2.2.2 坐标邻域优化

对于图2.17中出现的问题，一般是使用图像分块的方法进行处理，虽然这种方法能够解决上述问题，但是其常伴随着特征点遗漏及无意义判决，即在某一个分块上存在两个以上的特征点时容易出现遗漏或对不存在特征点的分块仍要进行判决。

针对这种情况，提出一种基于Surf匹配的局部特征坐标邻域优化算法，它能够很好地解决上述问题，并提高了效率，这里将重点描述坐标邻域优化是如何进行优化筛选的，其步骤如下：

（1）以OS库中的任一图像Img1为目标图像，获取Img1的所有Surf特征点位置图，如图2.18（a）所示，设其中一点的坐标为（ x_i， y_i），则Img1的特征点位置图表示为

式中， i=1，2，…， n，n 表示 Img1 的特征点数量，同理，RS 库中其中一幅（设为第m幅）与Img1匹配的图像表示为

坐标（，）是坐标（ x_i， y_i）的对应匹配点。其中一对特征点位置图示意如图2.18所示。

（2）为 Img1 的每个特征点创建特征邻域圆，以该特征点为中心，以到离最邻近特征点的距离 r 为半径做邻域圆 C_i，以点（x_i，y_i）为例，已在图 2.18（a）标出。图2.18中的虚线框表示从Img1到第m幅图像特征点的映射过程，用p表示，得到的是与之完全相同的映射圆，故所有映射点组成的位置图表示为

（3）判断Img1和第m幅图像特征点位置的邻域一致性。图2.18（a）中打叉标识的特征点邻域位置明显不同，故移除。第m幅图像特征点所描述的邻域圆C集表示为

n个特征点判决过程如下：

（4）对RS库中N幅人脸伪素描采用上述判决处理，按照可用点数量统计排列，如下：

式中， S_{num_s}是排列后的N维数组， I为每个数组元素所对应的人脸图。

（5）对于不同图像相同特征点数进行处理。

由于（4）中的统计排序可能会出现不同人脸具有相同特征点数的情况，针对这类问题，对每个图像使用坐标邻域优化，并取所有点到圆心（映射点）的距离之和来约束，其值越小越优秀，具体表示如下：

本算法有效解决了常用的位置特征出现的弊端，采用数量特征并将其转化为映射的局部特征邻域圆，有效提高了效率。