本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于dce(discretecurveevolution，離散曲線(xiàn)演化)和lss(localself-similarity，局部自相似)的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法。

背景技術(shù)：

圖像配準(zhǔn)是依據(jù)一些相似性度量決定圖像間的變換參數(shù)，使從不同傳感器、不同視角、不同時(shí)間獲取的同一場(chǎng)景的兩幅或多幅圖像，變換到同一坐標(biāo)系下，在像素層上得到最佳匹配的過(guò)程。對(duì)于單模態(tài)(同一設(shè)備成像)的圖像配準(zhǔn)目前已經(jīng)得到了很好的解決，多模態(tài)圖像能提供比單模態(tài)圖像更加豐富和全面的信息，但是由于多模態(tài)的圖像源自不同的成像設(shè)備，有不同的成像原理，多模態(tài)的圖像配準(zhǔn)仍未得到很好的解決。

紅外與可見(jiàn)光圖像就是常見(jiàn)的多模態(tài)圖像，由于紅外反映景物的輻射信息而可見(jiàn)光反映景物的反射信息，二者輸出的圖像具有不同的灰度特征，紅外圖像可在場(chǎng)景內(nèi)定位具有較高溫度的物體，而可見(jiàn)光圖像可提供背景信息，二者信息互為補(bǔ)充，二者的融合可用于目標(biāo)識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域。紅外圖像和可見(jiàn)光圖像的配準(zhǔn)是圖像預(yù)處理中極為關(guān)鍵的步驟，也是計(jì)算機(jī)視覺(jué)中最困難、最重要的任務(wù)之一。

配準(zhǔn)方法實(shí)現(xiàn)流程如圖1所示，將待配準(zhǔn)圖像進(jìn)行變換、插值處理后與參考圖像計(jì)算相似度，根據(jù)相似度執(zhí)行最優(yōu)變換，變換過(guò)程中由變換參數(shù)優(yōu)化器優(yōu)化變換參數(shù)，直至得到最終最優(yōu)變換參數(shù)。目前的配準(zhǔn)方法主要分為兩類(lèi)：

一種是基于區(qū)域的配準(zhǔn)方法，通常是用圖像的某一區(qū)域或者整幅圖像去估計(jì)圖像之間在空間幾何上的變換參數(shù)。常見(jiàn)的基于區(qū)域的配準(zhǔn)方法有相關(guān)類(lèi)方法、相位相關(guān)法、概率型測(cè)度法等，其中概率型測(cè)度有圖像聯(lián)合直方圖、圖像聯(lián)合熵、互信息法、歸一化互信息法等；該種方法能在特定情況下獲得較好的效果，但對(duì)于紅外圖像和可見(jiàn)光圖像配準(zhǔn)時(shí)，所需計(jì)算時(shí)間長(zhǎng)、對(duì)噪聲的魯棒性不強(qiáng)；

另一種是基于圖像特征的方法，包括有基于結(jié)構(gòu)性特征的方法、基于不變量圖像描述符的方法、基于局部不變特征的方法等，其中局部不變特征在解決寬基線(xiàn)匹配、特殊目標(biāo)識(shí)別、機(jī)器人定位等問(wèn)題中得到了廣泛的應(yīng)用，局部不變特征能對(duì)旋轉(zhuǎn)、尺度縮放、仿射變換、視角變化、光照變化等圖像變化因素保持一定的不變性，而對(duì)物體運(yùn)動(dòng)、遮擋等因素保持較好的可匹配性，從而可以實(shí)現(xiàn)差異較大的兩幅圖像之間特征的匹配。

基于特征的方法實(shí)現(xiàn)包括兩個(gè)部分內(nèi)容：一是特征檢測(cè)，二是特征描述。針對(duì)于特征描述方式中，基于形狀上下文(shapecontexts,sc)描述算法對(duì)目標(biāo)輪廓的描述能力強(qiáng)，且具有一定抑制噪聲的能力，但是算法復(fù)雜度較高，且無(wú)法獲得輪廓點(diǎn)序信息；利用角點(diǎn)典型形狀上下文特征(cornerrepresentativeshapecontext,crsc)是在sc的基礎(chǔ)上提出的一種快速識(shí)別的算法，該算法能夠降低特征點(diǎn)的匹配時(shí)間，有利于解決大規(guī)模形狀樣本的匹配問(wèn)題，但其檢索精度不高；仿射不變性曲線(xiàn)描述算法(affine-invariantcurvedescriptor，aicd)是針對(duì)形狀輪廓有遮擋的現(xiàn)象提出的，該算法能夠有效地解決形狀仿射畸變和部分遮擋的匹配問(wèn)題，但該描述子僅能獲得輪廓的局部特征，造成算法匹配精度不高，且該算法計(jì)算復(fù)雜度較高；基于變換域的傅里葉形狀描述子具有簡(jiǎn)單、高效的特點(diǎn)，但是局部特征捕捉能力不強(qiáng)，且對(duì)噪聲干擾較為敏感；根據(jù)角點(diǎn)特征的描述方式具有旋轉(zhuǎn)不變性和光照不變性，利用角點(diǎn)能夠減少參與計(jì)算的數(shù)據(jù)量，同時(shí)又不損失圖像的重要灰度信息，有從業(yè)者提出基于harris因子分別在紅外圖像和可見(jiàn)光圖像上進(jìn)行角點(diǎn)檢測(cè)，利用角點(diǎn)鄰域在邊緣圖像上的相關(guān)性，計(jì)算出角點(diǎn)的細(xì)匹配，但由于harris檢測(cè)的復(fù)雜度高，因而計(jì)算量巨大，難以達(dá)到實(shí)時(shí)性要求。

中國(guó)專(zhuān)利申請(qǐng)cn105631872a公開(kāi)一種特征點(diǎn)檢測(cè)方法，通過(guò)在輸入圖像的各向異性尺度空間中分別使用harris和hessian算子進(jìn)行特征點(diǎn)檢測(cè)，離散曲線(xiàn)演化dce基于視覺(jué)部件，能夠?qū)D像中的形狀輪廓進(jìn)行特征提取，獲得具有重要視覺(jué)部件的輪廓，并且對(duì)目標(biāo)變形、邊界噪聲具有一定的魯棒性。但是由于角點(diǎn)檢測(cè)的復(fù)雜度較高，因而計(jì)算量巨大，配準(zhǔn)的精度低，不能達(dá)到很好配置效果，當(dāng)用于紅外圖像和可見(jiàn)光圖像配準(zhǔn)時(shí)，計(jì)算時(shí)間長(zhǎng)、對(duì)噪聲的魯棒性不強(qiáng)。

對(duì)紅外圖像和可見(jiàn)光圖像進(jìn)行配準(zhǔn)時(shí)，若單基于輪廓進(jìn)行配準(zhǔn)，存在紅外圖像中目標(biāo)的邊界模糊，不易于準(zhǔn)確分割等問(wèn)題；若單基于特征點(diǎn)進(jìn)行配準(zhǔn)，由于紅外圖像和可見(jiàn)光的成像原理不同，會(huì)導(dǎo)致特征點(diǎn)的分布不均，且在不同圖像中相同目標(biāo)也可能存在不同的特征點(diǎn)，使得配準(zhǔn)誤差較高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題就在于：針對(duì)現(xiàn)有技術(shù)存在的技術(shù)問(wèn)題，本發(fā)明提供一種配準(zhǔn)的實(shí)現(xiàn)復(fù)雜度低且配準(zhǔn)精度及效率高的基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明提出的技術(shù)方案為：

基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，步驟包括：

s1.dce特征點(diǎn)提?。翰捎胐ce分別檢測(cè)待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的目標(biāo)輪廓，并提取對(duì)應(yīng)所述目標(biāo)輪廓中頂點(diǎn)的各dce特征點(diǎn)，得到分別對(duì)應(yīng)待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的dce特征點(diǎn)集合；

s2.lss特征描述：采用lss方法分別描述各所述dce特征點(diǎn)集合中各個(gè)dce特征點(diǎn)；

s3.相似度測(cè)量：根據(jù)所述步驟s2的描述結(jié)果，計(jì)算待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像之間各個(gè)dce特征點(diǎn)之間的匹配度，得到各個(gè)dce特征點(diǎn)之間的對(duì)應(yīng)關(guān)系；

s4.配準(zhǔn)輸出：根據(jù)所述步驟s3得到的所述對(duì)應(yīng)關(guān)系，經(jīng)過(guò)圖像變換后得到配準(zhǔn)后圖像輸出。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s1中采用dce描述目標(biāo)輪廓時(shí)，在演化過(guò)程中根據(jù)簡(jiǎn)化得到的多邊形與原物體之間的相似程度，以及dce特征點(diǎn)集之間的順序關(guān)系來(lái)控制形狀匹配以及演化過(guò)程的終止。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述簡(jiǎn)化得到的多邊形與原物體之間的相似程度采用p上遠(yuǎn)邊界點(diǎn)演化得到的多邊形p^n-k的線(xiàn)段的平均距離dav(p^n-k)來(lái)表示，其中p^n-k為演化刪除k個(gè)頂點(diǎn)后得到的多邊形輪廓，當(dāng)所述平均距離dav(p^n-k)大于預(yù)設(shè)閾值t時(shí)終止dce的演化過(guò)程。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述dce特征點(diǎn)具體由構(gòu)成的向量進(jìn)行描述，其中為歸一化的位置向量，k為同一頂點(diǎn)兩條邊的相關(guān)性，是輪廓的角度。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟s1中得到dce特征點(diǎn)集合后，還包括根據(jù)各個(gè)dce特征點(diǎn)之間的關(guān)聯(lián)度，對(duì)所述dce特征點(diǎn)集合中各dce特征點(diǎn)進(jìn)行粗匹配步驟。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述進(jìn)行粗匹配的具體步驟為：

s11.設(shè)定第一衡量度、第二衡量度以及第三衡量度，其中所述第一衡量度為：

其中，k^l和k^r分別為一個(gè)dce特征點(diǎn)與左、右兩側(cè)的dce特征點(diǎn)之間的關(guān)聯(lián)度；

第二衡量度為：

其中，d為兩個(gè)dce特征點(diǎn)之間的歐氏距離；

第三衡量度為：

其中pe為所述dce特征點(diǎn)集合；

s12.分別計(jì)算所述dce特征點(diǎn)集合中各dce特征點(diǎn)的所述第一衡量度、第二衡量度以及第三衡量度，綜合所述第一衡量度、第二衡量度以及第三衡量度，確定需要保留的dce特征點(diǎn)，得到粗匹配后的最終dce特征點(diǎn)集合。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟s12的具體步驟為：將各dce特征點(diǎn)的所述第一衡量度、第二衡量度以及第三衡量度按照下式計(jì)算綜合衡量度，若所述綜合衡量度大于預(yù)設(shè)閾值，則保留對(duì)應(yīng)的dce特征點(diǎn)；

sdce＝sk+seucl+sangle

其中，sdce為綜合衡量度，sk為第一衡量度，seucl為第二衡量度，sangle為第三衡量度。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟s2中采用lss描述一個(gè)dce特征點(diǎn)的具體步驟為：

s21.以目標(biāo)dce特征點(diǎn)為中心在圖像上取指定大小的局部區(qū)域，并以目標(biāo)dce特征點(diǎn)為中心取指定大小的鄰域，得到中心子窗口；

s22.在所述局部區(qū)域中，以每個(gè)像素為中心取相同大小的鄰域作為子窗口，計(jì)算所有的子窗口與所述中心子窗口之間的灰度差方和ssd；

s23.對(duì)所述灰度差方和ssd進(jìn)行歸一化處理轉(zhuǎn)化為相關(guān)曲面sq(x,y)；

s23.把所述相關(guān)曲面sq(x,y)轉(zhuǎn)換至對(duì)數(shù)極坐標(biāo)下，并在角度和徑向方向上分別劃分為n份和m份，并在每個(gè)子區(qū)域中選擇一個(gè)特征值形成n*m維的lss描述子，得到描述目標(biāo)dce特征點(diǎn)的結(jié)果。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟s3中計(jì)算匹配度時(shí)具體采用lss描述子間的ncc作為匹配的相似性測(cè)度，當(dāng)兩個(gè)目標(biāo)dce特征點(diǎn)之間的lscc>t時(shí)，其中t為預(yù)設(shè)匹配閾值，lssc為lss描述子間的ncc，判定兩個(gè)目標(biāo)dce特征點(diǎn)為相匹配的對(duì)應(yīng)點(diǎn)。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

1)本發(fā)明基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，利用紅外圖像和可見(jiàn)光圖像之間的特性，針對(duì)同一場(chǎng)景下包含多種人像的紅外圖像和可見(jiàn)光圖像，結(jié)合dce特征點(diǎn)和空間信息的lss描述對(duì)紅外圖像和可見(jiàn)光進(jìn)行匹配，通過(guò)采用dce來(lái)描述待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的目標(biāo)輪廓，并提取對(duì)應(yīng)目標(biāo)輪廓中頂點(diǎn)的各dce特征點(diǎn)，再采用lss方法描述dce特征點(diǎn)，由dce特征點(diǎn)之間的匹配度將紅外圖像和可見(jiàn)光圖像中各個(gè)dce特征點(diǎn)進(jìn)行對(duì)應(yīng)，能夠?qū)崿F(xiàn)精準(zhǔn)的配準(zhǔn)，且實(shí)現(xiàn)復(fù)雜度低、配準(zhǔn)效率高；

2)本發(fā)明基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，采用dce描述目標(biāo)輪廓時(shí)，在演化過(guò)程中根據(jù)簡(jiǎn)化得到的多邊形與原物體之間的相似程度，通過(guò)改變dce的終止條件來(lái)控制演化過(guò)程的終止，使得能夠?qū)崿F(xiàn)動(dòng)態(tài)控制演化程度，能夠適用于具有大量圖像的數(shù)據(jù)庫(kù)的形狀匹配，同時(shí)能夠降低迭代次數(shù)，從而降低算法的復(fù)雜程度；

3)本發(fā)明基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，采用dce描述目標(biāo)輪廓時(shí)，在演化過(guò)程中根據(jù)簡(jiǎn)化得到的多邊形與原物體之間的相似程度，以及dce特征點(diǎn)集之間的順序關(guān)系來(lái)控制形狀匹配以及演化過(guò)程的終止，能夠利用輪廓點(diǎn)集順序關(guān)系信息執(zhí)行形狀匹配，執(zhí)行精準(zhǔn)的形狀匹配，同時(shí)能夠?qū)崿F(xiàn)動(dòng)態(tài)控制演化程度，使得降低迭代次數(shù)而執(zhí)行合適的演化，降低算法的復(fù)雜程度，從而能夠適用于具有大量圖像的數(shù)據(jù)庫(kù)；

4)本發(fā)明基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，綜合像素灰度與相鄰像素運(yùn)用lss自相似的目標(biāo)描述方法對(duì)dce特征點(diǎn)進(jìn)行描述，充分結(jié)合了圖像的空間信息，能夠防止相鄰像素虛警的產(chǎn)生，具有更好的描述性能，且對(duì)于旋轉(zhuǎn)和形變具有一定容忍性；進(jìn)一步通過(guò)將相關(guān)曲面變換到對(duì)數(shù)極坐標(biāo)下，以及通過(guò)多維的lss描述子進(jìn)行特征點(diǎn)的描述，能夠使得描述子對(duì)于局部仿射形變具有一定的容忍性。

附圖說(shuō)明

圖1是圖像配準(zhǔn)的實(shí)現(xiàn)流程示意圖。

圖2是本實(shí)施例基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法的實(shí)現(xiàn)流程示意圖。

圖3是本實(shí)施例采用的dce進(jìn)行離散曲線(xiàn)演化的實(shí)現(xiàn)原理示意圖。

圖4是對(duì)圖像采用常用的去除邊界噪聲方法與采用dce方法的對(duì)比結(jié)果圖。

圖5是本發(fā)明具體實(shí)施例中dce演化得到的人像dce輪廓及dce特征點(diǎn)結(jié)果示意圖。

圖6是本發(fā)明具體實(shí)施例中從可見(jiàn)光和紅外圖像中檢測(cè)到的dce關(guān)鍵點(diǎn)結(jié)果示意圖。

圖7是本實(shí)施例采用lss描述dce特征點(diǎn)的形成流程示意圖。

具體實(shí)施方式

以下結(jié)合說(shuō)明書(shū)附圖和具體優(yōu)選的實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述，但并不因此而限制本發(fā)明的保護(hù)范圍。

如圖2所示，本實(shí)施例基于dce和lss的紅外圖像和可見(jiàn)光圖像配準(zhǔn)方法，步驟包括：

s1.dce特征點(diǎn)提?。翰捎胐ce分別檢測(cè)待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的目標(biāo)輪廓，并提取對(duì)應(yīng)目標(biāo)輪廓中頂點(diǎn)的各dce特征點(diǎn)，得到分別對(duì)應(yīng)待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的dce特征點(diǎn)集合；

s2.lss特征描述：采用lss方法分別描述各dce特征點(diǎn)集合中各個(gè)dce特征點(diǎn)；

s3.相似度測(cè)量：根據(jù)步驟s2的描述結(jié)果，計(jì)算待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的dce特征點(diǎn)集合中各個(gè)dce特征點(diǎn)之間的匹配度，得到各個(gè)dce特征點(diǎn)之間的對(duì)應(yīng)關(guān)系；

s4.配準(zhǔn)輸出：根據(jù)步驟s3得到的所述對(duì)應(yīng)關(guān)系，經(jīng)過(guò)圖像變換后得到配準(zhǔn)后圖像輸出。

dce基于視覺(jué)部件能夠?qū)D像中的形狀輪廓進(jìn)行特征提取，獲得具有重要視覺(jué)部件的輪廓，并且對(duì)目標(biāo)變形、邊界噪聲具有一定的魯棒性，本實(shí)施例通過(guò)dce能夠有效檢測(cè)出紅外圖像和可見(jiàn)光圖像中的同一目標(biāo)；lss能夠反映圖像內(nèi)在的幾何布局和形狀屬性的特征，對(duì)沒(méi)有相同的底層結(jié)構(gòu)、但具有相似的幾何布局的目標(biāo)，具有良好的檢測(cè)性能，本實(shí)施例通過(guò)lss對(duì)dce特征點(diǎn)進(jìn)行描述，能夠有效描述紅外圖像和可見(jiàn)光目標(biāo)中具有相似的描述子向量。

紅外圖像和可見(jiàn)光圖像之間的成像原理不同、具有不同底層結(jié)構(gòu)，且對(duì)于同一目標(biāo)具有相同輪廓和相同的相對(duì)空間信息，本實(shí)施例基于該特性，針對(duì)同一場(chǎng)景下包含多種人像的紅外圖像和可見(jiàn)光圖像，結(jié)合dce特征點(diǎn)和空間信息的lss描述對(duì)紅外圖像和可見(jiàn)光進(jìn)行匹配，通過(guò)采用dce來(lái)描述待配準(zhǔn)的紅外圖像、可見(jiàn)光圖像的目標(biāo)輪廓，并提取對(duì)應(yīng)目標(biāo)輪廓中頂點(diǎn)的各dce特征點(diǎn)，再采用lss方法描述dce特征點(diǎn)，由dce特征點(diǎn)之間的匹配度將紅外圖像和可見(jiàn)光圖像中各個(gè)dce特征點(diǎn)進(jìn)行對(duì)應(yīng)，與傳統(tǒng)的紅外圖像與可見(jiàn)光圖像配準(zhǔn)方法相比，能夠利用目標(biāo)人像周?chē)目臻g信息實(shí)現(xiàn)精準(zhǔn)的配準(zhǔn)，且實(shí)現(xiàn)復(fù)雜度低、配準(zhǔn)效率高。

dce是一個(gè)簡(jiǎn)化目標(biāo)輪廓多邊形的過(guò)程，dce能檢測(cè)圖像目標(biāo)輪廓上一些明顯的凸點(diǎn)，dce通過(guò)不斷刪除輪廓上的凹點(diǎn)完成演化過(guò)程。本實(shí)施例步驟s1中采用dce從不同圖像中刻畫(huà)出人像目標(biāo)的輪廓，在輪廓的頂點(diǎn)處得到特征點(diǎn)，描述目標(biāo)輪廓時(shí)，具體在每一次演化過(guò)程中刪除對(duì)目標(biāo)識(shí)別貢獻(xiàn)最小的輪廓點(diǎn),同時(shí)保留物體的基本信息，在這個(gè)過(guò)程中刪除的頂點(diǎn)一般是物體形狀邊界上的突起或者噪音，從而避免了突起或者噪音對(duì)于凸點(diǎn)選取的影響。具體的，如圖3所示，假設(shè)有2條線(xiàn)段s1＝{v1,v2}、s2＝{v2,v3}其中，v1,v2,v3表示曲線(xiàn)輪廓點(diǎn)，若這3個(gè)點(diǎn)中，v2對(duì)形狀的識(shí)別貢獻(xiàn)最小，則刪除v2，接下來(lái)連接v1和v3形成一條新的線(xiàn)段，即s3＝{v1,v3}。

本實(shí)施例具體采用如式(1)所示的計(jì)算目標(biāo)識(shí)別貢獻(xiàn)的函數(shù)：

其中，β(s1,s2)為線(xiàn)段s1,s2的轉(zhuǎn)角，該轉(zhuǎn)角β(s1,s2)計(jì)算時(shí)，通過(guò)在標(biāo)準(zhǔn)二維平面坐標(biāo)系下,指定x軸為參考線(xiàn),定義線(xiàn)段s的角方向函數(shù)fa(s)為線(xiàn)段的起點(diǎn)到終點(diǎn)方向與x軸方向的帶符號(hào)夾角,則線(xiàn)段s1,s2的轉(zhuǎn)角β(s1,s2)＝fa(s2)-fa(s1)；l(s1),l(s2)分別表示線(xiàn)段s1,s2相對(duì)輪廓周長(zhǎng)歸一化后的長(zhǎng)度。

如上式(1)計(jì)算目標(biāo)識(shí)別貢獻(xiàn)，k(s1,s2)的值越小,則線(xiàn)段s1,s2對(duì)整個(gè)輪廓的貢獻(xiàn)越小，即對(duì)應(yīng)在形狀識(shí)別中越不重要，每次演化過(guò)程中刪除k(s1,s2)值最小的輪廓點(diǎn)。

dce能夠消除輪廓曲線(xiàn)上的突起或者圖像中的噪音，但是若dce無(wú)休止的演化下去，無(wú)法控制演化程度，且算法復(fù)雜程度高，不適用于具有大量圖像的數(shù)據(jù)庫(kù)的形狀匹配，且傳統(tǒng)的dce通常在形狀匹配時(shí)沒(méi)有利用輪廓點(diǎn)集順序關(guān)系信息，導(dǎo)致形狀匹配精度降低。本實(shí)施例中，步驟s1中采用dce描述目標(biāo)輪廓時(shí)，在演化過(guò)程中根據(jù)簡(jiǎn)化得到的多邊形與原物體之間的相似程度，以及dce特征點(diǎn)集之間的順序關(guān)系來(lái)控制形狀匹配以及演化過(guò)程的終止，能夠利用輪廓點(diǎn)集順序關(guān)系信息執(zhí)行形狀匹配，執(zhí)行精準(zhǔn)的形狀匹配，同時(shí)能夠?qū)崿F(xiàn)動(dòng)態(tài)控制演化程度，使得降低迭代次數(shù)而執(zhí)行合適的演化，降低算法的復(fù)雜程度，從而能夠適用于具有大量圖像的數(shù)據(jù)庫(kù)。

本實(shí)施例中，簡(jiǎn)化得到的多邊形與原物體之間的相似程度采用p上遠(yuǎn)邊界點(diǎn)演化得到的多邊形p^n-k的線(xiàn)段的平均距離dav(p^n-k)來(lái)表示，其中p^n-k為演化刪除k個(gè)頂點(diǎn)后得到的多邊形輪廓，當(dāng)平均距離dav(p^n-k)大于預(yù)設(shè)閾值t時(shí)終止dce的演化過(guò)程。預(yù)設(shè)閾值t取值不同時(shí)可以演化得到不同層次的簡(jiǎn)化多邊形，預(yù)設(shè)閾值t取值具體可根據(jù)紅外圖像和可見(jiàn)光圖像目標(biāo)人像的特點(diǎn)確定。如圖4所示，對(duì)比各種常用的去除邊界噪聲方法，其中圖a為原圖，圖b為含噪圖像，圖c為采用canny算子得到的結(jié)果，圖d為采用高斯平滑得到的結(jié)果，以及圖e為采用dce得到的結(jié)果，從圖中可知，本實(shí)施例dce離散曲線(xiàn)演化的結(jié)果與原目標(biāo)具有更較高的近似度。

如圖5所示為對(duì)紅外圖像和可見(jiàn)光圖像的人像目標(biāo)進(jìn)行dce時(shí)，采用32點(diǎn)演化得到的人像dce外形輪廓及dce特征點(diǎn)(dcekeypoints)，如圖6所示為分別針對(duì)可見(jiàn)光和紅外圖像進(jìn)行dce特征點(diǎn)(dcekeypoints)檢測(cè)的結(jié)果，其中圖(a)對(duì)應(yīng)可見(jiàn)光圖像，圖(b)對(duì)應(yīng)紅外圖像。從圖中可以看出，采用dce能夠在紅外圖像和可見(jiàn)光圖像中有效獲取人像的主要輪廓。

由于特征點(diǎn)的方向?qū)⒈挥糜诳缒B(tài)的目標(biāo)配準(zhǔn)，本實(shí)施例中通過(guò)包含有方向參數(shù)的三個(gè)參數(shù)來(lái)描述dce特征點(diǎn)，dce特征點(diǎn)具體由構(gòu)成的向量進(jìn)行描述，其中為歸一化的位置向量，k為同一頂點(diǎn)兩條邊的相關(guān)性，是輪廓的角度。k的定義具體如式(2)所示；

其中β是兩邊的外角，l1,l2分別表示同一頂點(diǎn)兩條邊相對(duì)于輪廓周長(zhǎng)的歸一化長(zhǎng)度。

dce的初始目的是用簡(jiǎn)潔的邊勾勒出目標(biāo)的輪廓，但是步驟s2中基于lss自相似的特征描述時(shí)需要用到盡可能多的特征點(diǎn)，且dce演化能夠得到與目標(biāo)相近的輪廓。本實(shí)施例基于dce上述特性，對(duì)dce離散曲線(xiàn)演化的迭代過(guò)程進(jìn)行優(yōu)化，通過(guò)改進(jìn)迭代條件，使得能夠得到盡可能多的有意義的輪廓邊，從而盡可能用更多更準(zhǔn)確的曲線(xiàn)描述目標(biāo)的輪廓，進(jìn)而得到較多的特征點(diǎn)。

為了減少后續(xù)lss的計(jì)算量，本實(shí)施例中，步驟s1中得到dce特征點(diǎn)集合后，還包括根據(jù)各個(gè)dce特征點(diǎn)之間的關(guān)聯(lián)度，將對(duì)應(yīng)紅外圖像、可見(jiàn)光圖像的dce特征點(diǎn)集合中各dce特征點(diǎn)進(jìn)行粗匹配步驟。

本實(shí)施例中，進(jìn)行粗匹配的具體步驟為：

s11.按式(3)、(4)、(5)分別設(shè)定第一衡量度、第二衡量度以及第三衡量度，其中第一衡量度sk為：

其中，k^l和k^r分別為一個(gè)dce特征點(diǎn)與左、右兩側(cè)的dce特征點(diǎn)之間的關(guān)聯(lián)度；

第二衡量度seucl為：

其中，d為兩個(gè)dce特征點(diǎn)之間的歐氏距離；

第三衡量度sangle為：

其中pe為dce特征點(diǎn)集合；

s12.分別計(jì)算dce特征點(diǎn)集合中各dce特征點(diǎn)的第一衡量度、第二衡量度以及第三衡量度，綜合第一衡量度、第二衡量度以及第三衡量度，確定需要保留的dce特征點(diǎn)，得到粗匹配后的最終dce特征點(diǎn)集合。

本實(shí)施例中，步驟s12的具體步驟為：將各dce特征點(diǎn)的第一衡量度sk、第二衡量度seucl以及第三衡量度sangle按照式(6)計(jì)算綜合衡量度，若綜合衡量度大于預(yù)設(shè)閾值，則保留對(duì)應(yīng)的dce特征點(diǎn)；

sdce＝sk+seucl+sangle(6)

其中，sdce為綜合衡量度。

如圖7所示，本實(shí)施例中步驟s2中采用lss描述一個(gè)dce特征點(diǎn)的具體步驟為：

s21.以目標(biāo)dce特征點(diǎn)p為中心在圖像上取指定大小的局部區(qū)域，并以目標(biāo)dce特征點(diǎn)p為中心取指定大小的鄰域，如3*3像素，得到中心子窗口；

s22.在局部區(qū)域中，以每個(gè)像素為中心取相同大小的鄰域作為子窗口，計(jì)算所有的子窗口與中心子窗口之間的灰度差方和ssd；

s23.對(duì)灰度差方和ssd進(jìn)行歸一化處理轉(zhuǎn)化為相關(guān)曲面sq(x,y)，相關(guān)曲面sq(x,y)具體按式(7)計(jì)算；

式中varpatch是中心子窗口與其鄰域內(nèi)子窗口間的ssd最大值。varnoise是一個(gè)常量，表示由光照和噪聲等引起的灰度變化。

s23.把相關(guān)曲面sq(x,y)轉(zhuǎn)換至對(duì)數(shù)極坐標(biāo)下，并在角度和徑向方向上分別劃分為n份和m份，并在每個(gè)子區(qū)域中選擇一個(gè)特征值形成n*m維的lss描述子，得到描述目標(biāo)dce特征點(diǎn)的結(jié)果。

本實(shí)施例采用上述步驟，綜合像素灰度與相鄰像素運(yùn)用lss自相似的目標(biāo)描述方法對(duì)dce特征點(diǎn)進(jìn)行描述，充分結(jié)合了圖像的空間信息，能夠防止相鄰像素虛警的產(chǎn)生，相比于傳統(tǒng)的基于特征邊界、基于無(wú)規(guī)則軌跡等描述方法，能夠具有更好的描述性能，且對(duì)于旋轉(zhuǎn)和形變具有一定容忍性。

本實(shí)施例步驟s23中將相關(guān)曲面sq(x,y)轉(zhuǎn)化到對(duì)數(shù)極坐標(biāo)下，相關(guān)曲面sq(x,y)在對(duì)數(shù)極坐標(biāo)下具體在角度和徑向方向上分別劃分為n＝20份和m＝4份，形成80個(gè)bin，在每個(gè)子區(qū)域里，具體選擇最大的相關(guān)值作為特征值，形成80維的lss描述子。通過(guò)將相關(guān)曲面變換到對(duì)數(shù)極坐標(biāo)下，以及通過(guò)多維的lss描述子進(jìn)行特征點(diǎn)的描述，能夠使得描述子對(duì)于局部仿射形變具有一定的容忍性；通過(guò)選擇在每個(gè)bin中的最大相關(guān)值，還能夠使描述子對(duì)最佳匹配子區(qū)域在該bin內(nèi)的確切位置不敏感，由于bin的半徑的大小增加，允許增加徑向，因而可以增加非剛性變形；同時(shí)，lss使用patch(子區(qū)域)作為測(cè)量?jī)?nèi)部自相似性的基本單位比單個(gè)像素捕獲更多有意義的圖像模式。

相比于傳統(tǒng)的互信息mi方法完全依賴(lài)于圖像灰度信息，本實(shí)施例采用lss先分別計(jì)算每一副圖像的描述算子，然后在匹配過(guò)程進(jìn)行比較，能增強(qiáng)在目標(biāo)人像區(qū)域上匹配的正確率，且lss是基于子區(qū)域patch對(duì)整幅圖像的相關(guān)描述，因而對(duì)小區(qū)域內(nèi)的測(cè)量單元擁有更多有意義的描述；同時(shí)lss中只要目標(biāo)人像具有類(lèi)似的空間布局，利用lss都能達(dá)到適合的匹配，即本實(shí)施例基于lss能夠?qū)χb不同或者形態(tài)不同的目標(biāo)人像實(shí)現(xiàn)可靠的描述。

ncc是一種基于統(tǒng)計(jì)學(xué)計(jì)算兩組樣本數(shù)據(jù)相關(guān)性的算法，其取值范圍為[-1,1]之間，對(duì)圖像來(lái)說(shuō)，每個(gè)像素點(diǎn)都可以看成是rgb數(shù)值，這樣整幅圖像就可以看成是一個(gè)樣本數(shù)據(jù)的集合，如果它有一個(gè)子集與另外一個(gè)樣本數(shù)據(jù)相互匹配則它的ncc值為1，表示相關(guān)性很高，如果是-1則表示完全不相關(guān)，基于上述原理即可實(shí)現(xiàn)基于模板匹配的識(shí)別算法。

數(shù)據(jù)歸一化公式如(8)式：

其中，表示像素點(diǎn)p的灰度值，μ表示窗口所有像素的平均值，σ表示標(biāo)準(zhǔn)方差。

假設(shè)t表示模版的像素值，圖像的ncc定義如(9)式：

其中n是模版像素的總數(shù)。

多光譜圖像間的局部形狀具有較高的相似性，本實(shí)施例采用lss描述子間的ncc(表示為lscc)作為匹配的相似性測(cè)度，當(dāng)兩個(gè)目標(biāo)dce特征點(diǎn)之間的lscc>t時(shí)，其中t為預(yù)設(shè)匹配閾值，lscc為采用lss描述子間的ncc，判定兩個(gè)目標(biāo)dce特征點(diǎn)為相匹配的對(duì)應(yīng)點(diǎn)。

本實(shí)施例中，lscc具體按照下式計(jì)算得到；

其中，和分別為圖像a和b的lss描述子，和分別為圖像a和b的lss描述子的平均值；n為lss描述子的維數(shù)。

本實(shí)施例在確定特征點(diǎn)描述子后，利用lscc進(jìn)行相似度測(cè)量，再利用ransac算法，剔除一些錯(cuò)誤匹配的特征點(diǎn)，利用lscc相似度測(cè)量得到的特征點(diǎn)之間的對(duì)應(yīng)關(guān)系，即可計(jì)算單應(yīng)性矩陣。

如圖2所示，本實(shí)施例上述配準(zhǔn)方法對(duì)紅外圖像和可見(jiàn)光圖像進(jìn)行配準(zhǔn)時(shí)，具體首先利用dce分別提取紅外圖像和可見(jiàn)光圖像中的目標(biāo)輪廓，輪廓頂點(diǎn)的集合作為dce特征點(diǎn)集合，其中演化過(guò)程中由于dce能夠得到與目標(biāo)相近的輪廓，對(duì)dce離散曲線(xiàn)演化的迭代過(guò)程進(jìn)行優(yōu)化，設(shè)定終止演化條件，使得盡可能用更多更準(zhǔn)確的曲線(xiàn)描述目標(biāo)的輪廓，進(jìn)而得到較多的特征點(diǎn)；再依次以特征點(diǎn)集合中的每個(gè)特征點(diǎn)作為中心點(diǎn)，利用lss描述每一個(gè)特征點(diǎn)的特征向量，使得對(duì)于旋轉(zhuǎn)和形變具有一定容忍性；然后利用多光譜圖像間的局部形狀具有較高的相似性的特性，運(yùn)用lscc(lss的ncc)計(jì)算匹配度，設(shè)定一個(gè)匹配閾值，當(dāng)超過(guò)匹配閾值的特征點(diǎn)對(duì)判定為對(duì)應(yīng)特征點(diǎn)，建立得到各特征點(diǎn)之間的對(duì)應(yīng)關(guān)系；最后基于建立的對(duì)應(yīng)關(guān)系進(jìn)行圖像變換，對(duì)于變換后的圖像，非整數(shù)的坐標(biāo)中的圖像值可以使用適當(dāng)?shù)牟逯涤?jì)算技術(shù)進(jìn)行插值，得到配準(zhǔn)后圖像輸出。

上述只是本發(fā)明的較佳實(shí)施例，并非對(duì)本發(fā)明作任何形式上的限制。雖然本發(fā)明已以較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明。因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所做的任何簡(jiǎn)單修改、等同變化及修飾，均應(yīng)落在本發(fā)明技術(shù)方案保護(hù)的范圍內(nèi)。