[发明专利]一种自适应阈值多目标SIFT匹配算法实现方法

说明书

技术领域

本发明涉及机器人视觉技术领域，具体涉及一种自适应阈值多目标SIFT匹配算法实现方法。

背景技术

图像特征匹配是计算机视觉和模式识别等领域研究的基本问题以及物体识别、跟踪等应用的重要基础,广泛应用于摄影测量与遥感、资源分析、三维重建、目标识别、图像拼接、图像检索等众多领域,。近年来，视觉智能机器人逐渐在物流、制造等工业中广泛应用，应用于机器人视觉的图像特征匹配成为研究的重点之一。

尺度不变特征变换(SIFT)算法是一种局部特征匹配算法，具有缩放，平移，旋转及亮度不变性，对目标的遮挡、噪声等因素影响也能保持较好匹配效果。但是该算法在拥有多个待匹配目标的场景中，存在以下问题：1.目标图像与模板图像进行匹配时，需要提取模板图像的特征，在使用时提取模板图像的特征时间较长；2.当多个模板间的相似的较高时，使用固定阈值进行特征匹配，会匹配到错误的目标，误匹配率较高，匹配精度较低。

发明内容

本发明的目的在于克服上述背景技术存在的缺陷，提供一种自适应阈值多目标SIFT匹配算法实现方法。

本发明的技术方案:一种自适应阈值多目标SIFT匹配算法实现方法，其特征在于，包括以下步骤：

S1、提取模板图像的SIFT局部特征；

S2、将上述步骤S1中提取的模板图像的SIFT局部特征以文本形式存入特征模板库中；

S3、针对特征模板库中的模板特征，两两进行SIFT匹配，确定自适应阈值θ^S；

S4、提取目标图像的SIFT局部特征；

S5、将上述S4步骤中提取的目标图像的SIFT局部特征与上述步骤S2中的特征模板库中的特征进行匹配：若全部匹配完成，进入S6，否则回到S5继续匹配；

S6、删除目标图像中与多个模板匹配的特征点。

所述步骤S2是将模板图像的SIFT局部特征存储在xml文档中，每个模板图像的SIFT局部特征独立存储，组成特征模板库。

所述步骤S3中自适应阈值的计算公式为：

式中：为模板的阈值，为模板i和模板j可以产生匹配的最小欧式距离。

所述步骤S5是将图像SIFT局部特征与每个模板特征进行匹配，对于模板i，其匹配阈值为S3中计算所得阈值。

所述步骤S6中删除目标图像中与多个模板匹配的特征点，实质为删除该特征点与模板之间的匹配关系。

与现有技术相比，本发明具有的优点：

1.与传统的匹配算法^[1]相比，预先提取模板特征并将提取的特征存入特征模板库，再与目标图像特征进行匹配时，模板特征的读取速度提升，减少特征提取过程的时间消耗；

2.与固定阈值的SIFT匹配算法相比，使用自适应阈值，可以减少一个目标与多个模板匹配的情况，进而减小误匹配率，提高整体匹配精度。

附图说明

图1为本发明方法流程图。

图2为本发明方法与传统算法在提取模板特征步骤的时间消耗对比图。

具体实施方式

下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了更好地使本领域的技术人员更好地理解本发明，并不对本发明作任何的限制。

如图1所示，本发明一种自适应阈值多目标SIFT匹配算法实现方法，包括以下步骤：

S1、提取模板图像的SIFT局部特征；本实施例S1中是使用OpenCV函数库及默认参数提取三个不同模板的SIFT局部特征；

S2、将上述步骤S1中提取的模板图像的SIFT局部特征以文本形式存入特征模板库中；本实施例S2中是将模板图像的SIFT局部特征存储在xml文档中，每个模板图像的SIFT局部特征独立存储，共计3个xml文档，组成特征模板库；

S3、针对特征模板库中的模板特征，两两进行SIFT匹配，确定自适应阈值θ^S：自适应阈值的计算公式为：式中：为模板的阈值，为模板i和模板j可以产生匹配的最小欧式距离；

在这一阈值下，每个模板与其他模板均不会匹配，可以减少一个目标与多个模板匹配的情况；

每个模板的匹配阈值随特征模板库的更新而更新；

S4、提取目标图像的SIFT局部特征；本实施例S4中是使用OpenCV函数库及默认参数提取目标图像的SIFT局部特征；