一种基于图像匹配的中华绒螯蟹唯一性识别方法

摘要

本发明公开了一种基于图像匹配的中华绒螯蟹唯一性识别方法，属于数字图像处理领域。本发明包括以下步骤：步骤一：采集中华绒螯蟹原图像A，然后分割中华绒螯蟹的背部图像M；步骤二：提取中华绒螯蟹背部图像M的特征点；步骤三：从数据库中提取已保存的中华绒螯蟹背部图像Q和特征点，匹配图像Q和图像M的特征点；步骤四：检测误匹配特征点；步骤五：计算图像Q和图像M的相似度；步骤六：匹配结束，输出螃蟹匹配信息。本发明目的在于克服现有检验方法中无法有效地识别中华绒螯蟹唯一性的问题，通过利用蟹壳上广泛分布着各种凹陷、突起和纹理等特征，采用图像分析处理，然后与已存的图像数据库进行比对，根据相似度判断出中华绒螯蟹的唯一性。

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像匹配算法，特别涉及一种基于图像匹配的中华绒螯蟹唯一性识别方法。

背景技术

中华绒鳌蟹又称河蟹、大闸蟹或螃蟹，味道鲜美、营养丰富，是我国传统的名贵水产品之一。近年来，以阳澄湖大闸蟹为代表的中华绒鳌蟹消费市场每到秋冬季十分火热，地理标志保护产品或以水域命名的商标日益涌现。但受利益驭使，市场上假冒产品屡禁不止、特别是假冒产地现象特别严重。为了防止产品被假冒，各地采取了多种防伪措施。目前市场上常见的防伪方法是在大闸蟹上附着防伪标识，然后通过公布的网站、电话号码或短信号码来验证标识中的编号(序列号)或防伪编码。附着的方法有在蟹壳用激光刻上加密随机码，或在蟹腿戴上防伪蟹扣等。市场上常见的防伪方法具有以下缺陷：

1.逻辑分离：防伪标识与大闸蟹在逻辑上是分离的，即验证的对象不是大闸蟹本身，而是附着于大闸蟹之上的防伪标识。

2.结论模糊：无论采用电话、短信，还是网络查询，查询的结果只能是防伪标识有无被验证过，而不能得出真假。相反假码在第1次被验证时可能被鉴定为真，而真码在第2次验证时反而被鉴定为假。

3.容易复制：防伪标识的结构容易被仿冒，甚至可以做到1:N的复制。

4.不能溯源：防伪标识管理粗放，防伪标识的序列号没有与生产信息建议关联，因此不能追踪溯源，而且序列号没有明确的生命周期。

就目前而言，螃蟹防伪研究技术如下几点，并且以下也对其相应技术的原理及其优缺点做出了具体的介绍。

1.使用防伪扣进行防伪

防伪扣上印有防伪验证码，消费者可以通过拨打查询电话、发送短信或者登陆螃蟹防伪查验官网输入防伪验证码进行查询。

优点：防伪手段比较便捷，而且防伪扣的成本较低。

缺点：有防伪扣的，未必是正宗的大闸蟹。防伪扣容易被仿造，防伪扣的真假难以辨认。可能导致假螃蟹被认证成正宗的螃蟹。而正宗螃蟹由于假螃蟹提前认证导致认证不成功。

2.使用二维码标签进行防伪

通过扫描二维码标签上的二维码，判断螃蟹是否是正宗的阳澄湖或者其他知名品牌螃蟹。

优点：在电商迅速开展的今日，作为现在最盛行的二维码和微信路径，许多公司都具有自个的公司大众账号和公司二维码，全国315产品防伪查询中心也彻底的将二维码与防伪完美的联系在一起。使用二维码标签不仅仅能够快捷的提供防伪服务，还能帮助公司宣传和推行。

缺点：同防伪扣的缺点一样，容易导致有二维码标签的未必是正宗的大闸蟹。

3.激光刻字防伪

使用激光刻字机在螃蟹背部打上激光烙印，可以包括公司商标、网围编号、产品序号、监制单位和专供地区等内容。

优点：激光刻字打标深度浅，不伤螃蟹，不影响存活率，标注的字型清晰易辨。而且无公害，在国内外市场具有较高信誉度。

缺点：激光刻字也比较容易被假冒，如果无良商家在普通螃蟹背部刻录上与正宗大闸蟹一样的验证码或者产品序号，消费者仍然无法区分。

经检索，已有相关专利方案公开。如中国专利：申请号：201410068984.7，专利名称：一种彩色图像的防伪识别方法，公开日：2014.05.07，该专利公开了一种彩色图像的防伪识别方法，包括以下步骤：原始彩色图像数据采集；分析处理并储存；待识别彩色图像数据采集；分析处理并比对。本发明提供的防伪识别方法，通过颜色密码来提高彩色图像防伪级别，其他厂在在不获得原始颜色密码的前提下，很难仿制出与原始彩色图像一致的新彩色图像，从而有效地避免了其他厂家对原始彩色图像进行仿制，极大地保护了原始彩色图像的生产厂家的利益。而且消费者也能够通过本发明提供的方法有效地识别出彩色图像的真伪。但其不足之处在于该专利不适用于螃蟹等生物唯一性的检测，无法达到中华绒螯蟹的防伪识别。

发明内容

1.发明要解决的技术问题

本专利的目的在于克服现有检验方法中无法有效地识别中华绒螯蟹唯一性的问题，提供了一种基于图像匹配的中华绒螯蟹唯一性识别方法，通过利用蟹壳上广泛分布着各种凹陷、突起和纹理等特征，采用图像分析处理，然后与已存的图像数据库进行比对，根据相似度判断出中华绒螯蟹的唯一性。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种基于图像匹配的中华绒螯蟹唯一性识别方法，包括以下步骤：

步骤一：采集中华绒螯蟹原图像A，然后分割出中华绒螯蟹的背部图像M；

步骤二：提取中华绒螯蟹背部图像M的特征点；

步骤三：从数据库中提取已保存的中华绒螯蟹背部图像Q和特征点，匹配图像Q和图像M的特征点；

步骤四：检测误匹配特征点；

步骤五：计算图像Q和图像M的相似度；

步骤六：匹配结束，输出螃蟹匹配信息。

作为本发明更进一步的改进，所述步骤一中分割中华绒螯蟹的背部图像M的具体步骤如下：

步骤(1)：去除背景图像，得出中华绒螯蟹背景图形分割图⑤；

步骤(2)：对中华绒螯蟹背景图形分割图⑤进行处理，得到背部图形膨胀图⑦；

步骤(3)：根据中华绒螯蟹的边缘信息最终可得到中华绒螯蟹的背部图像M。

作为本发明更进一步的改进，所述步骤(1)的具体步骤如下：

步骤Ⅰ：拍摄中华绒螯蟹背部原图像A，所述拍摄工具为有摄像头的拍摄终端；

步骤Ⅱ：将采集到的中华绒螯蟹原图像A转为灰度图①；

步骤Ⅲ：使用高斯滤波对灰度图①进行降噪处理，得出高斯滤波图②；

步骤Ⅳ：使用sobel算子检测出高斯滤波图②的边缘，得到sobel算子检测图③；

步骤Ⅴ：利用阈值分割将sobel算子检测图③进行二值化，得到阈值分割图④；

步骤Ⅵ：对阈值分割图④进行灰度反转获得掩膜图m1，再对阈值分割图④做膨胀、孔洞填充和腐蚀运算获得掩膜图m2；

步骤Ⅶ：将m1和m2两个图做交运算，得出中华绒螯蟹背景图形分割图⑤。

作为本发明更进一步的改进，所述步骤(2)的具体处理步骤如下：

步骤Ⅰ：先腐蚀中华绒螯蟹背景图形分割图⑤然后对腐蚀后的背景图形分割图⑤进行空洞填充，得到图像⑥；

步骤Ⅱ：根据图像⑥连通域的大小筛选出背部区域，获得掩膜图m3；

步骤Ⅲ：膨胀掩膜图m3，使其与中华绒螯蟹原图像A中的背部图形大小相同，得到背部图形膨胀图⑦。

作为本发明更进一步的改进，所述步骤(3)具体为：将背部图形膨胀图⑦与原图像A作交运算，即可得到中华绒螯蟹的背部图像M。

作为本发明更进一步的改进，所述步骤二中提取中华绒螯蟹背部图像M的特征点所采用的方法为加速稳健特征算法，该方法包括提取特征点和生成特征描述向量两个过程。

作为本发明更进一步的改进，所述提取特征点具体包括以下步骤：

步骤Ⅰ：借助积分图像，所述积分图像定义如下：

设X＝(x,y)表示图像I(X)的某一像素点，则积分图像I_Σ(X)表示以点X＝(x,y)和图像原点为对角顶点所形成的矩形区域内的像素之和，用公式表示如下：

计算积分图像时，只需要遍历一次原图像，因此计算量很小，设矩形区域由顶点A、B、C和D四点构成，则矩形区域的灰度值之和为∑＝A-B-C+D；

步骤Ⅱ：采用Hessian矩阵行列式近似值图像，所述近似值图像定义如下：

设图像I(X)的某一像素点为X＝(x,y),则Hessian矩阵在点X处以尺度σ定义：

其中：L_xx(X,σ)为图像I在点X处与二阶高斯滤波的卷积，即：

步骤Ⅲ：L_xy(X,σ)和L_yy(X,σ)的计算类似。通过计算每一像素点的Hessian矩阵行列式得到特征点的值，所述Hessian矩阵的行列式为：

det(H)＝L_xxL_yy-(L_xy)²(5)

步骤Ⅳ：假设与上述模板卷积后得到Hessian矩阵参数为D_xx，D_xy和D_yy，所述Hessian矩阵的行列式近似为：

det(H)＝D_xxD_yy-(0.9D_xy)²(6)

所述det(H)为在点I(x,y)周围区域的方框滤波器响应值，用det(H)进行极值点的检测；

步骤Ⅴ：判断极值点，具体判断方法是所述判断方式为通过矩阵的行列式和特征值来判断，若行列式为正，且特征值同号，则该点为极值点；

步骤Ⅵ：计算三维邻域内26个点的det(H)值，然后将经过Hessian矩阵处理过的每个像素点与26个点的det(H)值进行比较，最后保留比26个邻域值都大或者都小的极值点，作为初步特征点；所述三维邻域的26个点包括自身尺度层中的8个邻域点与在其之上和之下的两个尺度层的9个邻域点；

步骤Ⅶ：选出最强的特征点，具体是为了得到亚像素级的特征点，使用三维线性插值法，首先去掉小于阈值的点，然后增加极值使检测到的特征点数量减少，最终保留下来的特征点特征最强。

作为本发明更进一步的改进，所述生成特征描述向量具体包括以下步骤：

步骤Ⅰ：计算以每一个特征点为圆心，6σ(σ为特征点对应的尺度)为半径的圆形区域内，特征点在x、y方向上的Haar小波响应，所述Haar小波响应使用尺度为2σ的高斯加权函数进行高斯加权，离特征点越近，则权重越大；

步骤Ⅱ：以特征点为中心，采用一个π/3的扇形窗口在圆形区域内滑动，并对滑动窗口内图像Haar小波响应值进行累加，所述Haar响应累加值最大时所对应的方向即为特征点主方向；

步骤Ⅲ：以特征点为中心，首先将坐标轴旋转到主方向，按主方向选取边长为20σ的正方形区域，然后将该区域划分4x4个子区域，对每个子区域内计算5σx5σ范围内的Haar小波响应；

步骤Ⅳ：设d_x和d_y分别表示水平与垂直方向上的Haar小波响应，首先为了增强鲁棒性对d_x、d_y加权，然后将每一个子区域内的d_x、d_y、|d_x|、|d_y|求和，得到一个四维向量υ＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，所有子区域的向量构成该点的特征向量，长度为64；

步骤Ⅴ：将特征向量归一化，使其具有旋转、尺度和光照不变形。

作为本发明更进一步的改进，所述步骤三采用双向快速近似最近邻搜索算法进行图像匹配，具体步骤如下：

步骤(1)：由于本发明中中华绒螯蟹背部图像提取算法会丢失一部分边缘信息，导致使用加速稳健特征算法检测到的图像边缘部分的特征点会有一定的干扰。对检测到的特征点进行预处理，具体包括首先对分割出来的中华绒螯蟹背部图像二值化处理，然后提取背部边缘轮廓，最后删除离背部边缘轮廓一定距离的特征点；

步骤(2)：通过快速近似最近邻搜索算法找到图像M₁中的特征点m₁在图像Q₂中的匹配点m₂，记作匹配对(m₁，m₂)。然后用同样的方法找到图像M₂中的特征点m₂在图像Q₁钟的匹配点m₃，记作匹配对(m₂，m₃)；

步骤(3)：对特征点m₂的两次匹配所得到的对应点m₁、m₃进行判断。如果m₁、m₃表示的是图像I₁中的同一个特征点，则判定匹配成功；如果m₁、m₃表示的是图像I₁中的不同特征点，则判定是误匹配对。

作为本发明更进一步的改进，所述步骤四中检测误匹配特征点的方法为采用根据匹配成功的特征点分别在两幅图像中相对于最近邻特征点和次近邻特征点的位置关系进行检测，具体如下：

步骤(1)：设(m₁,m₂,…,m_n)，(m₁′,m₂′,…,m_n′)分别是图像I₁和图像I₂中的特征点，其中，m₁与m₁′是一对匹配成功的特征点，以此类推；

步骤(2)：首先对使用双向快速近似最近邻搜索算法匹配成功的匹配对根据欧式距离从小到大进行排序，然后筛选出排名靠前的匹配对以及最近邻和次近邻匹配对，所述欧式距离定义如下：

其中(x₁,x₂,x₃,…,x₆₄)，(x₁′,x₂′,x₃′,…,x₆₄′)为匹配成功的两个特征点的特征向量；

步骤(3)：先取出最近邻和次近邻的匹配对，记作(m_near,m_near′)和(m_subnear,m_subnear′)，然后计算两幅图像中最近邻到次近邻所匹配点的距离，计算公式如下：

D＝|m_near-m_subnear|(8)

D′＝|m_near′-m_subnear′|(9)

步骤(4)：依次取出排名在最近邻和次近邻匹配对后面的匹配对(m_i,m_i′)(其中，2<i≤0.7*n)，计算该匹配对到最近邻匹配点的距离，所述计算公式如下：

D_i＝|m_i-m_near|(10)

D_i′＝|m_i′-m_near′|(11)

步骤(5)：计算图像Q和图像M中每个特征点到最近邻匹配点的距离与最近邻匹配点和次近邻匹配点的距离的比例，所述计算公式如下：

步骤(6)：以图像Q和图像M中最近邻到次近邻点为正方向，分别记作和然后计算最近邻点到每个特征点与正方向形成的角度，所述计算公式如下：。

其中m_{i_subpoint}，m_{i_subpoint}′是特征点m_i和m_i′分别在直线m_nearm_subnear和m_near′m_subnear′上的投影点。本文中计算的角度Angle_i和Angle_i′的范围为[0,2π]；

步骤(7)：判断距离比例R_i和R_i′、角度Angle_i和Angle_i′的差值，如果该差值小于阈值，则判定匹配对(m_i,m_i′)为正确匹配对。

作为本发明更进一步的改进，所述步骤五具体为通过统计正确匹配对的个数，以正确匹配对个数与总匹配个数的比例作为两幅图像的相似度，所述相似度的计算公式如下：

如果相似度大于某个阈值，则认定两幅图像是同一只螃蟹。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：

本发明的一种基于图像匹配的中华绒螯蟹唯一性识别方法，将加速稳健特征算法和快速近似最近邻搜索算法运用到算法，且同时结合特征点误匹配判断检测来实现中华绒螯蟹唯一性识别算法，当图像存在旋转、平移以及噪声等影响时，本发明具有较好的鲁棒性，显著提高了中华绒螯蟹图像匹配的精确率，保证了中华绒螯蟹唯一性识别可靠的效果；根据实验仿真效果显示，本发明实验效果较好，便于操作，具有一定地实际使用价值；利用积分图像可以快速计算，大大提高了计算效率；计算积分图像时，只需要遍历一次原图像，因此计算量较小。

附图说明

图1是一种基于图像匹配的中华绒螯蟹唯一性识别方法的流程图；

图2是提取中华绒螯蟹背部图像M的流程图；

图3是利用快速稳健特征算法提取中华绒螯蟹背部图像特征点后的效果图；

图4是删除距离背部图像边缘一定距离的特征点之后的效果图；

图5是两幅同一只中华绒螯蟹背部图像特征的匹配效果图；

图6是两幅不同中华绒螯蟹的背部图像特征的匹配效果图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

如图1、图2、图3、图4和图5所示，本发明的一种基于图像匹配的中华绒螯蟹唯一性识别方法，包括以下步骤：

步骤一：采集中华绒螯蟹原图像A，然后分割出中华绒螯蟹的背部图像M；

步骤(1)：去除背景图像，得出中华绒螯蟹背景图形分割图⑤；

步骤Ⅰ：拍摄中华绒螯蟹背部原图像A，所述拍摄工具为有摄像头的拍摄终端；

步骤Ⅱ：将采集到的中华绒螯蟹原图像A转为灰度图①；

步骤Ⅲ：使用高斯滤波对灰度图①进行降噪处理，得出高斯滤波图②；

步骤Ⅳ：使用sobel算子检测出高斯滤波图②的边缘，得到sobel算子检测图③；

步骤Ⅴ：利用阈值分割将sobel算子检测图③进行二值化，得到阈值分割图④；

步骤Ⅵ：对阈值分割图④进行灰度反转获得掩膜图m1，再对阈值分割图④做膨胀、孔洞填充和腐蚀运算获得掩膜图m2；

步骤Ⅶ：将m1和m2两个图做交运算，得出中华绒螯蟹背景图形分割图⑤。

步骤(2)：对中华绒螯蟹背景图形分割图⑤进行处理，得到背部图形膨胀图⑦；

步骤Ⅰ：先腐蚀中华绒螯蟹背景图形分割图⑤然后对腐蚀后的背景图形分割图⑤进行空洞填充，得到图像⑥；

步骤Ⅱ：根据图像⑥连通域的大小筛选出背部区域，获得掩膜图m3；

步骤Ⅲ：膨胀掩膜图m3，使其与中华绒螯蟹原图像A中的背部图形大小相同，得到背部图形膨胀图⑦。

步骤(3)：将背部图形膨胀图⑦与原图像A作交运算，即可得到中华绒螯蟹的背部图像M。

步骤二：提取中华绒螯蟹背部图像M的特征点，所述提取中华绒螯蟹背部图像M的特征点所采用的方法为加速稳健特征算法，该方法包括提取特征点和生成特征描述向量两个过程。

所述提取特征点具体包括以下步骤：

步骤Ⅰ：借助积分图像，所述积分图像定义如下：

设X＝(x,y)表示图像I(X)的某一像素点，则积分图像I_Σ(X)表示以点X＝(x,y)和图像原点为对角顶点所形成的矩形区域内的像素之和，用公式表示如下：

计算积分图像时，只需要遍历一次原图像，因此计算量很小，设矩形区域由顶点A、B、C和D四点构成，则矩形区域的灰度值之和为∑＝A-B-C+D；

步骤Ⅱ：采用Hessian矩阵行列式近似值图像，所述近似值图像定义如下：

设图像I(X)的某一像素点为X＝(x,y),则Hessian矩阵在点X处以尺度σ定义：

其中：L_xx(X,σ)为图像I在点X处与二阶高斯滤波的卷积，即：

步骤Ⅲ：L_xy(X,σ)和L_yy(X,σ)的计算类似。通过计算每一像素点的Hessian矩阵行列式得到特征点的值，所述Hessian矩阵的行列式为：

det(H)＝L_xxL_yy-(L_xy)²(5)

步骤Ⅳ：假设与上述模板卷积后得到Hessian矩阵参数为D_xx，D_xy和D_yy，所述Hessian矩阵的行列式近似为：

det(H)＝D_xxD_yy-(0.9D_xy)²(6)

所述det(H)为在点I(x,y)周围区域的方框滤波器响应值，用det(H)进行极值点的检测；

步骤Ⅴ：判断极值点，所述判断方式为通过矩阵的行列式和特征值来判断，若行列式为正，且特征值同号，则该点为极值点；

为了在不同尺度上检测特征点，需要建立图像的尺度空间。在加速稳健特征算法中，图像大小保持不变，改变方框滤波器的大小，利用积分图像快速计算大大提高了效率；

步骤Ⅵ：计算三维邻域内26个点的det(H)值，然后将经过Hessian矩阵处理过的每个像素点与26个点的det(H)值进行比较，最后保留比26个邻域值都大或者都小的极值点，作为初步特征点；所述三维邻域的26个点包括自身尺度层中的8个邻域点与在其之上和之下的两个尺度层的9个邻域点；

步骤Ⅶ：选出最强的特征点，具体是为了得到亚像素级的特征点，使用三维线性插值法，首先去掉小于阈值的点，然后增加极值使检测到的特征点数量减少，最终保留下来的特征点特征最强，本实施例中阈值选取1500。

作为本发明更进一步的改进，所述生成特征描述向量具体包括以下步骤：

步骤Ⅰ：为了确保特征点描述符具有旋转不变性，需要给每个特征点分配一个主方向。计算以每一个特征点为圆心，6σ(σ为特征点对应的尺度)为半径的圆形区域内，特征点在x、y方向上的Haar小波响应，所述Haar小波响应使用尺度为2σ的高斯加权函数进行高斯加权，离特征点越近，则权重越大；

步骤Ⅱ：以特征点为中心，采用一个π/3的扇形窗口在圆形区域内滑动，并对滑动窗口内图像Haar小波响应值进行累加，所述Haar响应累加值最大时所对应的方向即为特征点主方向；

步骤Ⅲ：以特征点为中心，首先将坐标轴旋转到主方向，按主方向选取边长为20σ的正方形区域，然后将该区域划分4x4个子区域，对每个子区域内计算5σx5σ范围内的Haar小波响应；

步骤Ⅳ：设d_x和d_y分别表示水平与垂直方向上的Haar小波响应，首先为了增强鲁棒性对d_x、d_y加权，然后将每一个子区域内的d_x、d_y、|d_x|、|d_y|求和，得到一个四维向量υ＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，所有子区域的向量构成该点的特征向量，长度为64；

步骤Ⅴ：将特征向量归一化，使其具有旋转、尺度和光照不变形。

步骤三：从数据库中提取已保存的中华绒螯蟹背部图像Q和特征点，采用双向快速近似最近邻搜索算法进行图像匹配，匹配图像Q和图像M的特征点，具体步骤如下：

步骤(1)：由于本发明中中华绒螯蟹背部图像提取算法会丢失一部分边缘信息，导致使用加速稳健特征算法检测到的图像边缘部分的特征点会有一定的干扰。对检测到的特征点进行预处理，具体包括首先对分割出来的中华绒螯蟹背部图像二值化处理，然后提取背部边缘轮廓，最后删除离背部边缘轮廓一定距离的特征点；

步骤(2)：通过快速近似最近邻搜索算法找到图像M₁中的特征点m₁在图像Q₂中的匹配点m₂，记作匹配对(m₁，m₂)。然后用同样的方法找到图像M₂中的特征点m₂在图像Q₁钟的匹配点m₃，记作匹配对(m₂，m₃)；

步骤(3)：对特征点m₂的两次匹配所得到的对应点m₁、m₃进行判断。如果m₁、m₃表示的是图像I₁中的同一个特征点，则判定匹配成功；如果m₁、m₃表示的是图像I₁中的不同特征点，则判定是误匹配对。

步骤四：检测误匹配特征点，所述检测误匹配特征点的方法为采用根据匹配成功的特征点分别在两幅图像中相对于最近邻特征点和次近邻特征点的位置关系进行检测，具体如下：

步骤(1)：设(m₁,m₂,…,m_n)，(m₁′,m₂′,…,m_n′)分别是图像I₁和图像I₂中的特征点，其中，m₁与m₁′是一对匹配成功的特征点，以此类推；

步骤(2)：首先对使用双向快速近似最近邻搜索算法匹配成功的匹配对根据欧式距离从小到大进行排序，然后筛选出排名靠前的匹配对以及最近邻和次近邻匹配对，所述欧式距离定义如下：

其中(x₁,x₂,x₃,…,x₆₄)，(x₁′,x₂′,x₃′,…,x₆₄′)为匹配成功的两个特征点的特征向量；

步骤(3)：先取出最近邻和次近邻的匹配对，记作(m_near,m_near′)和(m_subnear,m_subnear′)，然后计算两幅图像中最近邻到次近邻所匹配点的距离，计算公式如下：

D＝|m_near-m_subnear|(8)

D′＝|m_near′-m_subnear′|(9)

步骤(4)：依次取出排名在最近邻和次近邻匹配对后面的匹配对(m_i,m_i′)(其中，2<i≤0.7*n)，计算该匹配对到最近邻匹配点的距离，所述计算公式如下：

D_i＝|m_i-m_near|(10)

D_i′＝|m_i′-m_near′|(11)

步骤(5)：计算图像Q和图像M中每个特征点到最近邻匹配点的距离与最近邻匹配点和次近邻匹配点的距离的比例，所述计算公式如下：

步骤(6)：以图像Q和图像M中最近邻到次近邻点为正方向，分别记作和然后计算最近邻点到每个特征点与正方向形成的角度，所述计算公式如下：。

其中m_{i_subpoint}，m_{i_subpoint}′是特征点m_i和m_i′分别在直线m_nearm_subnear和m_near′m_subnear′上的投影点。本文中计算的角度Angle_i和Angle_i′的范围为[0,2π]；

步骤(7)：判断距离比例R_i和R_i′、角度Angle_i和Angle_i′的差值，如果该差值小于阈值，则判定匹配对(m_i,m_i′)为正确匹配对。本实施例中距离比例阈值选0.5，角度阈值选0.2。

步骤五：计算图像Q和图像M的相似度，具体为通过统计正确匹配对的个数，以正确匹配对个数与总匹配个数的比例作为两幅图像的相似度，所述相似度的计算公式如下：

如果相似度大于阈值，则认定两幅图像是同一只螃蟹；

本实施例中阈值选0.8；

步骤六：匹配结束，输出螃蟹匹配信息。

本实施将加速稳健特征算法和快速近似最近邻搜索算法运用到算法，且同时结合特征点误匹配判断检测来实现中华绒螯蟹唯一性识别算法，当图像存在旋转、平移以及噪声等影响时，本发明具有较好的鲁棒性，显著提高了中华绒螯蟹图像匹配的精确率，保证了中华绒螯蟹唯一性识别可靠的效果；另外，根据实验仿真效果显示，本发明实验效果较好，便于操作，具有一定地实际使用价值。

实施例2

如图1、图2、图3、图4和图5所示，本实施例与实施例1基本相同，优选地，本实施例总匹配对个数57个，正确匹配对个数52个，相似度为91.2281％，由此可判断图5中的两个中华绒螯蟹为同一只。

本实施将加速稳健特征算法和快速近似最近邻搜索算法运用到算法，且同时结合特征点误匹配判断检测来实现中华绒螯蟹唯一性识别算法，当图像存在旋转、平移以及噪声等影响时，本发明具有较好的鲁棒性，显著提高了中华绒螯蟹图像匹配的精确率，保证了中华绒螯蟹唯一性识别可靠的效果；另外，根据实验仿真效果显示，本发明实验效果较好，便于操作，具有一定地实际使用价值。

实施例3

如图1、图2、图3、图4和图6所示，本实施例与实施例1基本相同，优选地，本实施例总匹配对个数20个，正确匹配对个数0个，相似度为0，由此可判断图6中的两个中华绒螯蟹不是同一只。

本实施将加速稳健特征算法和快速近似最近邻搜索算法运用到算法，且同时结合特征点误匹配判断检测来实现中华绒螯蟹唯一性识别算法，当图像存在旋转、平移以及噪声等影响时，本发明具有较好的鲁棒性，显著提高了中华绒螯蟹图像匹配的精确率，保证了中华绒螯蟹唯一性识别可靠的效果；另外，根据实验仿真效果显示，本发明实验效果较好，便于操作，具有一定地实际使用价值。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。