[发明专利]基于混合行为蚁群算法的sift算法的特征关键点匹配

说明书

技术领域

本发明涉及图像匹配、图像拼接和数字全景图重建和漫游等领域。公开了基于混合行为蚁群算法的sift算法的特征关键点匹配方法，具体地说解决了sift算法(尺度不变特征转换算法)中两幅图像之间特征关键点的匹配方法，提高匹配的速度，可以达到亚像素级。

背景技术

在古文物的三维重建，或是大型游戏场景的建立，以及军事防御战略的部署等方面，希望通过一些照片或图片，利用程序自动找出两幅图像里面相同的景物，并且建立它们之间的对应关系，提取三维的有效信息，实现三维复原。Sift算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置、尺度、旋转不变量。处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。但是在传统的sift算法的中，当找到了带特征描述子的特征点后，采用遍历的形式搜索所有点，使得匹配的速度慢，无法实现大图像的实时匹配。

蚁群算法最初主要用于求解旅行商问题之类的组合优化问题，具有很强的通用性和鲁棒性，目前已渗透到其它问题领域中，如：数据分析，通讯、建筑、交通和多机器人协作问题。普通的蚁群算法容易陷入局部最优，基于混合行为蚁群算法是对蚁群算法的一种改进，把蚁群分成随机蚁群和智能蚁群两种蚁群，并设置不同的蚁群数，采用新的路径搜寻机制和信息更新机制，扩大搜索路径，获取更大的最优解选择空间，避免陷入局部最优解，具有很好的鲁棒性。把基于混合行为蚁群算法用在sift算法的特征点匹配上，可以有效的加速匹配速度，并可以达到亚像素级。

发明内容

本发明的目的是提供一种解决sift算法的特征点匹配遍历问题，提高匹配速度和精度。

按照本发明提供的技术方案，基于混合行为蚁群算法的sift算法的特征关键点匹配方法包含以下步骤：

1、对匹配的图像进行预滤波，消除噪声。利用中值滤波对图像进行预处理，平滑噪声。

2、利用sift算法(尺度不变特征转换算法)生成带特征描述算子的特征点。sift算法(尺度不变特征转换算法)的实现步骤为：

(1)利用不同尺度因子的高斯差分函数与图像进行卷积得到高斯差分尺度空间(DOG scale-space)，得到图像的高斯差分金字塔分层结构。

(2)检测关键点，从图像的高斯差分金字塔分层结构提取图像的极值点作为关键点的候选点，对每个候选点和它8个相邻点和上下相邻尺度对应的18点进行比较，判断该候选点是否为尺度域和图像域的极值点，如果是，该点即为特征关键点。

(3)特征关键点的方向分配，以保证具有旋转不变性。

(4)生成特征描述子，对于每个关键点采用4×4共16个种子点描述，所以每个关键点具有128维的sift特征向量。

3、采用关键点特征向量的城区距离来作为两幅图像中关键点的相似性判定度量。

4、对图像I的某个关键点，通过利用混合行为蚁群算法遍历找到图像II中的距离最近的两个关键点。实现过程为：

(1)把图像I中的带特征描述子的关键点作为蚁群遍历的节点，图像II上的关键点作为待查找点。

(2)混合行为蚁群算法把蚁群分为随机蚁群和智能蚁群两种蚁群，假设共有M只蚂蚁，其中随机蚁群的数量为MS，智能蚁群的数量为MZ，MS+MZ＝M且MS＞＞MZ，M个蚂蚁被随机放置在不同的节点上。

本发明与已有技术相比，实现过程简单，鲁棒性好，匹配速度快，特别是对于大型图片的匹配，具有明显的实时速度优势等优点。因此，本发明解决图像匹配和拼接的实时问题，解决了因旋转、光照、位置、尺度的问题造成照片或图片的误匹配问题，为大型图片拼接和三维重建提供一种有效的方法。

附图说明

图1算法执行流程图

图2待匹配的原始图I

图3待匹配的原始图II

图4标记关键点的原始图I

图5标记关键点的原始图II

图6标记特征向量的原始图I

图7标记特征向量的原始图II

具体实施方式

下面本发明将结合附图对本发明的实施方式做进一步的介绍。

1、图像预处理，对需要匹配的图像进行预滤波，消除噪声。如果图像质量良好的话，可以选择不做。利用中值滤波对图像进行预处理，中值滤波是一种非线性滤波，既消除噪声又保持细节，取3×3滤波窗口，为了降低计算量，每次求中值仅仅考虑去掉最左侧的像素，补上最右侧的像素，其余像素不变。

2、sift算法实施步骤：