[发明专利]一种基于网格统计的图像特征点匹配方法

说明书

本发明公开了一种基于网格统计的图像特征点匹配方法，包括以下步骤：1、通过最近邻匹配得到初始匹配集M；2、对原图和待匹配图像进行网格化，将每张图像分成N*N个网格；3、遍历集合M中的每一对匹配m_i＝{p_i，p’_i}，如果p_i属于原图中第j个网格，p’_i属于待匹配图像中的第k个网格，则网格对G_j，k对应计数加1；4、对网格对集合G按计数值排序，选取前m个中的匹配点组成样本集I；5、从I中任意取d个匹配，计算模型H，并进行预检验；6、用I中剩余的匹配对模型H进行检验，如果误差小于阈值α，则将其加入集合I_inlier；7、进行迭代，重复步骤5和6的操作，并更新I_inlier；8、迭代结束，得到最优集合I_inlier，利用I_inlier计算最优模型H。本发明提出的方法相比于传统方法，具有计算效率高，对初始集不敏感等优点。

技术领域

本发明涉及数字图像处理和计算机视觉领域，具体涉及一种基于网格统计的图像特征点快速匹配方法。

背景技术

近年来，图像特征点的匹配被广泛应用于计算机视觉和模式识别等研究领域的各种任务中。作为很多任务的展开基础，图像特征点的匹配速度、精确度和鲁棒性显得尤为重要。目前，对于有效地提取图像中稳定的特征，已经有了大量的研究。比如，经典的尺度不变特征变换(SIFT)算法，以及一系列的改进算法，如ASIFT、PCA-SIFT、ORB等。但受限于特征点检测的精度、光照变化等因素，匹配的结果始终存在一定的错误信息。能否效地剔除这些错误的匹配，对后续任务的展开影响较大。

David Lowe提出了一种快速近似最近邻算法(FLANN)，其基本思想是找出待匹配图像中特征点的最近邻和次近邻匹配点，设定一个合理的阈值，如果最近邻和次近邻距离的比值小于阈值，则认为匹配正确。由于该算法思想简单，实现较为容易，在一些精度要求较低的任务中比较流行。但对于一些精度要求较高的任务，该算法的缺点就较为明显。利用图像之间的几何约束估计图像之间的模型参数，从而对匹配进行提纯是目前主流的做法。通常，模型参数估计方法主要分为3类：线性法、迭代法和鲁棒法。线性法是一种快速模型估计方法，但易受误匹配的影响。迭代法通常采用梯度下降的方式获取模型最优解，是一种精度较高的模型估计方法，但该算法计算量大因而时效性差，且对误匹配信息敏感。鲁棒法是指去除外点对模型参数估计的影响。其中应用最为广泛的有极大似然估计(M-estimation)、最小中值(LMedS)和随机抽样一致性(RANSAC)3种算法。M-estimation通过引入鲁棒性权值建立加权目标函数，在一定程度上实现了对错误信息的排异，但该算法需要一个模型参数的初始估计，且易受错误信息的影响。LMedS算法通过最小化余差平方中值来实现对参数模型的估计，当测试数据中的错误信息比例超过50％时，该算法与M-estimation均无法正常工作，而RANSAC算法由于其具有算法结构简单、易于实现、鲁棒性强等优势，已广泛应用于模型参数估计问题中。

经典的RANSAC算法在外点比率较大时算法效率低下，且算法的结果受初始化的影响较大。

发明内容

本发明的目的是针对现有技术的不足，在具体分析传统的RANSAC法的缺陷之后，提供了一种基于网格统计的图像特征点匹配方法，在保证较高的精度和鲁棒性的情况下，大大减少了运算量，提高了图像特征点匹配的速度。

本发明的目的可以通过如下技术方案实现：

一种基于网格统计的图像特征点匹配方法，所述方法包括以下步骤：

S1、获得原图的初始特征点P＝{p_i|i＝1，2，3，…，n}和待匹配图像的初始匹配点P’＝{p’_i|i＝1，2，3，…，n}，以及初始匹配关系集M＝{m_i|i＝1，2，3，…，n}，其中，m_i＝{p_i，p’_i}；