[发明专利]一种基于特征向量的快速高精度鲁棒性匹配方法

说明书

技术领域

本发明涉及图像特征点匹配，特别是一种基于特征向量的快速高精度鲁棒性匹配方法，属于数字图像处理领域。

背景技术

由于环境的变化、目标运动的影响和传感器的缺陷，拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真和几何畸变。因此，匹配方法如何达到精度高、匹配正确率高、速度快、鲁棒性和抗干扰性强以及并行实现，成为追求的目标。

图像匹配按照提取特征的层次一般可分为基于灰度的图像匹配、基于特征的图像匹配和基于理解与解释的图像匹配三大类。基于灰度的匹配方法，思路简单，易于实现；其缺点是过分依赖图像的灰度信息，一旦遇到信息量不足或存在较大变形的图像，匹配则难免失败。基于图像理解和解释的图像匹配是最高层次的图像匹配，这类方法通过图像中目标的结构与语义描述达到匹配的目的。它不仅可以自动识别相应的像点，自动识别目标的性质，而且能够描述目标间的相互关系，理论上具有极高的准确性和可靠性。但是该技术涉及到计算机视觉、模式识别和人工智能等诸多领域，不仅仅依赖于这些领域理论上的突破，而且有待于高速并行处理计算机的发展，因此到目前为止该类方法还没有取得显著的进展。

基于特征(点、线、面等低级特征)的匹配方法恰恰能有效地克服基于灰度的匹配方法受噪声、灰度变化及各种几何变形影响的不足；此外，用特征代替原图像，大大压缩了数据量，再采用一些适当的匹配搜索策略，可大大地加快匹配速度，满足多种图像匹配的应用目的；而且基于特征匹配的结果还可以进一步被利用于物体的识别和重建，比灰度匹配具有更广阔的应用前景。因此多年来，国内外众多研究工作者都致力于基于特征的图像匹配方法的研究。

特征选择和提取是基于特征的匹配方法的关键内容，只有选择合适的特征基元和好的特征提取方法才能保证匹配结果的准确性。图像的低级特征包括点特征、线特征及面特征，线、面特征提取过程较复杂，必然耗时较多，点特征是图像中最常见的一种特征，易于表示和操作，并且也反映图像的基本特征，因此基于点特征提取的匹配技术获得了广泛的研究与应用。

特征点提取是许多图像分析过程中的重要步骤，也是数字摄影测量的关键技术之一。它广泛应用于目标识别、图像分割、三维重建、图像拼接等众多方面，一直是研究人员关注的焦点。特征点的本质问题可以归结为，在抵抗一定图像畸变的情况下，保证特征点的正确提取和匹配。然而，由于天气、阳光、遮挡以及传感器位置变化等因素导致图像发生了各种几何变形和灰度变化，稳定的特征点提取变得困难。因此研究特征点提取及其在图像匹配中的应用具有重要的理论意义和实用价值。本发明在深入研究特征点提取技术后，选择可靠性强、重复率高的特征点提取算子，并以此为基础研究适应性好的特征点匹配方法。

基于特征的匹配方法存在一定的问题：一是特征匹配的精度不高；二是基于单像的特征提取不一定能将同名特征同时提取出来，即使被提取出来，也可能被描述成不同的类型；三是缺少完美的匹配算法，匹配成功的特征往往只占总特征数的一小部分，特征稀少的后果是直接造成内插后的表面失真或根本无法内插，这在一定程度上限制了特征匹配法在摄影测量中的应用。

发明内容

本发明要解决的技术问题是：提供一种基于特征向量的高精度鲁棒性匹配方法。该方法能够在较少的时间内，找到两幅图像精确地匹配对，并将匹配特征点的位置精确到亚像素级，同时保证寻找匹配点对的鲁棒性。

本发明采用的技术方案为：一种基于特征向量的高精度鲁棒性匹配方法，其特征在于实现步骤如下：

(1)分别对两幅待匹配的图片进行SIFT特征点的提取，并对每个提取的特征点计算其特征向量，获得两个待匹配的特征点集合A、B，每个点对应一个128维的特征向量。

(2)在步骤(1)获取两幅图像的特征点后，使用表面拟合技术使所提取的特征点的位置精确到亚像素级。

(3)通过步骤(1)和步骤(2)得到两个特征向量的集合后，利用PCA主成分分析法对特征向量进行降维操作，使得后续的匹配过程更加的快速。

(4)在步骤(3)获取两幅图像精确的特征点及特征向量后，利用Kd-tree对两个待匹配的特征点集进行简单的匹配，对于集合A中的每个点在集合B中寻找特征向量间欧氏距离最近的特征点。

(5)在步骤(4)得到一系列匹配点对以后，用MLESAC(Maximum likelihood estimation sample consensus)算法对该匹配点对的集合进行筛选，去除可能的误匹配特征点，保证匹配的精确性和鲁棒性。