[发明专利]基于L1范数全局几何一致性检验的错误匹配检测方法

说明书

技术领域

本发明属于图像检索领域，特别是部分重复图像检索领域中，一种检测图像与图像之间的错误匹配点的方法。

背景技术

近几年，包括Tineye、百度识图以及谷歌相似图像搜索等在内的许多检索引擎在内的重复图像搜索技术发展较为迅速，其在版权检测、医疗诊断、暴力检测以及地理信息检索等方面有广泛的应用。在该项技术中，图像之间误匹配特征点对的检测是其中的一项关键步骤，如何利用图像间的几何信息来正确过滤错误匹配以便获得更加精确的检索结果，是这项技术的核心。

部分重复图像主要是指拍摄相同场景不同角度的图片或者经过图像处理软件进行处理前后的图片。这样的图片在色调、光照、尺度、旋转和遮挡等方面有些不同，这使得在大规模数据库下检索该类图片变得十分困难。为解决这一问题，学界提出了许多基于局部特征和词袋模型结合的方法来处理相似性问题。这些方法的一个典型流程如下：首先使用尺度不变特征变换(SIFT)来检测和描述图像的局部特征，然后使用词袋模型(Bagof Features，BoF)来建立视觉字索引，之后根据索引来进行图像间的特征点匹配对，最后根据匹配情况计算图与图之间的相似度并据此排序输出检索结果。

词袋模型的使用，极大地减少了SIFT特征耗时的匹配过程，但是却同时引入了一些错误匹配点对，这造成了检索结果与真实情况的差异。为了解决这一问题，人们提出了很多使用几何先验信息来验证匹配是否错误的方法，具体分为局部和全局几何一致性假设两类。

第一类方法着眼于使用局部几何一致性假设，这类方法都是基于一个相似变换的模型：其中，(x_1i，y_1i)和(x_2i，y_2i)代表第i个特征点在两幅图像中的坐标，s和θ分别是两幅图像间的缩放尺度和旋转角度，他们是由两幅图像各自SIFT特征点的尺度和主方向计算得到的，具体为：s=s₂／s₁，θ=θ₂-θ₁.在此模型基础上，Herve Jegou等人[1]提出了弱几何一致性(WCG)的方法，它利用所有特征点计算出的s和θ值的统计分布来去除错误匹配对；Wan-Lei Zhao等人[2]改进了WCG，提出了加强弱几何一致性(EWCG)的方法，它利用平移量(t_x，t_y)模长的统计分布来去除错误匹配对；而Junqiang Wang等人[3]提出了强几何一致性(SGC)的方法，它使用平移量(t_x，t_y)两个维度本身的统计分布来去除错误匹配对。局部方法的共同特点是处理高效，但是往往检测精度不高，不能完美地去除所有错误匹配对。

第二类方法则希望利用全局的几何一致性假设来检测并去除错误匹配对，这类方法会对一幅图像上的所有特征点进行统一的验证，这样做可以弥补局部几何一致性方法在处理跨局部区域间一致性时的不足。J.Philbin等人[4]提出应用经典的随机抽样一致性(RANSAC)算法来处理透视变换模型下的错误匹配检测问题，但是使用RANSAC会导致计算上较大的耗时，故不适合大尺度下的检索问题。另一种思路是由Wengang Zhou等人[5]提出的几何编码(GC)方法，这种方法首先对每幅图像中特征点的相互位置信息和旋转变换信息进行编码，然后再比较不同图像间的编码差异来检测错误匹配点，由于使用了特征点的尺度和主方向信息，这种方法仍然比较耗时。全局方法的特点是检测效果较好，能够适应更复杂的几何变换模型，缺点是耗时过大不利于大尺度下的检索这一应用背景。

发明内容

针对上述问题，本发明提出了一种基于L1范数全局几何一致性检验的错误匹配检测方法。

本发明提供的技术方案如下：

一种基于L1范数全局几何一致性检验的错误匹配检测方法，包括如下步骤(流程见图1)：

步骤1：对于两幅待比较图像，首先使用尺度不变特征变换(SIFT)及词袋模型(BoF)来提取并匹配两幅图像中的特征点，得到两幅图像中各特征点的坐标：a_1i=(x_1i，y_1i)^T，a_2i=(x_2i，y_2i)^T，其中i的顺序为特征点匹配后的排序，T表示转置，a_1i和a_2i均为列向量；