[发明专利]改进的图像匹配与误匹配剔除算法

说明书

本发明公开了一种改进的图像匹配与误匹配剔除算法，本算法采用FAST算法通过灰度值的差异从图像中提取特征点；利用图像块的二阶矩通过图像块的质心位置及几何中心给定特征点方向；对围绕特征点的像素点进行灰度值比较，采用BRIEF算法创建特征点的描述符；对描述符采用多探针局部敏感散列LSH算法匹配特征点的特征向量，得到特征向量的初始匹配对；依次使用GMS算法、余弦相似度算法和RANSAC算法剔除初始匹配对中的误匹配，得到精准的图像匹配结果。本算法通过改进的ORB算法特征点提取与匹配，结合GMS算法得到效果更好的粗略匹配集合，然后与RANSAC算法结合，达到剔除误匹配，保留正确匹配集合的目的，提高图像匹配的准确率以及算法的运算速度。

技术领域

本发明涉及一种改进的图像匹配与误匹配剔除算法。

背景技术

定位与实时建图是机器人导航和控制研究领域的两个基本问题，机器人研究领域的同步定位与地图构建SLAM技术是同时解决这两大问题的关键技术之一。目前，SLAM技术是机器人、自动驾驶、增强现实等领域的关键技术之一，是智能移动平台感知周围环境变化的基础技术。由于图像或视频能够提供丰富的环境信息，所以大部分SLAM技术研究集中在视觉算法(VSALM)中。在VSLAM中，图像匹配是SLAM的核心，关系到后续的定位与建图，同时，在图像拼接、目标跟踪、人脸识别、三维重建等领域有着广泛应用。

当前，图像匹配的方法有很多种，其中应用最广的有SIFT、SURF以及ORB算法等。其中，具有划时代意义的是由Lowe在1999年提出的尺度不变特征变换SIFT算法，并且在2004年得到补充与完善。该算法运用很广，在目标识别、图像拼接、三维重建等领域发挥巨大的作用。SIFT算法所检测到的特征是局部特征，这些特征具有尺度和旋转不变性，这些特征对亮度及噪声都具有很强的鲁棒性，并且在低概率的不匹配情况下也能正确的识别出来，具有很强的可区分性。同时，SIFT算法分为四个步骤来提取特征向量：(1)尺度空间极值检测；(2)特征点定位；(3)方向角度的确定；(4)特征点描述符。为之后提出的提取图像特征方法提供重要的借鉴价值。Bay等人于2006年提出并且在2008年得到完善的加速鲁棒特征SURF算法是一种具有鲁棒性的局部特征检测算法，SURF算法的灵感来自于SIFT算法，该算法一方面在保证正确性的前提下适当的进行了简化和近似，同时多次运用积分图图像的概念，来加快运算速率，该算法除了具有重复性高的检测和可区分性好的特征向量特点外，还具有很强的鲁棒性以及更高的运算速率，综合性能要优于SIFT算法。FAST(Features fromaccelerated segment test)算法是一种角点检测算法，它可用于特征点的提取，是由Rosten等人于2006年提出，并在2009年进行了完善，该方法最突出的特点就是计算效率高，如果应用机器学习的方法，该算法还能取得更好的效果。BRIEF(Binary RobustIndependent Elementary Features)算法是Calonder等人于2010年提出，该算法是基于二值位字符串的描述符形式，但描述符的创建更简单、更有效，它是一种更快的特征点描述符的创建和匹配方法。在视觉SLAM技术中应用频繁的ORB(Oriented FAST and RotatedBRIEF)算法是由Rublee等人于2011年提出的，该算法由FAST算法和BRIEF算法合并而成，这两种算法的显著特点就是快，但是不具备旋转不变性，所以ORB算法在FAST算法检测特征点后依据强度质心(Intensity Centroid)这个概念给FAST检测到的特征点赋予方向角度，并且在BRIEF算法中创建的描述符旋转到该方向角度。ORB算法除了完全保留两个算法的快速特点外，还实现了旋转不变性。针对ORB算法误匹配率过高等一系列问题，JiaWang Bian等人于2017年提出GMS(Grid-based Motion Statistics for Fast,Ultra-robust FeatureCorrespondence)算法，通过引入平滑约束的概念，来区分正确匹配对和错误匹配对，其将运动平滑性封装在一个区域内，在区域内有一定数量匹配，从而统计正确匹配概率，通过ORB算法创建描述符，在暴力匹配的基础上，剔除错误的匹配，具有高鲁棒性匹配效果。