[發明專利]基于Skinner概率自動機的圖像誤匹配對去除方法

有效

• 申請號: 201310656943.5
• 申請日: 2013-12-06
• 公開（公告）號: CN103700080A
• 公開（公告）日: 2014-04-02
• 發明（設計）人: 阮曉鋼;魏若巖;武璇;于乃功;陳志剛;肖堯;瓦達哈·謝
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

技術領域

本發明涉及一種圖像誤匹配對去除算法，具體涉及一種基于Skinner概率自動機的圖像誤匹配對去除方法（Skinner-Ransac）。

技術背景

在航天器光學定位、無人機和機器人的自主光學導航中，圖像匹配技術無疑發揮著核心作用，并且圖像間的匹配效果直接影響著導航的精準度。但是，由于圖像間存在幾何變化、光照、抖震以及噪聲等因素的影響，使得圖像間的匹配結果中總是存在部分錯誤的匹配對，從而對導航與定位產生不利的影響。因此，如何在匹配結果中找到誤匹配對就成為圖像匹配過程中至關重要的一步。目前，針對圖像間錯誤匹配對的去除問題主要有以下三類：線性法，迭代法和魯棒法。線性法主要有七點法，八點法和改進八點法，該算法對于誤匹配點敏感，在誤匹配率低的情況下也容易造成誤匹配點的漏去除。迭代算法的算法精度要高于線性法，但是時效性差。魯棒算法是三類算法中效果最好的一類，近幾年基于這一類算法的成果較多，如M估計法，LMeds和Ransac算法等。M估計法是通過將問題轉化為帶有加權的最小二乘法問題，用一個余差函數來代替余差平方，從而抑制大的余差對于估計結果的影響，但是該方法對于初始的依賴強，并且對于錯誤匹配對也敏感。LMeds是一種最小中值算法，該算法通過最小化余差平方中值來估計圖像間的變換模型，它對于錯匹配對具有較好的魯棒性，但是當數據中的錯匹配概率超過50%時該算法不再適用。Ransac算法與前兩個相比在算法精度以及魯棒性均具有明顯的優勢，當數據中錯匹配的概率超過50%時，圖像間的基礎矩陣可以估計出來，所以該算法已被廣泛的應用于機器視覺中。

Ransac算法的主要特點在于匹配對是通過算法被動選取進行圖像間基礎矩陣的計算，然后將估算的基礎矩陣帶入其它的匹配對中，通過計算極對距離并且與設定好的閾值作比較可以估算出該基礎矩陣在這些匹配點的符合率，通過多次迭代后選取符合率最大的基礎矩陣作為最終模型參數的選取。上述特點使該算法在錯匹配率大的時候算法效率降低。由于算法的迭代次數是根據匹配對中的錯匹配率事先確定，而在多數情況下匹配結果中的錯匹配率是未知的，這又使算法的自主性變差。2012年，魯珊，雷英杰等在《控制與決策》上發表的論文“基于概率抽樣一致性的基礎矩陣估計算法”中提出一種預檢驗方法，用于獲得較優的基礎矩陣集合，并且在經過迭代后得到只包含正確匹配對的樣本子集，從而計算出圖像間的最終基礎矩陣。但是經過試驗發現，當匹配結果中的錯誤概率較高時，無論是預檢驗過程，還是迭代過程均會有很高的計算量，并且迭代次數的設定也要根據匹配結果的錯匹配率進行提前設定，所以不能達到理想的效果。2009年，劉坤，葛俊峰等在《計算機輔助設計與圖形學學報》上發表的論文“概率引導的隨機采樣一致性算法”中，提出了利用每次抽樣得到的基礎矩陣回帶入所有樣本計算相應的極對距離，然后利用極對距離的倒數作為每個樣本加權的方法。該方法相比以前方法提高了每個樣本在抽取過程中的主動性，但是沒有對每個樣本的極對距離進行規范，導致某些錯誤基礎矩陣在一些錯誤樣本上的極對距離極小，這就使得加權值極大，從而造成最后得到錯誤的結果，并且該方法的迭代次數也是根據匹配結果中的錯匹配率進行提前設定。申請號為200810063012.3的發明專利提出了一種基于抽樣結果的樣本加權方法，但是該方法對于迭代次數也是提前設定，不具備自主性。

綜上所述，如何使算法具有高的運行效率，以及如何使算法在錯匹配未知的條件下具備自主的迭代終止條件是當前需要解決的兩個重要問題。

美國心理學教授Skinner在1938年提出了操作條件反射(operant?conditioning，OC)的概念，并且通過鴿子實驗提出了著名的Skinner操作條件反射理論，后來的學者利用這一理論發展出了基于Skinner條件反射的概率自動機。如果將Skinner概率自動機原理用于改進Ransac算法，使每個匹配對和每個動物個體一樣對于每次選擇根據之前的積累反饋具有不同的主動性，將會提高Ransac算法的運行效率；如果將樣本的概率變化率應用到算法的迭代終止條件，則會提高算法的自主性。

發明內容

本發明的目的是提出一種基于Skinner概率自動機的圖像誤匹配對去除算法（Skinner-Ransac），對每個匹配對賦予權值，權值的變化隨著抽樣結果的反饋進行更新，從而使其抽樣概率發生相應的變化。本發明利用仿生學和認知心理學對匹配點根據當前的抽樣結果進行相應的主動性調整，從而逐漸提高正確匹配點的抽樣概率。本發明在缺乏錯匹配概率先驗知識的情況下提出了三種迭代終止條件，從而提高了算法的自主性。