[发明专利]基于ORB的视觉图像特征点误匹配提纯方法

说明书

本发明涉及一种基于ORB的视觉图像特征点误匹配提纯方法，其包括以下步骤：读取待检测的在不同的视角下拍摄的左右两张图像，对图像进行构建尺度图像金字塔,并进行栅格处理；在每层金字塔图像的每个小栅格中进行特征点的检测,提取出的特征点,并确定特征点坐标；去除靠近图像边缘的特征点，并计算剩余特征点的质心方向；计算ORB特征点描述子；对两张图像上的特征点进行粗匹配；筛选特征点粗匹配对；对误匹配对再一次剔除；对剩下的匹配点对进行RANSAC算法迭代，并输出提纯后的匹配图像。本发明使得检测出的特征点分布均匀，避免了多个特征点容易挤在一起造成的特征点聚簇效应，提高匹配准确度的同时还提高了匹配的速度。

技术领域

本发明属于计算机视觉、图像处理领域，特别涉及一种基于ORB的视觉图像特征点误匹配提纯方法。

背景技术

特征检测、描述及匹配技术是实现图像融合、图像矫正、图像镶嵌以及目标识别与跟踪的关键步骤之一，也是图像处理、机器视觉导航领域的一大研究热点。图像识别、视频跟踪、图像拼接、三维重建等许多技术的实现，都要依靠图像特征点的检测、描述及匹配。高准确度的图像匹配是决定机器人运动的条件和关键，在基于特征点的视觉SLAM中，特征匹配结果中往往存在很多的误匹配信息，导致计算获得的位姿准确度低，容易发生位姿估计失败的情况，因此，剔除这些错配点有很大的必要性。

ORB算法是一种优秀的特征点检测、描述及匹配算法，计算速度比SIFT、SURF算法提高了1~2个数量级，主要分为三个部分：具有方向的FAST特征点检测、具有旋转不变特性的BRIEF特征点描述以及特征点的粗匹配。特征检测部分的方法是在图像金字塔上采用FAST角点检测算法，该算法的特点正如它的名字一样，运算速度非常快。特征点描述部分则是采用二进制编码的BRIEF描述子。ORB算法运算速度快，光照鲁棒性好，仿射性也不错，但不具有尺度不变性，导致ORB在应用领域上具有局限性。

图像匹配过程中由于特征点的提取过程以及特征点描述都无法做到绝对的准确，所以得到的初始匹配对中存在很多的错误匹配，错误的匹配主要分为两种情况：一是进行匹配的特征点是错误的，二是图像上的特征点无法进行匹配。RANSAC算法是一种经典的消除特征误匹配的方法,具有匹配精度高、可靠度高，鲁棒性强等优点，但显著缺点是随机抽取匹配对，没有考虑匹配对的质量好坏，将粗匹配的所有特征点对都进行迭代，当误匹配对较多时就导致浪费了很多时间。

发明内容

有鉴于此，本发明的目的是提供一种基于ORB的视觉图像特征点误匹配提纯方法，采用改进的FAST特征点检测算法检测到分布均匀的ORB特征点，使用双向匹配交叉过滤方法先对匹配对进行一次筛选，然后使用设定阈值、排序汉明距离的方法进行二次误匹配剔除，最后再利用RANSAC算法迭代。使之提高匹配准确度的同时还提高了匹配的速度。

本发明采用以下方案实现：一种基于ORB的视觉图像特征点误匹配提纯方法，其包括以下步骤：

步骤S1：读取待检测的在不同的视角下拍摄的左右两张图像，对图像进行构建尺度图像金字塔,并对每层金字塔图像进行栅格处理；

步骤S2：在每层金字塔图像的每个小栅格中使用改进的FAST特征点检测算法进行特征点的检测, 使用八叉树的数据结构存储提取出的特征点,并确定特征点坐标；

步骤S3：去除靠近图像边缘的特征点，并计算剩余特征点的质心方向；

步骤S4: 计算ORB特征点描述子；

步骤S5：采用基于汉明距离的方法对两张图像上的特征点进行粗匹配；

步骤S6：采用双向匹配交叉滤波法筛选特征点粗匹配对；

步骤S7：对步骤S6剩下的匹配点对通过设定阈值、排序汉明距离的方法，对误匹配对再一次剔除；

步骤S8：对步骤S7剩下的匹配点对进行RANSAC算法迭代，并输出提纯后的匹配图像。