特征提取與匹配算法在民族服飾圖案上的應(yīng)用研究

陳金廣, 曹春梅, 任冰青, 馬麗麗

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院, 陜西 西安 710048)

研究與技術(shù)

特征提取與匹配算法在民族服飾圖案上的應(yīng)用研究

陳金廣, 曹春梅, 任冰青, 馬麗麗

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院, 陜西 西安 710048)

服飾圖案包含某些象征意義,是傳統(tǒng)服飾文化研究中的重要元素。將圖像處理技術(shù)應(yīng)用于民族服飾圖案的特征提取時(shí),尺度不變特征變換(SIFT)算法和快速魯棒性尺度不變(SURF)算法是兩類(lèi)較典型的特征提取算法,它們?cè)趫D像旋轉(zhuǎn)、尺度變化、噪聲干擾情況下具有較好的適應(yīng)性。文章選取清代宮廷服飾中具有代表性的圖案作為實(shí)驗(yàn)對(duì)象,用SIFT和SURF算法分別對(duì)該圖像進(jìn)行特征提取,用最優(yōu)節(jié)點(diǎn)優(yōu)先(BBF)算法確定特征點(diǎn)匹配點(diǎn)對(duì),計(jì)算兩種算法的正確匹配率和時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,兩種算法在服飾圖案發(fā)生旋轉(zhuǎn)、尺度變化、噪聲干擾情況下均保持較高的特征匹配率,對(duì)從事網(wǎng)絡(luò)中海量服飾圖像數(shù)據(jù)自動(dòng)化分類(lèi)和檢索方面的研究人員具有一定參考價(jià)值。

服飾圖案; SIFT; SURF; 特征提取; 圖像處理; 民族服飾; 圖案分類(lèi)

隨著經(jīng)濟(jì)的快速發(fā)展,人們的物質(zhì)文化水平有了很大提高,對(duì)服飾的要求越來(lái)越高,因?yàn)樗粌H反映一個(gè)人的心理、性格、地位,而且是時(shí)代環(huán)境的真實(shí)寫(xiě)照[1]。民族文化具有很高的研究?jī)r(jià)值,而很多文化就體現(xiàn)在民族服飾圖案上。民族服飾圖案一般含有大量花紋,大部分都是以手工刺繡的方式制作的,大多含有祈福納祥的美好含義[2-4]。服飾圖案一般由好幾個(gè)紋理樣本構(gòu)成,紋理是單元按照一定準(zhǔn)則重復(fù)出現(xiàn)的模式。因此,可以將紋理作為圖像的特征進(jìn)行描述,然后通過(guò)紋理對(duì)圖像分類(lèi)。

由于計(jì)算機(jī)技術(shù)的興起,網(wǎng)絡(luò)中存有大量的民族服飾圖案,這些圖案種類(lèi)繁多,且往往未經(jīng)歸類(lèi)。對(duì)網(wǎng)絡(luò)中某一方面圖像的檢索和下載問(wèn)題,可以采用網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)輕易獲得,也就是說(shuō)網(wǎng)絡(luò)中民族服飾圖案的獲取問(wèn)題易于解決。然而當(dāng)獲取大量民族服飾圖案之后,如何對(duì)圖案進(jìn)行分類(lèi)是面臨的難點(diǎn)。如果通過(guò)人工的方法,設(shè)計(jì)師只能通過(guò)肉眼或借助一些圖像處理軟件來(lái)觀察民族服飾圖案并進(jìn)行分類(lèi),這種處理方式效率很低。而采用自動(dòng)化的方式進(jìn)行分類(lèi),由計(jì)算機(jī)處理數(shù)據(jù),這種處理方式能夠大大提高處理效率。而圖像分類(lèi)的關(guān)鍵是特征提取,特征提取的好壞直接決定分類(lèi)效果,因此民族服飾圖案的特征提取方法是本文關(guān)注的重點(diǎn)。

在圖像特征提取研究方面,值得關(guān)注的是Lowe提出的尺度不變特征變換(scale invariant feature transform, SIFT)算法[5]。當(dāng)兩幅圖像之間出現(xiàn)旋轉(zhuǎn)、尺度變化、平移的情況時(shí),該算法能較好地實(shí)現(xiàn)圖像的匹配。目前SIFT算法應(yīng)用廣泛,如偽影檢測(cè)[6]、視頻馬賽克[7]、圖像配準(zhǔn)[8-9]等,還有在原始算法中加入Harris算法[10],使算法能得到更多的特征點(diǎn),提高準(zhǔn)確性。2008年,Bay等[11]提出了快速魯棒性尺度不變特征提取(speeded up robust features, SURF)算法。該算法借鑒了SIFT算法中簡(jiǎn)化近似的思想,采用了Hessian矩陣的行列式值(determinant of hessian, DoH)近似、積分圖像的思想,在運(yùn)算速度上比SIFT算法快很多。SURF算法自問(wèn)世以來(lái),得到廣泛的關(guān)注。類(lèi)似于SIFT算法,該算法被應(yīng)用于很多方面,如視頻拷貝檢測(cè)[12]、隱現(xiàn)檢測(cè)[13]、場(chǎng)景匹配[14]、圖像馬賽克[15]和目標(biāo)跟蹤[16]。目前還有其他特征提取方法,如二值化魯棒尺度不變特征提取(binary robust invariant scalable keypionts, BRISK)算法、ORB(oriented FAST and rotated BRIEF)算法和FREAK(fast retina keypoint)算法。每種方法都有自己的優(yōu)勢(shì),比如BRISK算法擅長(zhǎng)于模糊圖像的匹配,ORB算法進(jìn)行相同圖像的匹配時(shí)速度較快,而FREAK算法對(duì)光照不敏感。

民族服飾圖案每次呈現(xiàn)時(shí)并不是一成不變的。拍攝角度不同,圖案會(huì)發(fā)生旋轉(zhuǎn);拍攝距離不同,圖案尺寸大小會(huì)發(fā)生改變;污漬程度不同,圖案中噪聲類(lèi)型和強(qiáng)弱會(huì)發(fā)生變化。這些都會(huì)對(duì)民族服飾圖案的特征提取產(chǎn)生一定影響?？紤]到SIFT和SURF算法對(duì)圖像的旋轉(zhuǎn)、尺寸變化、噪聲的不敏感性,本文針對(duì)SIFT和SURF算法進(jìn)行研究,通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證,判斷特征提取算法在民族服飾圖案特征提取中的效果。

1 SIFT和SURF特征提取算法

1.1 SIFT特征提取算法

由于不同尺度下的尺度空間L(x,y,σ)可由二維圖像I(x,y)和高斯核G(x,y,σ)卷積得到:

L(x,y,σ)=G(x,y,σ)×I(x,y)

(1)

則尺度空間中差分高斯DOG算子由下式求得:

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))×I(x,y) =L(x,y,kσ)-L(x,y,σ)

(2)

式中:k為兩個(gè)相鄰尺度間的比例因子。

接下來(lái)確定圖像的特征點(diǎn),即求局部極值。每個(gè)像素和周?chē)?6個(gè)像素(同一層的周?chē)?個(gè)像素,上、下層對(duì)應(yīng)位置各9個(gè)像素)進(jìn)行比較。若被檢測(cè)點(diǎn)的DOG值大于或小于此26個(gè)像素點(diǎn),則該點(diǎn)為極值點(diǎn),即為圖像在此尺度下的一個(gè)特征點(diǎn)。

由于對(duì)比度較低的特征點(diǎn)對(duì)噪聲較敏感,而位于邊緣上的特征點(diǎn)難以準(zhǔn)確定位,所以應(yīng)剔除這兩類(lèi)特征點(diǎn)。將原圖像的SIFT候選特征點(diǎn)放入集合X0,從中篩選出的穩(wěn)定點(diǎn)放入集合X。

剔除對(duì)比度低的特征點(diǎn)的方法是對(duì)候選特征點(diǎn)x的DOG函數(shù)表達(dá)式進(jìn)行泰勒級(jí)數(shù)展開(kāi):

(3)

式中:Δx是候選特征點(diǎn)x的偏移量。

(4)

在剔除邊緣上的特征點(diǎn)時(shí)用到了Hessian矩陣:

(5)

式中:Dxx,Dxy,Dyy為候選點(diǎn)鄰域?qū)?yīng)位置的像素差分。

假設(shè)H的最小特征值是β,最大特征值是α。則H的跡和行列式的值為:

Tr(H)=Dxx+Dyy=α+β

(6)

Det(H)=DxxDyy-(Dxy)2=αβ

(7)

(8)

因?yàn)檫吘壏较蛏系闹髑手荡?但是曲率小,所以邊緣上的特征點(diǎn)的主曲率比值較大,而主曲率比值與γ成正比。設(shè)定閾值為T(mén)γ,則剔除公式為:

(9)

為了使算子具有旋轉(zhuǎn)不變性,需要確定特征點(diǎn)的方向。點(diǎn)L(x,y)的梯度的模m(x,y)與方向θ(x,y)可以由下式得到:

(10)

利用直方圖的方式統(tǒng)計(jì)每個(gè)特征點(diǎn)的鄰域像素的梯度分布。該特征點(diǎn)處鄰域梯度的主方向由最大峰值確定,即為該特征點(diǎn)的主方向。若存在能量為主峰值的80%的峰值,則該方向是該特征點(diǎn)的輔方向。這樣一個(gè)特征點(diǎn)就可能具有多個(gè)方向,即一個(gè)主方向,多于一個(gè)的輔方向,使用多個(gè)方向可以增強(qiáng)匹配的魯棒性。

接下來(lái)以特征點(diǎn)為中心取大小為8×8的窗口,在每個(gè)4×4的小塊上計(jì)算8個(gè)方向的梯度方向直方圖,每個(gè)梯度方向的累加就可形成一個(gè)種子點(diǎn)。實(shí)際應(yīng)用中,每個(gè)特征點(diǎn)使用4×4個(gè)種子點(diǎn)描述,最終形成128(4×4×8)維的特征描述向量。

最后采用最優(yōu)節(jié)點(diǎn)優(yōu)先算法(best-bin-first, BBF)對(duì)特征點(diǎn)進(jìn)行匹配。其基本思想是:計(jì)算模板圖像中的特征點(diǎn)與檢測(cè)圖像中所有特征點(diǎn)之間的歐氏距離,找出其中最小和次小距離。若最小距離和次小距離的比值小于一個(gè)閾值hratio,則該最近鄰點(diǎn)為匹配特征點(diǎn)。在特征點(diǎn)的匹配方面可以利用隨機(jī)采樣一致性(random sample consensus, RANSAC)算法提高正確匹配率。

1.2 SURF特征提取算法

SURF算法利用Hessian矩陣進(jìn)行特征點(diǎn)檢測(cè)。設(shè)X(x,y)為圖像中一個(gè)點(diǎn),在點(diǎn)X處,尺度為σ的Hessian矩陣H(X,σ)定義為:

(11)

為了將模板與圖像的卷積轉(zhuǎn)化成盒子濾波(Box Filter),需要將高斯二階微分模板簡(jiǎn)化為由幾個(gè)矩形區(qū)域組成的模板。

若σ=1.2,設(shè)定模板尺寸為9×9,用Dxx、Dyy和Dxy表示簡(jiǎn)化后的模板與圖像卷積的結(jié)果。則Hessian矩陣的行列式如下:

Det(H)=DxxDyy-(0.9Dxy)2

(12)

式(12)表示圖像中位于點(diǎn)X處的特征點(diǎn)。對(duì)圖像中每個(gè)像素點(diǎn)進(jìn)行同樣的操作,就得到了該尺寸下特征點(diǎn)檢測(cè)的響應(yīng)圖像。為了提高檢測(cè)速度,采用積分圖像。積分圖像是指某一矩形區(qū)域的像素和。積分圖像中任意一點(diǎn)(i,j)的值ii(i,j)為原圖像左上角到(i,j)相應(yīng)的對(duì)角線區(qū)域灰度值的總和:

(13)

式中:p(i′,j′)表示原圖像中點(diǎn)(i′,j′)的灰度值。

為了獲得不同尺度的特征點(diǎn),建立圖像的尺度空間金字塔。保持圖像大小不變,用不同尺寸的盒子濾波模板與積分圖像卷積來(lái)得到尺度空間。本文先使用9×9的模板濾波,然后逐步加大模板尺寸進(jìn)行濾波。濾波過(guò)程中時(shí)間復(fù)雜度不隨模板尺寸的增加而增加。尺度空間有若干組,每組代表逐步加大的模板對(duì)同一圖像進(jìn)行濾波的響應(yīng)圖。相鄰兩層之間的尺度變化由響應(yīng)長(zhǎng)度l0決定,l0是盒子濾波模板尺寸的1/3。在本文中,l0=9×1/3=3。下一層的響應(yīng)長(zhǎng)度至少在l0上加2,則下一層的l0=5,模板尺寸就是15,以此類(lèi)推。

確定特征點(diǎn)的過(guò)程與SIFT算法一樣,即將經(jīng)過(guò)Hessian矩陣處理過(guò)的每個(gè)像素點(diǎn)與其三維領(lǐng)域的26個(gè)點(diǎn)比較大小,是極值就保留下來(lái),再去掉那些對(duì)比度低和邊緣上的點(diǎn)。為了保證旋轉(zhuǎn)不變性,要給每個(gè)特征點(diǎn)分配一個(gè)主方向。所以以特征點(diǎn)為中心,6s為半徑,對(duì)該圓形區(qū)域內(nèi)的圖像進(jìn)行Haar小波響應(yīng)運(yùn)算,其中s是特征點(diǎn)的尺度。Haar小波的響應(yīng)值用σ=2s的高斯加權(quán)函數(shù)進(jìn)行高斯加權(quán)。將特征點(diǎn)作為張角為π/3的扇形窗口的頂點(diǎn),將該窗口圍繞頂點(diǎn)以步長(zhǎng)0.2弧度順時(shí)針旋轉(zhuǎn)一周,對(duì)Haar小波響應(yīng)值dx、dy進(jìn)行累加,得到一個(gè)矢量(mω,θω):

(14)

最大的Haar響應(yīng)累加值所對(duì)應(yīng)的方向就是主方向,即:θ=θω|max|{mω}。

確定完主方向之后,以特征點(diǎn)為中心,按主方向選取尺寸為20s×20s的正方形區(qū)域,該區(qū)域中是4×4個(gè)子區(qū)域,每個(gè)子區(qū)域中含有5s×5s個(gè)像素,使用σ=2s的Haar小波對(duì)子區(qū)域圖像進(jìn)行響應(yīng)值計(jì)算,得到dx、dy。然后對(duì)dx、dy進(jìn)行高斯加權(quán)(σ=3.3s),每個(gè)子塊的矢量:

(15)

因此,特征描述算子由4×4×4=64維特征矢量組成。之后的特征匹配算法仍然使用BBF算法。

2 結(jié)果及分析

本文實(shí)驗(yàn)環(huán)境為Intel(R) Core(TM) i5 CPU,2GB內(nèi)存。用MATLAB R2013a實(shí)現(xiàn)此算法。采用的圖案是一幅清代宮廷服飾圖像中的一個(gè)圖案,如圖1所示。對(duì)該圖分別采用SIFT、SURF算法提取特征點(diǎn)。為了比較這兩種算法的性能,本文分別從尺寸變化、抗噪和旋轉(zhuǎn)三個(gè)方面進(jìn)行研究。圖1是用于實(shí)驗(yàn)的原圖,該圖是清代道光年間三藍(lán)盤(pán)金龍馬面繡片中的一部分,此繡片取自于清朝婦女的裙擺。清代宮廷服飾中以龍為最尊,而且盤(pán)金繡起源于蘇繡,用料最貴,所以只有清代的皇族、顯貴們才會(huì)穿戴這些服飾,用來(lái)顯示自己的高貴地位。以手工刺繡的方式制作的圖案具有代表性,將這種圖案選為實(shí)驗(yàn)對(duì)象,可以使實(shí)驗(yàn)結(jié)果不失一般性。

圖1 原 圖Fig.1 Original image

實(shí)驗(yàn)過(guò)程中圖像特征點(diǎn)的匹配用到閾值hratio,hratio取值在0.4～0.6為最佳,當(dāng)hratio=0.4時(shí),能得到準(zhǔn)確度較高的匹配;當(dāng)hratio=0.6時(shí),能得到較多的匹配點(diǎn)數(shù)目;當(dāng)hratio=0.5時(shí),準(zhǔn)確率和匹配點(diǎn)數(shù)比較適中。

圖2和圖3為使用SIFT和SURF算法分別對(duì)兩幅尺寸不同的民族服飾圖案進(jìn)行匹配的結(jié)果,右圖尺寸是左圖的2倍。hratio取0.6。SURF算法在應(yīng)用時(shí),要對(duì)左圖進(jìn)行擴(kuò)圍,達(dá)到右圖的尺寸;由這兩幅圖可以看出,SIFT算法匹配的點(diǎn)對(duì)數(shù)比SUFR算法多,SURF算法中的誤匹配點(diǎn)對(duì)數(shù)要多于SIFT算法。

圖2 不同尺寸圖像SIFT算法匹配Fig.2 Matching figure of images with differentsizes based on SIFT

圖3 不同尺寸圖像SURF算法匹配Fig.3 Matching figure of images with differentsizes based on SURF

SIFT和SURF算法分別對(duì)兩幅不同尺寸的民族服飾圖案進(jìn)行匹配后的實(shí)驗(yàn)結(jié)果見(jiàn)表1。由表1可以看出,SIFT算法提取的特征點(diǎn)數(shù)比SURF算法多;SIFT算法的正確匹配率高于SURF算法,尺寸變化對(duì)SURF算法影響較大;SIFT算法總的時(shí)間復(fù)雜度要大于SURF算法。

表1 尺寸改變后服飾圖案的匹配結(jié)果對(duì)比

SIFT和SURF算法分別對(duì)加了噪聲的民族服飾圖案和原圖進(jìn)行匹配,右圖加的是均值為0、方差為0.03的高斯白噪聲。hratio取0.5。得到結(jié)果如圖4和圖5所示。由圖4和圖5可以看出,SURF算法中的誤匹配點(diǎn)對(duì)數(shù)要多于SIFT算法。

圖4 加噪聲圖像SIFT算法匹配Fig.4 Matching figure of additive noise images based on SIFT

圖5 加噪聲圖像SURF算法匹配Fig.5 Matching figure of additive noise images based on SURF

SIFT和SURF算法分別對(duì)加了噪聲的民族服飾圖案和原圖進(jìn)行匹配后的實(shí)驗(yàn)結(jié)果見(jiàn)表2。由表2可以看出,SIFT算法提取的特征點(diǎn)數(shù)比SURF算法多;SIFT算法的正確匹配率比SURF算法高,噪聲對(duì)SURF算法影響更大;SIFT算法總的時(shí)間復(fù)雜度要大于SURF算法。

表2 添加噪聲后服飾圖案的匹配結(jié)果對(duì)比

分別使用SIFT和SURF算法對(duì)旋轉(zhuǎn)的民族服飾圖案和原圖進(jìn)行匹配,右圖是將左圖逆時(shí)針旋轉(zhuǎn)5°,并縮小為原來(lái)尺寸的92%。hratio取0.2。得到結(jié)果如圖6和圖7所示。由圖6和圖7可以看出,SURF算法中的誤匹配點(diǎn)對(duì)數(shù)要多于SIFT算法。

圖6 旋轉(zhuǎn)圖像SIFT算法匹配Fig.6 Matching figure of rotating images based on SIFT

圖7 旋轉(zhuǎn)圖像SURF算法匹配Fig.7 Matching figure of rotating images based on SURF

SIFT和SURF算法分別對(duì)旋轉(zhuǎn)的民族服飾圖案和原圖進(jìn)行匹配后的實(shí)驗(yàn)結(jié)果見(jiàn)表3。由表3可以看出,SIFT算法提取的特征點(diǎn)數(shù)比SURF算法多;SIFT算法的正確匹配率比SURF算法高,旋轉(zhuǎn)對(duì)SURF算法影響更大;SIFT算法總的時(shí)間復(fù)雜度要大于SURF算法。

表3 圖像旋轉(zhuǎn)后服飾圖案的匹配結(jié)果對(duì)比

總的來(lái)說(shuō),對(duì)民族服飾圖案的特征提取及匹配,在相同條件下,SIFT算法提取的特征點(diǎn)數(shù)多,正確匹配率較高,但是SURF算法的時(shí)間復(fù)雜度比SIFT算法低。SIFT算法利用高斯金字塔的思想,獲得128維的描述子,所含信息量高于SURF算法,所以獲得較高的正確匹配率。SURF算法利用方框?yàn)V波和積分圖像降低了運(yùn)算時(shí)間,所以時(shí)間復(fù)雜度低于SIFT算法。因此,兩種算法各具特點(diǎn),都可以有效應(yīng)用到民族服飾圖案分類(lèi)過(guò)程中。

3 結(jié) 論

本文將SIFT和SURF算法分別應(yīng)用在尺寸變化、噪聲干擾和圖像旋轉(zhuǎn)情況下的民族服飾圖案特征提取上,對(duì)兩幅圖像中的特征點(diǎn)數(shù)、匹配點(diǎn)對(duì)數(shù)、正確匹配點(diǎn)對(duì)數(shù)和運(yùn)算時(shí)間進(jìn)行對(duì)比。SIFT算法正確匹配率比SURF算法高,但SURF算法的時(shí)間復(fù)雜度較低?？傊?兩種算法都能有效獲得民族服飾圖案中的特征。研究表明,SIFT和SURF算法可以提取民族服飾圖案特征,并將這些特征應(yīng)用到民族服飾圖案的自動(dòng)化分類(lèi)研究中。民族服飾圖案的特征提取是服飾圖像分類(lèi)的前提,較多特征點(diǎn)匹配上的圖像可以歸為一類(lèi)存儲(chǔ),便于同類(lèi)服飾的尋找。

[1]胡敬萍.中國(guó)少數(shù)民族的服飾文化[J].廣西民族研究,2001(1):62-68. HU Jingping. The costume culture of Chinese minority[J]. Study of Ethnics in Guangxi,2001(1):62-68.

[2]劉曉杰,張立平.少數(shù)民族服飾圖案紋樣的特色[J].文藝研究,2009(7):147-149. LIU Xiaojie, ZHANG Liping. The characteristic of minority costume pattern[J]. Literature & Art Studies,2009(7):147-149.

[3]戴成萍.從民族服飾圖案看中國(guó)的吉祥文化[J].大連大學(xué)學(xué)報(bào),2006,27(5):83-86. DAI Chengping. Study Chinese auspicious culture from national costume pattern[J]. Journal of Dalian University,2006,27(5):83-86.

[4]宋湲,徐東.中國(guó)民族服飾的符號(hào)特征分析[J].紡織學(xué)報(bào),2007,28(4):100-103. SONG Yuan, XU Dong, Analysis of symbolic signs of Chinese nationality trappings[J]. Journal of Textile Research,2007,28(4):100-103.

[5]LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision,2004,60(2):91-110.

[6]ZHANG L, HE X M. Fake shadow detection based on SIFT features matching[C]//Information Engineering(ICIE), 2010 WASE International Conference on Alaska: IEEE,2010(1):216-220.

[7]YANG J, PEI Y J, LI B, et al. Multivideo mosaic based on SIFT algorithm[C]//Computer Science and Network Technology(ICCSNT), 2011 International Conference on Alaska: IEEE,2011(3):1497-1501.

[8]CAO Y D, ZHANG H G, GAO Y Y, et al. An efficient duplicate image detection method based on affine-SIFT feature[C]//Broadband Network and Multimedia Technology(IC-BNMT), 2010 3rd IEEE International Conference on Alaska: IEEE,2010:794-797.

[9]LIU J X, QIU Y H. Application of SIFT feature extraction algorithm on the image registration[C]//Electronic Measurement & Instruments(ICEMI), 2011 10th International Conference on Alaska: IEEE,2011(3):177-180.

[10]LIU R A, ZHANG J S, WANG L, et al. Application of the extraction of the image feature points by improved SIFT Algorithm[C]//Communications Workshops(ICC), 2013 IEEE International Conference on Alaska: IEEE,2013:946-949.

[11]BAY H, TUYTELAARS T, VAN G L. Surf: Speeded up Robust Features[M]//Computer Vision-ECCV 2006. Springer Berlin Heidelberg: ECCV,2006:404-417.

[12]ASHA S, SREERAJ M. F-SURF feature descriptor for video copy detection[C]//Advances in Computing and Communications(ICACC), 2014 4th International Conference on Alaska: IEEE,2014:93-96.

[13]WANG Y Q, YANG Y, REN T W, et al. A Motion-insensitive dissolve detection method with SURF[C]//Image and Graphics, 2009. ICIG’09. 5th International Conference on Alaska: IEEE,2009:451-456.

[14]SU J, XU Q S, ZHU J H. A scene matching algorithm based on SURF feature[C]//Image Analysis and Signal Processing(IASP), 2010 International Conference on Alaska: IEEE,2010:434-437.

[15]HONG J X, LIN W, ZHANG H, et al. Image mosaic based on SURF feature matching[C]//Information Science and Engineering(ICISE), 2009 1st International Conference on Alaska: IEEE,2009:1287-1290.

[16]ZHOU Z H, OU X W, XU J. SURF feature detection method used in object tracking[C]//Machine Learning and Cybernetics(ICMLC), 2013 International Conference on Alaska: IEEE,2013:1865-1868.

Research on Application of Feature Extraction and Matching Algorithms in Chinese Costume Patterns

CHEN Jinguang, CAO Chunmei, REN Bingqing, MA Lili

(School of Computer Science, Xi’an Polytechnic University, Xi’an 710048, China)

Dress patterns contain some symbolic meanings and are important elements in the research on traditional dress culture. This paper applies image processing technology to feature extraction of folk costume patterns. SIFT and SURF algorithms are two typical feature extraction algorithms and have good adaptability under the condition of image rotation, scale change and noise jamming. With a representative pattern in palace dress in Qing dynasty as experimental object, this paper conducts feature extraction of this image respectively with SIFT and SURF algorithms, determines matching point pair of feature points with best-bin-first (BBF) algorithm and calculates correct matching rate and time complexity of the two algorithms. The experimental result shows that both algorithms have high feature matching rate under the condition of dress image rotation, scale change and additive noise jamming. This conclusion has certain reference value for researchers engaged in automated classification and retrieval of mass garment image data online.

costume pattern; scale invariant feature transform; speeded up robust features; feature extraction; image processing; folk costume; pattern classification

doi.org/10.3969/j.issn.1001-7003.2015.05.007

2014-10-30;

2015-02-08

國(guó)家自然科學(xué)基金項(xiàng)目(61201118);“好運(yùn)來(lái)創(chuàng)新研發(fā)基金”資助項(xiàng)目(HYL201405)

TS941.19

A

1001-7003(2015)05-0036-06 引用頁(yè)碼: 051107