[發明專利]一種基于區域一致性和GMS的圖像特征匹配方法

在審

• 申請號: 202111381636.1
• 申請日: 2021-11-22
• 公開（公告）號: CN114170450A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 黃成;王校宏;徐志良
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種基于區域一致性和GMS的圖像特征匹配方法，該方法為：利用工業相機采集目標不同角度下的圖像；利用FAST算法采集圖像中的特征點；利用rBRIEF算法求采集到的特征點的特征向量分布圖，也即特征描述子；將得到的目標不同角度的特征向量進行暴力匹配，得到粗匹配結果；將包含粗匹配結果的圖像劃分成多個網格，重新定義鄰域；通過計算匹配好的特征點的正確匹配個數以及區域一致性，來判斷該特征點是否被正確匹配。本發明在保證匹配精度和數量的同時，降低了計算的復雜性，在一些對圖像匹配精度要求較大的場景下能夠發揮巨大的潛力。

技術領域

本發明屬于圖像處理和機器視覺技術領域，特別是一種基于區域一致性和GMS的圖像特征匹配方法。

背景技術

在圖像處理與計算機視覺領域，特征點也被稱作關鍵點、興趣點，它被大量用于解決物體識別、圖像識別、圖像匹配、視覺跟蹤和三維重建等一系列問題。圖像特征匹配是多種圖像處理技術的基礎，在上個世紀60年代，美國在武器投射和飛行器輔助導航等系統研究中提出了圖像特征匹配及圖像配準的概念，之后圖像特征匹配技術得到了快速的發展，并逐漸應用到社會生產的方方面面中，很多理論法方法都已經進入了日常的生產、生活之中。

在圖像特征點匹配問題中，特征點優秀的特征點提取和檢測方法，不但要求提取的特征點具有干擾性，而且也要考慮速度方面的影響。因此，圖像特征點的檢測和匹配算法的準確性和實時性成為目前的研究熱點。圖像特征點匹配一般可分為以下三個步驟：(1)采集關鍵點：關鍵點是圖像灰度值抖動劇烈或者曲率較大的點，即圖像中突出的區域；(2)獲取特征向量：將采集到的關鍵點轉換為特征向量。(3)特征點匹配，將兩幅圖中的特征向量按照一定規律對應起來。

圖像特征點匹配作為基于特征點匹配算法的最后一步，在能夠有效的檢測圖像的特征點和構建特征點的局部特征描述符后，圖像特征點的匹配結果好壞越發顯得十分重要。一個好的特征點匹配算法應該具有如下幾個特征：①精準性：在圖像之間特征點對的匹配準確度要高，檢測結果可靠；②高效性：算法在較短的時間消耗下，能夠計算出匹配結果；③復雜性：算法能夠在較少的內存空間和時間范圍內，降低其代碼的復雜性。

匹配算法基本思想都是通過圖像特征的描述符相似度大小進行衡量特征點之間所具有特征信息的相似性，達到對特征點進行匹配的目的。現有比較普遍的方法為先用暴力匹配粗匹配，再用Ratio、RANSAC進行精細匹配。

(1)Ratio匹配算法

Ratio匹配算法是David Lowe提出用于消除錯誤匹配對的一種方式，在K近鄰匹配的基礎上進行的一種匹配方式。匹配算法的基本思想是根據暴力匹配算法的匹配對的最近距離和第二次距離的比值大小確定匹配對。在匹配過程中Ratio算法的取值范圍在0.4～0.6之間，一般取值為0.5。匹配結果的三種選取方式如下所示：

①Ratio＝0.4，選取的特征點比較少；

②Ratio＝0.5，選取的特征點比較均衡；

③Ratio＝0.6，選取的特征點比較多。

(2)RANSAC匹配算法

RANSAC匹配算法，在特征點匹配過程中用于刪除所計算的錯誤匹配點的匹配關系，使得匹配結果更加精確。RANSAN匹配算法中需要求取一個最佳的單應性矩陣H，其大小為3×3，其中一組對應的特征點有兩個方程，因此需要選取4個不共線的特征點，來求取最佳的單應性矩陣，使得單應性矩陣所對應的特征點匹配對最多，通常在計算過程中使用h₃₃＝1來歸一化矩陣，計算公式如下所示：

其中(x′，y′)表示目標圖像角點位置，(x，y)為場景圖像角點位置，s為尺度參數。

在匹配對中隨機選取4個不同線的點確定一個單應性模型M，然后根據這個模型M來計算重投影誤差E，如下所示：