曲线描述子 (Harris Moment Curve Descriptor, HMCD) ;Wu 等7进一步提出用图像特征向量场来构造直线曲线描述子,
10、通过计算描述子之间的距离进行匹配;Liu等8提出一种将点描述子扩展到直线、曲线以及区域匹配中的框架。这类基于MSCD 描述子构建思想的匹配算法5-8虽然获得了较好的匹配效果, 但需要依赖局部主方向实现旋转不变性, 而且在视角变化下, 图像形变会使区域形状发生扭曲, 该类方法中采用的固定形状的子区域划分会产生边界误差, 进而导致描述子匹配能力下降。为克服固定形状划分带来的边界误差, 王志衡等9将亮度序列引入到曲线描述子构建中, 提出基于亮度序的均值标准差描述子 (Intensity Order Mean-Standard Deviation Descriptor, IOMSD) , 该算法在 M
11、SCD 描述子的基础上改进了子区域的划分方法, 采用一种新颖的划分方法:按照曲线支撑区域内所有像素点的亮度排序 (非降序) 划分子区域。亮度排序不仅对单调光照具有不变性, 还能处理更复杂的光照变化。Liu 等10进一步提出曲线匹配描述子 (Intensity Order Curve Descriptor, IOCD) , 该算法依据全局亮度序列和局部亮度序列构建特征点描述子:首先给出一种不依赖主方向的曲线支撑区域确定方法, 然后依据区域内各点的亮度大小关系划分子区域, 最后通过样本点周围的亮度序映射表征该点。IOCD 的优势在于: (1) 该描述子具有完全的旋转不变性; (2) 能够克服图像形
12、变带来的边界误差, 在形变稳定性上远优于固定位置的划分方法; (3) 该描述子不仅对单调光照变化也具有不变性, 而且具有处理复杂光照变化的能力。Zhi 等11将新颖的局部三元模型运用于曲线特征描述子的构建中, 提出了三元语境直方图描述子 (Ternary Contextualized Histogram Pattern, TCHP) , 获得了较好的匹配效果。2 曲线匹配的未来趋势及技术难点近年来, 基于纹理特性的 IOCD 因其性能好、对形变、光照鲁棒等优势被越来越多地采用, 成为曲线匹配技术的趋势。该方法可以减少对曲线形状的依赖性, 主要采用基于邻域内纹理信息构造特征描述向量的基本思路进行
13、特征匹配:首先确定特征曲线的支撑区域并将其划分为若干子区域, 然后统计各子区域不变特征来构造匹配描述子, 最后通过最近邻距离比率 (Nearest-Neighbor Dist a nce R at io, N N DR) 准则来计算匹配描述子之间的相似程度。基于纹理特性的曲线匹配方法的技术难点有两方面: (1) 曲线支撑区域的确定及子区域的划分。常见的曲线支撑区域确定方法有矩形法、圆型法等, 子区域划分方法有基于固定形状大小的子区域划分、基于亮度排序的子区域划分等。 (2) 各子区域特征的选取。特征选取采用较多的有梯度特征、颜色特征、亮度特征、局部亮度序特征等。3 结语本文总结和归纳了近年来曲
14、线匹配的主要研究, 通过对已有算法优缺点的分析, 得出曲线匹配技术的未来趋势, 总结出基于内容的 IOCD 的基本思路以及技术的难点, 为今后曲线匹配算法研究奠定基础。参考文献1靳秋霞, 张彩霞.基于 Freeman 链码的二维曲线匹配J.计算机应用, 2015 (S1) :247-251. 2房然然, 黄发忠, 辛化梅.二维碎片拼接的局部匹配J.现代电子技术, 2015 (9) :54-56. 3张海朝, 王亚涛, 张芳芳.一种高效的三维轮廓曲线匹配算法J.计算机工程, 2011 (8) :228-230. 4李晓明, 赵训坡, 郑链, 等.基于 Fourier-Mellin 变换的图像配准
15、方法及应用拓展J.计算机学报, 2006 (3) :466-472. 5WANG Z H, WU F C, HU Z Y.MSLD:A robust descriptor for line matchingJ.Pattern Recognition, 2009 (5) :941-953. 6WANG Z H, LIU H M, WU F C.Image content based curvematching using hmcd descriptorC.Xian:Asian Conference on Computer Vision, 2009:448-455. 7WU F C, WANG Z
16、 H, WANG X G.Feature vector field and feature matchingJ.Pattern Recogntion, 2010 (10) :3273-3281. 8LIU H M, WANG Z H, DENG C.Extend point descriptors for line, curve and region matchingC.Haifa:Internation Conference on Machine Learing and Cyberbetics, 2010:214-219. 9王志衡, 智珊珊, 刘红敏.基于亮度序的均值标准差描述子J.模式识
17、别与人工智能, 2013 (4) :409-416. 10LIU H M, ZHI S S, WANG Z H.IOCD:intensity order curve descriptorJ.International Journal of Pattern Recognition and Artificial Intelligence, 2013 (27) :145-147. 11ZHI S S, LIU H M, WANG Z.Ternary contextualised histogram pattern for curve matchingJ.Computer Vision IET, 2014 (8) :642-649.
