基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法
【專利摘要】一種基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法：用SIFT及BoF提取并匹配兩幅待比較圖像中的特征點(diǎn)；計(jì)算兩幅圖像的平方距離矩陣并將之合并；將合并后的平方距離矩陣分解為一個(gè)真實(shí)匹配對組成的平方距離矩陣A和一個(gè)錯(cuò)誤匹配造成的差異矩陣E；計(jì)算E矩陣各行列元素之和并排序，并計(jì)算排序后各和值的二次差分，取達(dá)到最大二次差分值的點(diǎn)作為門限值，所有行和高于門限值的對應(yīng)特征點(diǎn)對判定為錯(cuò)誤匹配對；去掉錯(cuò)誤匹配對，根據(jù)真實(shí)匹配點(diǎn)對計(jì)算圖像間的相似度，根據(jù)相似度大小排序輸出圖像檢索結(jié)果。本發(fā)明簡單高效，僅使用特征的坐標(biāo)作為唯一輸入信息，卻能夠處理造成重復(fù)圖片差異的相似性變換，可以正確地檢測所有錯(cuò)誤匹配對。
【專利說明】基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像檢索領(lǐng)域，特別是部分重復(fù)圖像檢索領(lǐng)域中，一種檢測圖像與圖像之間的錯(cuò)誤匹配點(diǎn)的方法。
【背景技術(shù)】
[0002]近幾年，包括Tineye、百度識(shí)圖以及谷歌相似圖像搜索等在內(nèi)的許多檢索引擎在內(nèi)的重復(fù)圖像搜索技術(shù)發(fā)展較為迅速，其在版權(quán)檢測、醫(yī)療診斷、暴力檢測以及地理信息檢索等方面有廣泛的應(yīng)用。在該項(xiàng)技術(shù)中，圖像之間誤匹配特征點(diǎn)對的檢測是其中的一項(xiàng)關(guān)鍵步驟，如何利用圖像間的幾何信息來正確過濾錯(cuò)誤匹配以便獲得更加精確的檢索結(jié)果，是這項(xiàng)技術(shù)的核心。
[0003]部分重復(fù)圖像主要是指拍攝相同場景不同角度的圖片或者經(jīng)過圖像處理軟件進(jìn)行處理前后的圖片。這樣的圖片在色調(diào)、光照、尺度、旋轉(zhuǎn)和遮擋等方面有些不同，這使得在大規(guī)模數(shù)據(jù)庫下檢索該類圖片變得十分困難。為解決這一問題，學(xué)界提出了許多基于局部特征和詞袋模型結(jié)合的方法來處理相似性問題。這些方法的一個(gè)典型流程如下:首先使用尺度不變特征變換(SIFT)來檢測和描述圖像的局部特征，然后使用詞袋模型(BagofFeatUreS，BoF)來建立視覺字索引，之后根據(jù)索引來進(jìn)行圖像間的特征點(diǎn)匹配對，最后根據(jù)匹配情況計(jì)算圖與圖之間的相似度并據(jù)此排序輸出檢索結(jié)果。
[0004]詞袋模型的使用，極大地減少了 SIFT特征耗時(shí)的匹配過程，但是卻同時(shí)引入了一些錯(cuò)誤匹配點(diǎn)對，這造成了檢索結(jié)果與真實(shí)情況的差異。為了解決這一問題，人們提出了很多使用幾何先驗(yàn)信息來驗(yàn)證匹配是否錯(cuò)誤的方法，具體分為局部和全局幾何一致性假設(shè)兩類。
[0005]第一類方法著眼于使用局`部幾何一致性假設(shè)，這類方法都是基于一個(gè)相似變換的
模型=[3=^ - [= =1.E:]+1].其中，(-和(-。代表第i個(gè)特
征點(diǎn)在兩幅圖像中的坐標(biāo)，S和Θ分別是兩幅圖像間的縮放尺度和旋轉(zhuǎn)角度，他們是由兩幅圖像各自SIFT特征點(diǎn)的尺度和主方向計(jì)算得到的,具體為:S = s2/s1; θ = θ 2-θ P在此模型基礎(chǔ)上，Herve Jegou等人[I]提出了弱幾何一致性(WCG)的方法，它利用所有特征點(diǎn)計(jì)算出的s和Θ值的統(tǒng)計(jì)分布來去除錯(cuò)誤匹配對；Wan_Lei Zhao等人[2]改進(jìn)了 WCG,提出了加強(qiáng)弱幾何一致性(EWCG)的方法，它利用平移量(tx，ty)模長的統(tǒng)計(jì)分布來去除錯(cuò)誤匹配對；而Junqiang Wang等人[3]提出了強(qiáng)幾何一致性(SGC)的方法,它使用平移量(tx，ty)兩個(gè)維度本身的統(tǒng)計(jì)分布來去除錯(cuò)誤匹配對。局部方法的共同特點(diǎn)是處理高效，但是往往檢測精度不高，不能完美地去除所有錯(cuò)誤匹配對。
[0006]第二類方法則希望利用全局的幾何一致性假設(shè)來檢測并去除錯(cuò)誤匹配對，這類方法會(huì)對一幅圖像上的所有特征點(diǎn)進(jìn)行統(tǒng)一的驗(yàn)證，這樣做可以彌補(bǔ)局部幾何一致性方法在處理跨局部區(qū)域間一致性時(shí)的不足。J.Philbin等人[4]提出應(yīng)用經(jīng)典的隨機(jī)抽樣一致性(RANSAC)算法來處理透視變換模型下的錯(cuò)誤匹配檢測問題，但是使用RANSAC會(huì)導(dǎo)致計(jì)算上較大的耗時(shí)，故不適合大尺度下的檢索問題。另一種思路是由Wengang Zhou等人[5]提出的幾何編碼(GC)方法，這種方法首先對每幅圖像中特征點(diǎn)的相互位置信息和旋轉(zhuǎn)變換信息進(jìn)行編碼，然后再比較不同圖像間的編碼差異來檢測錯(cuò)誤匹配點(diǎn)，由于使用了特征點(diǎn)的尺度和主方向信息，這種方法仍然比較耗時(shí)。全局方法的特點(diǎn)是檢測效果較好，能夠適應(yīng)更復(fù)雜的幾何變換模型，缺點(diǎn)是耗時(shí)過大不利于大尺度下的檢索這一應(yīng)用背景。

【發(fā)明內(nèi)容】

[0007]針對上述問題，本發(fā)明提出了一種基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法。
[0008]本發(fā)明提供的技術(shù)方案如下:
[0009]一種基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法，包括如下步驟:
[0010]步驟1:對于兩幅待比較圖像，首先使用尺度不變特征變換(SIFT)及詞袋模型(BoF)提取并匹配兩幅圖像中的特征點(diǎn)，得到兩幅圖像中各特征點(diǎn)的坐標(biāo):an = (χπ, Yli)τ,a2i = (x2i, y2i)T，其中i的順序?yàn)樘卣鼽c(diǎn)匹配后的排序，T表示轉(zhuǎn)置，an和a2i均為列向量；
[0011]步驟2:分別計(jì)算兩幅圖像的平方距離矩陣DJPD2，之后合并兩個(gè)平方距離矩陣為
【權(quán)利要求】
1.一種基于低秩全局幾何一致性檢驗(yàn)的錯(cuò)誤匹配檢測方法，其特征是，包括如下步驟: 步驟1:對于兩幅待比較圖像，首先使用尺度不變特征變換及詞袋模型提取并匹配兩幅圖像中的特征點(diǎn)，得到兩幅圖像中各特征點(diǎn)的坐標(biāo):an = (xn, Yli)1, a2i = (x2i，y2i)T，其中i的順序?yàn)樘卣鼽c(diǎn)匹配后的排序，T表示轉(zhuǎn)置，an和a2i均為列向量； 步驟2:分別計(jì)算兩幅圖像的平方距離矩陣D1和D2,之后合并兩個(gè)平方距離矩陣為
2.如權(quán)利要求1所述的錯(cuò)誤匹配檢測方法，其特征是，步驟2中，所述的平方距離矩陣的計(jì)算方法為
3.如權(quán)利要求1所述的錯(cuò)誤匹配檢測方法，其特征是，步驟2中，所述的平方距離矩陣的計(jì)算方法為:
4.如權(quán)利要求1所述的錯(cuò)誤匹配檢測方法，其特征是，步驟3中，用矩陣的秩函數(shù)刻畫矩陣A，其秩小于等于4 ;用矩陣的零范數(shù)刻畫矩陣E ； 具體為一個(gè)魯棒主成分分析問題，其表達(dá)式如下: 其中，I IAl I*為a的核范數(shù)，也即a矩陣所有奇異值的和，由于秩函數(shù)本身是非凸的，故用秩函數(shù)的凸包核范數(shù)來刻畫；由于零范數(shù)的非凸性，用來刻畫矩陣e的稀疏性。
5.如權(quán)利要求1所述的錯(cuò)誤匹配檢測方法，其特征是，步驟5中，所述的相似度用用匹配點(diǎn)個(gè)數(shù)進(jìn)行衡量。
【文檔編號(hào)】G06F17/30GK103823887SQ201410084319
【公開日】2014年5月28日 申請日期:2014年3月10日 優(yōu)先權(quán)日:2014年3月10日
【發(fā)明者】林宙辰, 林旸, 楊李, 查紅彬 申請人:北京大學(xué)