[发明专利]一种图像优质特征匹配集的获取方法

说明书

技术领域

本发明涉及计算机视觉中的图像匹配及投影几何的技术领域，特别涉及一种基于极线约束的图像优质特征匹配集获取方法。

背景技术

计算机视觉领域中，图像点特征可以用来寻找不同图像中对应点位置的稀疏集合，这种点对应方法获得的结果是计算摄像机姿态的一个前期步骤。从早期的立体视觉匹配开始，这种点对应关系就被广泛应用。之后，基于点对应的方法又在图像拼接应用、自动三维建模、物体识别和视频序列的目标跟踪过程中得到大范围推广。上述方法包括两类，一是在第一幅图像中寻找那些可以使用局部搜索方法来精确跟踪的特征(即：基于局部像素区域图像匹配的方法)。二是在所有考察的图像中独立地检测特征点，然后再基于它的局部表观进行匹配(即：基于特征点匹配的方法)。前者在图像以相近的视角拍摄时更为合适，后者更适用于在大多数情况下图像中存在大量的运动或者表观变化的时候，比如在拼接全景图时、在宽基线立体视觉中建立对应关系时或者进行物体识别时。本发明的内容在第二类方法的基础上，提出极线约束获得优质特征点匹配的方法。

在基于特征点匹配的方法中，根据目标跟踪、图像拼接或物体识别的应用要求，算法检测的图像特征点对应匹配必须能够处理外貌变化、亮度变化、遮挡、平移旋转以及镜面反射等情况。然而，因图像存在的上述变化，目前基于特征点(FAST， SIFT， SURF，ORB，FREAK等)的图像匹配技术获得的匹配集合中存在大量的劣质匹配。匹配结果的不准确将导致诸如目标跟踪丢失、图像拼接畸形、物体识别错误等问题。通过引入最近邻比率策略和对称性策略可以剔除掉大量错误匹配，再使用随机采样一致算法(即：RANSAC)，可以更加可靠地匹配图像特征，提高匹配质量。但是，在基于最近邻比率策略(即：NNDR)和基于视差约束的RANSAC算法中，参数设置的太低会导致较多的错误匹配，而参数设置太高将会导致匹配数量太少。两种情况的出现都不能满足普适性的图像匹配应用需求。基于此，本发明提出了基于极线约束的图像优质特征匹配集获取方法，能够很好地解决上面的问题。

发明内容

本发明目的在于提出了一种图像优质特征匹配集的获取方法，该方法能获取质量更优、鲁棒性更高以及数量更多的优质特征点匹配集合。本发明在RANSAC算法获得的基础矩阵的基础上，使用SURF(加速鲁棒特征)特征检测器检测、描述和匹配，然后引入极线约束方法来剔除错误匹配，从而得到更加优质的匹配集合。本发明适用于各种图像数据，诸如：大场 景、局部目标对象以及存在亮度、遮挡、旋转等变化的图像。得到的结果可应用于三维重建，目标跟踪，物体识别等技术领域中。

本发明解决其技术问题所采取的技术方案：一种图像优质特征匹配集的获取方法，该方法分为四个阶段，包括：(1)在SURF特征检测描述阶段，从当前待匹配图像中寻找能够与其他图像良好匹配的位置，把检测到的关键点周围的每一个区域转化成一个更紧凑和稳定的描述子(描述子用来和其他图像的描述子进行匹配)。(2)在特征匹配阶段，对待匹配图像的描述子按照搜索策略进行特征点初始匹配。(3)在计算特征点与空间投影关系的基础矩阵阶段，使用随机采样一致算法(RANSAC)获得高质量的基础矩阵。(4)在匹配提纯阶段，为了得到可靠优质的匹配，找出唯一的图像特征点对应关系。在建立了特征点初始匹配的基础上，利用获得的基础矩阵，引入极线约束概念，进行误匹配点的剔除，得到优质匹配集合。

方法流程：

步骤1：读取待匹配两幅图像，定义为左图和右图，获得计算基础矩阵的RANSAC算法的输入匹配集合；

步骤1-1：用SURF特征检测器分别检测两幅图像的特征点；

步骤1-2：用SURF描述器分别计算两幅图像的特征点描述子；

步骤：1-3：根据最近邻匹配策略的原理，使用匹配器对描述子进行双向匹配。找到左图的每个特征点到右图的两个最佳匹配，找到右图中每个特征点在左图中的两个最佳匹配；

步骤1-4：距离比率测试。分别处理两个匹配集合，计算最优匹配与次优匹配的距离比值，移除距离比率大于给定阈值的匹配；

步骤1-5：利用特征点匹配对的唯一性原则，进行对称性测试。两个匹配集合中的索引值相互对称时，提取这个匹配集合，剔除不对称的匹配集合；

步骤2：使用RANSAC算法计算基础矩阵。根据极性几何投影关系，计算出具有最大匹配支持集合的基础矩阵，返回满足此基础矩阵的优质匹配集合及基础矩阵；

步骤3：对于待匹配的两幅图像，根据描述子内容进行特征点匹配；