一種圖像優(yōu)質特征匹配集的獲取方法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺中的圖像匹配及投影幾何的技術領域，特別涉及一種基于 極線約束的圖像優(yōu)質特征匹配集獲取方法。
【背景技術】
[0002] 計算機視覺領域中，圖像點特征可以用來尋找不同圖像中對應點位置的稀疏集 合，這種點對應方法獲得的結果是計算攝像機姿態(tài)的一個前期步驟。從早期的立體視覺匹 配開始，這種點對應關系就被廣泛應用。之后，基于點對應的方法又在圖像拼接應用、自動 三維建模、物體識別和視頻序列的目標跟蹤過程中得到大范圍推廣。上述方法包括兩類，一 是在第一幅圖像中尋找那些可以使用局部搜索方法來精確跟蹤的特征（即：基于局部像素 區(qū)域圖像匹配的方法）。二是在所有考察的圖像中獨立地檢測特征點，然后再基于它的局部 表觀進行匹配（即：基于特征點匹配的方法）。前者在圖像以相近的視角拍攝時更為合適， 后者更適用于在大多數情況下圖像中存在大量的運動或者表觀變化的時候，比如在拼接全 景圖時、在寬基線立體視覺中建立對應關系時或者進行物體識別時。本發(fā)明的內容在第二 類方法的基礎上，提出極線約束獲得優(yōu)質特征點匹配的方法。
[0003] 在基于特征點匹配的方法中，根據目標跟蹤、圖像拼接或物體識別的應用要求，算 法檢測的圖像特征點對應匹配必須能夠處理外貌變化、亮度變化、遮擋、平移旋轉以及鏡 面反射等情況。然而，因圖像存在的上述變化，目前基于特征點（FAST，SIFT，SURF，ORB， FREAK等）的圖像匹配技術獲得的匹配集合中存在大量的劣質匹配。匹配結果的不準確將 導致諸如目標跟蹤丟失、圖像拼接畸形、物體識別錯誤等問題。通過引入最近鄰比率策略和 對稱性策略可以剔除掉大量錯誤匹配，再使用隨機采樣一致算法（即：RANSAC)，可以更加 可靠地匹配圖像特征，提高匹配質量。但是，在基于最近鄰比率策略（即：NNDR)和基于視 差約束的RANSAC算法中，參數設置的太低會導致較多的錯誤匹配，而參數設置太高將會導 致匹配數量太少。兩種情況的出現都不能滿足普適性的圖像匹配應用需求。基于此，本發(fā) 明提出了基于極線約束的圖像優(yōu)質特征匹配集獲取方法，能夠很好地解決上面的問題。

【發(fā)明內容】

[0004] 本發(fā)明目的在于提出了一種圖像優(yōu)質特征匹配集的獲取方法，該方法能獲取質量 更優(yōu)、魯棒性更高以及數量更多的優(yōu)質特征點匹配集合。本發(fā)明在RANSAC算法獲得的基 礎矩陣的基礎上，使用SURF(加速魯棒特征）特征檢測器檢測、描述和匹配，然后引入極線 約束方法來剔除錯誤匹配，從而得到更加優(yōu)質的匹配集合。本發(fā)明適用于各種圖像數據，諸 如：大場景、局部目標對象以及存在亮度、遮擋、旋轉等變化的圖像。得到的結果可應用于三 維重建，目標跟蹤，物體識別等技術領域中。
[0005] 本發(fā)明解決其技術問題所采取的技術方案：一種圖像優(yōu)質特征匹配集的獲取方 法，該方法分為四個階段，包括：（1)在SURF特征檢測描述階段，從當前待匹配圖像中尋找 能夠與其他圖像良好匹配的位置，把檢測到的關鍵點周圍的每一個區(qū)域轉化成一個更緊湊 和穩(wěn)定的描述子（描述子用來和其他圖像的描述子進行匹配）。（2)在特征匹配階段，對待 匹配圖像的描述子按照搜索策略進行特征點初始匹配。（3)在計算特征點與空間投影關系 的基礎矩陣階段，使用隨機采樣一致算法（RANSAC)獲得高質量的基礎矩陣。（4)在匹配提 純階段，為了得到可靠優(yōu)質的匹配，找出唯一的圖像特征點對應關系。在建立了特征點初始 匹配的基礎上，利用獲得的基礎矩陣，引入極線約束概念，進行誤匹配點的剔除，得到優(yōu)質 匹配集合。
[0006] 方法流程：
[0007] 步驟1 :讀取待匹配兩幅圖像，定義為左圖和右圖，獲得計算基礎矩陣的RANSAC算 法的輸入匹配集合；
[0008] 步驟1-1 :用SURF特征檢測器分別檢測兩幅圖像的特征點；
[0009] 步驟1-2 :用SURF描述器分別計算兩幅圖像的特征點描述子；
[0010] 步驟：1_3 :根據最近鄰匹配策略的原理，使用匹配器對描述子進行雙向匹配。找 到左圖的每個特征點到右圖的兩個最佳匹配，找到右圖中每個特征點在左圖中的兩個最佳 匹配；
[0011] 步驟1-4 :距離比率測試。分別處理兩個匹配集合，計算最優(yōu)匹配與次優(yōu)匹配的距 離比值，移除距離比率大于給定閾值的匹配；
[0012] 步驟1-5 :利用特征點匹配對的唯一性原則，進行對稱性測試。兩個匹配集合中的 索引值相互對稱時，提取這個匹配集合，剔除不對稱的匹配集合；
[0013] 步驟2 :使用RANSAC算法計算基礎矩陣。根據極性幾何投影關系，計算出具有最 大匹配支持集合的基礎矩陣，返回滿足此基礎矩陣的優(yōu)質匹配集合及基礎矩陣；
[0014] 步驟3 :對于待匹配的兩幅圖像，根據描述子內容進行特征點匹配；
[0015] 步驟3-1 :根據最近鄰匹配策略的原理，使用匹配器找到左圖的每個特征點到右 圖的一個最佳匹配，返回匹配集合；
[0016] 步驟3-2 :根據最近鄰匹配策略的原理，使用匹配器找到右圖中每個特征點在左 圖中的一個最佳匹配，返回匹配集合；
[0017] 步驟4 :對得到的兩個匹配集合進行對稱性測試。兩個匹配集合中的索引值相互 對稱時保留此匹配集合，不對稱時剔除此匹配集合。返回對稱性的匹配集合；
[0018] 步驟5 :計算圖像特征點在對應圖像上的極線；
[0019] 步驟5-1 :根據極線定義，用基礎矩陣計算左圖中所有特征點在右圖上的極線； [0020] 步驟5-2 :根據極線定義，用基礎矩陣計算右圖中所有特征點在左圖上的極線；
[0021] 步驟6 :對通過對稱性測試的匹配集合進行極線約束測試。剔除錯誤的匹配，返回 通過極線約束測試的匹配集合；
[0022] 步驟6-1 :取出匹配集合中參考索引對應的左圖上的匹配點，取出匹配集合中訓 練索引對應的右圖上的匹配點；
[0023] 步驟6-2 :使用極線函數，將左圖上的匹配點帶入右圖特征點的極線函數，計算其 函數值，將右圖上的匹配點帶入左圖特征點的極線函數，計算其函數值；
[0024] 步驟6-3 :比較左圖和右圖上的極線函數值，函數值取正后同時為0的匹配保留， 即，匹配點在對應各自的極線上的匹配才能保留，否則剔除；
[0025] 步驟7 :對于通過極線約束的匹配集合，剔除在同一根極線上交叉錯配的點，返回 最終的匹配集合；
[0026] 步驟7-1 :比較每個匹配點的極線方程系數，找到匹配點在同一根極線上的匹配 集；
[0027] 步驟7-2 :對同一條極線上的匹配集，計算左圖上兩兩匹配點之間的坐標位置，計 算右圖上兩兩匹配點之間的坐標位置；
[0028] 步驟7-3 :將左右兩張圖像的坐標位置相乘，得到的值小于0,方向相反，匹配點相 互交叉，返回相互交叉的匹配集合索引值；
[0029] 步驟7-4 :對于通過極線約束的匹配集合，剔除相互交叉索引值的匹配，保留的匹 配集即是最終的優(yōu)質匹配集合。
[0030] 有益效果：
[0031] 1、本發(fā)明通過引入極線約束的概念，獲得了準確度高、且數量多的匹配集合。
[0032] 2、本發(fā)明使用的圖像優(yōu)質匹配獲取方法能夠適用于任何圖像。
[0033] 3、本發(fā)明使用的基礎矩陣準確性高。
[0034] 4、本發(fā)明得到的匹配集合完全包含原有方法的匹配集合。
[0035] 5、本發(fā)明運算簡單，處理速度快。
【附圖說明】
[0036] 圖1為本發(fā)明的方法流程圖。
[0037] 圖2為本發(fā)明涉及的極線約束原理圖。
[0038] 圖3為本發(fā)明極線上出現匹配交叉情況的效果圖。
[0039] 圖4為本發(fā)明使用的圖像數據的匹配結果直觀圖。
[0040] 圖5為本發(fā)明進行實驗的數據結果比較的柱狀圖。
【具體實施方式】
[0041] 為了更好的理解本發(fā)明基于極線約束的一種圖像優(yōu)質特征匹配集獲取方法，下面 結合附圖，對本發(fā)明的【具體實施方式】作進一步描述。實施的例子描述中使用的語言不造成 對本發(fā)明權利要求的限制。
[0042] 實施例一
[0043] 如圖1所示，本發(fā)明提出了一種圖像優(yōu)質特征匹配集的獲取方法，該方法具體包 括以下步驟：
[0044] 步驟1 :讀取待匹配兩幅圖像imagel和image2,獲得計算基礎矩陣的RANSAC算法 的輸入匹配集合；
[0045] 基礎矩陣F(即：Fundamental Matrix)簡單的說就是可以將一個視角中的2D圖 像點映射到另一個視角中的極線上的矩陣。它具有如下特點：
[0046] (1)基礎矩陣F是一個秩為2的3 X 3矩陣，其自由度為7 ;
[0047] (2)基礎矩陣F在相差一個非零常數因子下是唯一的；
[0048] (3)基礎矩陣F可以由圖像間的對應點對求出；
[0049] (4)給定圖像I中的一點m，其相應的圖像I'中的極線?？梢员硎睛?= Fm。類 似地，I = Fm'。1表示圖像I'中的點m'的極線；
[0050] (5)圖像I(U )上所有極線交于極點e(W )，因此有：Fe = 0, Fe' = 0。
[0051] 利用極線約束之前，需要獲得基礎矩陣。獲得基礎矩陣的方法有很多，包括：7點 算法、8點算法、FNS、CFNS、M-estimators、LMeds、RANSAC算法。所述方法選擇使用魯棒方 法的RANSAC算法獲取優(yōu)質的基礎矩陣F ;
[0052] 隨機采樣一致算法（即：RANSAC)的原理是在輸入的特征點匹配集合中隨機地挑 選8個（即：計算得到基礎矩陣的最少數量）匹配，計算它們的基礎矩陣F (即：fundamental matrix)。集合中剩下來的匹配集用來支持這個基礎矩陣，即是使用RANSAC方法計算內點 (即：inlier)的數目，這里的內點為在預測對應匹配點位置ε以內的點。