本發(fā)明屬于圖像處理的領(lǐng)域，具體來說是在圖像上檢測出特征點(diǎn)，這種特征點(diǎn)可以應(yīng)用于測量目的，也可以應(yīng)用于雙目相機(jī)的兩幅重疊圖像中的特征匹配，也可以應(yīng)用于圖像時間序列中的兩幅圖像的特征匹配（例如視覺里程計中需要處理的）。

背景技術(shù)：

圖像特征的檢測是視覺圖像應(yīng)用中的一個重要技術(shù)，如果涉及到兩幅圖像，特征的檢測與匹配往往是同時存在，例如計算機(jī)雙目視覺圖像的處理需要找到兩個固接在一起的相機(jī)圖像重疊區(qū)的具有對應(yīng)關(guān)系的特征點(diǎn)，再如視覺里程計處理圖像的時間序列，需要找到圖像特征點(diǎn)在連續(xù)兩幅圖像中的相應(yīng)位置，然后再解算出移動相機(jī)的載體的空間運(yùn)動。這里涉及到的一個共同技術(shù)環(huán)節(jié)就是檢測出圖像中的特征點(diǎn)。圖像的特征檢測有許多種方法，如基于角點(diǎn)特征的Harris、FAST、Shi-Tomasi和SUSAN算法，基于斑點(diǎn)特征的SIFT、SURF和CenSurE算法。特征匹配的方法是基于特征點(diǎn)的描述子的相似性。最簡單的特征點(diǎn)描述子就是特征的外觀，即該特征點(diǎn)所在的像素及其鄰域內(nèi)的灰度，對于這類描述子可以用灰度差的平方和（SSDs）或者歸一化互相關(guān)（NCC）來度量兩個特征點(diǎn)描述子的相似度。Census變換是一種更加魯棒的相似度度量方法，該方法將每個特征點(diǎn)鄰域轉(zhuǎn)化為一個二進(jìn)制向量表示形式，然后根據(jù)漢明距離（Hamming Distance）度量兩個二進(jìn)制串的相似度。但是基于特征外觀的描述子不具有旋轉(zhuǎn)、尺度不變性，因此會隨著視角的變化而變化，所以只適用于機(jī)器人在微小運(yùn)動情況下前后幀圖片中特征點(diǎn)的匹配。SIFT描述子最大的特點(diǎn)是穩(wěn)定，不隨光線明暗、旋轉(zhuǎn)和尺度變化而變化，具有極好的視角不變性，可利用歐氏距離衡量兩個特征點(diǎn)的相似度從而進(jìn)行匹配，然而該描述子適用于紋理豐富的斑點(diǎn)，對于由邊相交形成的角點(diǎn)則效果不理想，且其計算復(fù)雜、需要的存貯空間大，不適合實(shí)時運(yùn)算。SURF特征描述子有64個元素占256個字節(jié)，需要的計算資源多。BRIEF（Binary Robust Independent Elementary Features）、BRISK（Binary Robust In variant Scalable Keypoints ）、ALOHA（Aggregated LOcal HAar）屬于二進(jìn)制特征描述子，描述子小且計算要求低。其中BRIEF強(qiáng)化了處理速度，綜合性能好。這類二進(jìn)制描述子用漢明距離衡量兩個特征點(diǎn)的相似度。

目前圖像的特征檢測遇到的最大問題是運(yùn)算速度、運(yùn)算精度和方法的魯棒性。本發(fā)明提出的局部特征檢測方法可以極大地提高特征檢測的速度，提高檢測后特征的匹配速度，提高視覺技術(shù)的實(shí)用性。

技術(shù)實(shí)現(xiàn)要素：

由于現(xiàn)有的圖像的特征檢測與匹配都是對圖像的每一個像素點(diǎn)進(jìn)行處理，運(yùn)算的效率很低。本發(fā)明不是針對每一個像素點(diǎn)進(jìn)行處理，因此大大提高了運(yùn)算速度。本發(fā)明提出在進(jìn)行圖像的特征檢測之前，先對圖像進(jìn)行預(yù)處理，找到圖像中的邊界線；然后再以邊界線為中心，沿著邊界線檢測特征點(diǎn)。因?yàn)榻屈c(diǎn)特征一般在邊界線上，這樣在極大地減少運(yùn)算量的同時，仍能保證有效的角點(diǎn)特征個數(shù)。