[發明專利]一種基于SURF的改進圖像拼接方法

在審

• 申請號: 202010040996.4
• 申請日: 2020-01-15
• 公開（公告）號: CN111260555A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 施旺;劉堂友
• 申請（專利權）人: 東華大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00;G06T5/50;G06K9/46;G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

1.一種基于SURF的改進圖像拼接方法，其特征在于，包括以下步驟：

步驟1：對兩個攝像頭拍攝的視頻進行圖片抓取；

步驟2：對兩幅圖片進行預處理；

步驟3：對圖像進行特征點的提取、匹配；

步驟4：剔除誤匹配的特征點對；

步驟5：計算出匹配后的特征點對的距離；

步驟6：根據最大距離和最小距離進行合適的特征點對的距離限定，剔除距離過大的特征點對；

步驟7：獲取剩余的部分特征點對，算出單應性矩陣；

步驟8：通過單應性矩陣將兩幅圖像變換到同一坐標系中，將兩幅圖像進行拼接融合。

2.如權利要求1所述的一種基于SURF的改進圖像拼接方法，其特征在于，所述的步驟2包括對圖像進行畸變校正。

3.如權利要求1所述的一種基于SURF的改進圖像拼接方法，其特征在于，所述的步驟3使用SURF算法進行特征點的提取、匹配，所述的步驟3包括：

步驟3-1：構建Hessian矩陣生成所有的興趣點：

對圖像中的點像素為l(x,y)的點，在尺度為σ時，計算出Hessian矩陣：

其中l_xx(x,σ)是高斯濾波二階導同l(x,y)卷積的結果,其中l_xy(x,σ)，l_yy(x,σ)的含義類似；

得到每個像素的Hessian矩陣行列式的近似值：

det(H(x,σ))＝l_xx(x,σ)l_yy(x,σ)-(0.9l_xy(x,σ))²；

判別式的值是Hessian矩陣的特征值，可以利用判別式的符號確定是否是極值，若值小于0則可判斷(x,y)不是局部極值點，若值大于0則可判斷點(x,y)為局部極值點；

步驟3-2：構建尺度空間：從9*9尺寸的盒子濾波器開始，對盒子濾波器的尺寸進行擴展，9*9尺寸的盒子濾波器是σ為1.2時的高斯二階微分函數經過離散和減裁后的濾波模板；保持圖像不變，僅僅改變濾波窗口的大小來獲得不同尺度的圖像，構成了尺度空間；

步驟3-3：特征點定位：將經過hessian矩陣處理過的每個像素點與其3維領域的26個點進行大小比較，如果它是這26個點中的最大值或者最小值，則定為初步的特征點；

步驟3-4：特征點主方向的確定：統計特征點圓形鄰域內的Harr小波特征，即在特征點的圓形鄰域內，統計60度扇形內所有點的水平、垂直Harr小波特征總和，然后扇形以0.2弧度大小的間隔進行旋轉并再次統計該區域內Harr小波特征值之后，最后將值最大的那個扇形的方向作為該特征點的主方向；

步驟3-5：生成特征描述子：在特征點周圍取一個4*4的矩形區域塊，每個子區域統計25個像素的水平方向和垂直方向的haar小波特征。該haar小波特征為水平方向值之后、垂直方向值之后、水平方向絕對值之后以及垂直方向絕對值之和4個方向；把這4個值作為每個子塊區域的特征向量，所以一共有64維向量作為Surf特征的描述子；

步驟3-6：特征點匹配：通過計算兩組特征點的歐氏距離；歐氏距離越小，則相似度越高，當歐式距離小于設定閾值時，可以判定為匹配成功。

4.如權利要求1所述的一種基于SURF的改進圖像拼接方法，其特征在于，所述的步驟4使用RANSAC算法進行特征點的剔除，所述的步驟4包括：

步驟4-1：從匹配好的特征點對中先隨機選擇4對,求解變換矩陣M；

步驟4-2：將剩下的特征點對中的其中一幅圖像中的每個點，通過矩陣M求得該點變換后在待匹配圖像中相應的點，計算該點與原先匹配的位于待匹配圖像中的點兩者之間的距離，如距離小于事先設定的一個閾值，則該特征點為正確匹配點，將正確的匹配點對保存；

步驟4-3：在經過步驟4-1之后，剩余的匹配點對中重新隨機挑選4組特征點對,計算出對應的變換矩陣，重復步驟4-2。重復若干次之后,最終得到正確匹配點。