[發(fā)明專利]基于增廣齊次坐標(biāo)矩陣的圖像間錯(cuò)誤匹配的檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711007628.4
• 申請(qǐng)日: 2017-10-25
• 公開(kāi)（公告）號(hào): CN107833207B
• 公開(kāi)（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 林宙辰;征妍
• 申請(qǐng)（專利權(quán)）人: 北京大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/33;G06F16/583
• 代理公司: 北京萬(wàn)象新悅知識(shí)產(chǎn)權(quán)代理有限公司 11360
• 代理人: 黃鳳茹

本發(fā)明公布了一種基于增廣齊次坐標(biāo)矩陣的圖像間錯(cuò)誤匹配的檢測(cè)方法，基于在一次迭代中的正確匹配，構(gòu)建增廣齊次坐標(biāo)(AHC)矩陣，從而選出更精確的錨匹配，直至錨匹配中每對(duì)匹配所對(duì)應(yīng)的估計(jì)匹配坐標(biāo)與實(shí)際匹配坐標(biāo)的歐氏距離不大于設(shè)定的閾值，而后依據(jù)最終錨點(diǎn)匹配集合構(gòu)建AHC矩陣完成全局驗(yàn)證。本發(fā)明方法可有效解決現(xiàn)有技術(shù)在射影圖像搜索中去除錯(cuò)誤匹配時(shí)存在的難題，即使兩個(gè)對(duì)應(yīng)點(diǎn)集之間存在射影變換且伴有強(qiáng)特征檢測(cè)噪聲和高比例錯(cuò)誤匹配時(shí)也能高效處理，具有計(jì)算速度快、精度高、適應(yīng)范圍廣、魯棒性強(qiáng)、對(duì)大尺度圖像計(jì)算不敏感等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像檢索技術(shù)領(lǐng)域，涉及部分重復(fù)圖像的檢索方法，尤其涉及一種基于增廣齊次坐標(biāo)矩陣的圖像間錯(cuò)誤匹配的檢測(cè)方法，適用于射影變換的圖像間錯(cuò)誤匹配的檢測(cè)，即在原始圖像和待匹配圖像之間存在復(fù)雜的射影變換，并且可能存在大量誤匹配和高噪聲的情況下，能夠快速高效的檢測(cè)圖像與圖像之間的錯(cuò)誤匹配。

背景技術(shù)

部分重復(fù)圖像主要是指以不同角度拍攝相同場(chǎng)景的圖片或者經(jīng)過(guò)圖像處理軟件處理前后的圖片。這些圖像之間的幾何關(guān)系可以概括為：相似變換是圖像與圖像之間僅僅存在位移、縮放和旋轉(zhuǎn)等變換，如圖1中的(a)；仿射變換是假定圖像與圖像之間不僅存在位移、縮放和旋轉(zhuǎn)等變換，還有斜切變換，如圖1中的(b)；射影變換是假定圖像與圖像之間不僅存在位移、縮放、旋轉(zhuǎn)、斜切等變換，還存在更大的圖像與圖像間的視角差異，在這類變換下，雖然圖像與圖像之間的線條可以相互映射，但不再保持平行性，如圖1中的(c)。

如何利用圖像間的幾何信息來(lái)正確過(guò)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。

在大規(guī)模數(shù)據(jù)庫(kù)圖片檢索領(lǐng)域，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(lái)處理快速搜索圖像問(wèn)題。這些方法的一個(gè)典型流程是：首先使用尺度不變特征變換(SIFT，文獻(xiàn)[3]記載)來(lái)檢測(cè)和描述圖像的局部特征，然后使用文獻(xiàn)[1]記載的詞袋模型(Bag of Features， BoF)來(lái)建立視覺(jué)字索引，之后根據(jù)索引來(lái)進(jìn)行圖像間的特征點(diǎn)匹配對(duì)，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。詞袋模型的應(yīng)用，極大地減少了非常耗時(shí)的特征匹配過(guò)程，但同時(shí)引入許多錯(cuò)誤匹配點(diǎn)對(duì)，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(wèn)題，人們提出了很多通過(guò)檢查幾何一致性來(lái)驗(yàn)證匹配是否正確的方法。

第一類方法：包括文獻(xiàn)[7]記載的WGC、文獻(xiàn)[6]記載的EWGC、文獻(xiàn)[8]記載的SGC、文獻(xiàn)[9]記載的PGM，適用于圖像間僅僅存在相似變換的情形。

第二類方法：包括文獻(xiàn)[10]、[11]記載的GC、文獻(xiàn)[12]記載的LRGGC、文獻(xiàn)[13]記載的 L1GGC、文獻(xiàn)[17]記載的ICF和文獻(xiàn)[14]記載的SIM方法，適用于圖像間存在相似變換和仿射變換的情形。

第三類方法：包括文獻(xiàn)[15]記載的RANSAC、文獻(xiàn)[18]記載的MLESAC和文獻(xiàn)[16]記載的VFC(SparseVFC)方法，適用于圖像間存在相似變換、仿射變換和射影變換的情形。

在圖像間存在相似變換、仿射變換的情況下，第一、第二類方法能通過(guò)檢查幾何一致性有效去除錯(cuò)誤匹配，但不適用于射影變換。第三類方法雖然適用于射影變換的情形，但RANSAC、MLESAC和VFC檢測(cè)時(shí)間過(guò)長(zhǎng)且結(jié)果不穩(wěn)定，SparseVFC檢測(cè)速度快，但對(duì)較少的圖像間匹配數(shù)和噪聲干擾比較敏感，特別正確匹配數(shù)較少時(shí)該算法性能下降嚴(yán)重。

因此，在搜索圖像與目標(biāo)圖像間存在復(fù)雜的射影變換，并由此帶來(lái)較大的特征檢測(cè)噪聲和高比例錯(cuò)誤匹配時(shí)，現(xiàn)有方法普遍存在檢測(cè)時(shí)間長(zhǎng)和檢測(cè)效果差的問(wèn)題。

引用文獻(xiàn)：

[1]J.Matas,O.Chum,M.Urban,and T.Pajdla,“Robust wide baseline stereofrom maximally stable extremal regions,”in Image Vis.Comput.,vol.22,no.10,2004,pp.761–767.