[發明專利]一種基于網格統計的圖像特征點匹配方法

有效

• 申請號: 201810844212.6
• 申請日: 2018-07-27
• 公開（公告）號: CN109325510B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 劉杰平;丁樹浩;韋崗
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

本發明公開了一種基于網格統計的圖像特征點匹配方法，包括以下步驟：1、通過最近鄰匹配得到初始匹配集M；2、對原圖和待匹配圖像進行網格化，將每張圖像分成N*N個網格；3、遍歷集合M中的每一對匹配m_i＝{p_i，p’_i}，如果p_i屬于原圖中第j個網格，p’_i屬于待匹配圖像中的第k個網格，則網格對G_j，k對應計數加1；4、對網格對集合G按計數值排序，選取前m個中的匹配點組成樣本集I；5、從I中任意取d個匹配，計算模型H，并進行預檢驗；6、用I中剩余的匹配對模型H進行檢驗，如果誤差小于閾值α，則將其加入集合I_inlier；7、進行迭代，重復步驟5和6的操作，并更新I_inlier；8、迭代結束，得到最優集合I_inlier，利用I_inlier計算最優模型H。本發明提出的方法相比于傳統方法，具有計算效率高，對初始集不敏感等優點。

技術領域

本發明涉及數字圖像處理和計算機視覺領域，具體涉及一種基于網格統計的圖像特征點快速匹配方法。

背景技術

近年來，圖像特征點的匹配被廣泛應用于計算機視覺和模式識別等研究領域的各種任務中。作為很多任務的展開基礎，圖像特征點的匹配速度、精確度和魯棒性顯得尤為重要。目前，對于有效地提取圖像中穩定的特征，已經有了大量的研究。比如，經典的尺度不變特征變換(SIFT)算法，以及一系列的改進算法，如ASIFT、PCA-SIFT、ORB等。但受限于特征點檢測的精度、光照變化等因素，匹配的結果始終存在一定的錯誤信息。能否效地剔除這些錯誤的匹配，對后續任務的展開影響較大。

David Lowe提出了一種快速近似最近鄰算法(FLANN)，其基本思想是找出待匹配圖像中特征點的最近鄰和次近鄰匹配點，設定一個合理的閾值，如果最近鄰和次近鄰距離的比值小于閾值，則認為匹配正確。由于該算法思想簡單，實現較為容易，在一些精度要求較低的任務中比較流行。但對于一些精度要求較高的任務，該算法的缺點就較為明顯。利用圖像之間的幾何約束估計圖像之間的模型參數，從而對匹配進行提純是目前主流的做法。通常，模型參數估計方法主要分為3類：線性法、迭代法和魯棒法。線性法是一種快速模型估計方法，但易受誤匹配的影響。迭代法通常采用梯度下降的方式獲取模型最優解，是一種精度較高的模型估計方法，但該算法計算量大因而時效性差，且對誤匹配信息敏感。魯棒法是指去除外點對模型參數估計的影響。其中應用最為廣泛的有極大似然估計(M-estimation)、最小中值(LMedS)和隨機抽樣一致性(RANSAC)3種算法。M-estimation通過引入魯棒性權值建立加權目標函數，在一定程度上實現了對錯誤信息的排異，但該算法需要一個模型參數的初始估計，且易受錯誤信息的影響。LMedS算法通過最小化余差平方中值來實現對參數模型的估計，當測試數據中的錯誤信息比例超過50％時，該算法與M-estimation均無法正常工作，而RANSAC算法由于其具有算法結構簡單、易于實現、魯棒性強等優勢，已廣泛應用于模型參數估計問題中。

經典的RANSAC算法在外點比率較大時算法效率低下，且算法的結果受初始化的影響較大。

發明內容

本發明的目的是針對現有技術的不足，在具體分析傳統的RANSAC法的缺陷之后，提供了一種基于網格統計的圖像特征點匹配方法，在保證較高的精度和魯棒性的情況下，大大減少了運算量，提高了圖像特征點匹配的速度。

本發明的目的可以通過如下技術方案實現：

一種基于網格統計的圖像特征點匹配方法，所述方法包括以下步驟：

S1、獲得原圖的初始特征點P＝{p_i|i＝1，2，3，…，n}和待匹配圖像的初始匹配點P’＝{p’_i|i＝1，2，3，…，n}，以及初始匹配關系集M＝{m_i|i＝1，2，3，…，n}，其中，m_i＝{p_i，p’_i}；