[发明专利]影像匹配方法、装置、计算机设备及计算机可读存储介质

说明书

本发明公开了一种影像匹配方法、装置、计算机设备及计算机可读存储介质，该方法包括：分别获取参考影像和待匹配影像的局部区域图像；将局部区域图像进行特征变换，得到归一化区域图像；在归一化区域图像内、外分别进行特征点检测，得到特征点；根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配，得到匹配结果；根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。通过实施本发明，解决了影像匹配过程中影像因角度和尺度问题带来的变形误差，并且使得提取的特征点能够更好地覆盖整幅影像，大大提高了视频大数据的视角变化大、成像环境复杂等实际问题下的点集匹配的效率和鲁棒性。

技术领域

本发明涉及影像匹配技术领域，具体涉及一种影像匹配方法、装置、计算机设备及计算机可读存储介质。

背景技术

目标匹配是动态目标跟踪中的关键步骤，从特征类型来分，当前主要有点特征和线特征匹配两大类方法。目标匹配可转换为目标的特征点集匹配问题。环岛电子围网视频数据可能存在由于复杂的现场成像环境、天气条件、大气云层干扰引起的噪声，以及由于光照变化、视角变换或遮挡等因素造成的离群点现象(即得到的两组特征点集会有所不同)，这些严重制约了RANSAC(Nearest Neighbor Distance Ratio)等现有算法在处理环岛电子围网视频数据时的应用效能。这是因为噪声的存在意味着理想情况下的精确匹配将不再成立，为了防止过拟合，匹配算法需要找到数据点的真实位置并相应地估计变换函数，这大大增加了对应关系搜索和变换函数估计的难度，增大了匹配误差；为了处理存在的离群点，算法需要将点集中一个子集与另一个点集中适当的子集匹配上，而子集包含点的数量又事先未知，从而使问题变得更加困难；此外，点集匹配本质上是一个NPC复杂组合优化问题，为了获得一个合理解，往往需要在变量参数空间中进行搜索，而当参数空间的维度较高时，搜索代价变得非常之高。这些存在于视频大数据环境下的实际问题给动态目标跟踪中的点集匹配步骤带来巨大挑战。

发明内容

有鉴于此，本发明实施例提供了一种影像匹配方法、装置、计算机设备及计算机可读存储介质，以解决存在于视频大数据环境下的实际问题给动态目标跟踪中的点集匹配步骤带来巨大挑战的问题。

根据第一方面，本发明实施例提供了一种影像匹配方法，包括：分别获取参考影像和待匹配影像的局部区域图像；将局部区域图像进行特征变换，得到归一化区域图像；在归一化区域图像内、外分别进行特征点检测，得到特征点；根据归一化区域图像内、外的特征点对参考影像和待匹配影像的特征点进行匹配，得到匹配结果；根据特征点的匹配结果确定待匹配影像和参考影像的匹配结果。

可选地，分别获取参考影像和待匹配影像的局部区域图像，包括：获取参考影像和待匹配影像；利用不同方差高斯卷积核分别对参考影像和待匹配影像进行平滑处理和下采样处理，形成高斯尺度金字塔图像；对各层金字塔图像分别进行最大稳定极值区域检测，得到多个最大稳定极值区域；根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域；根据剔除重复的最大稳定极值区域后的各层金字塔图像的最大稳定极值区域形成参考影像和待匹配影像的局部区域图像。

可选地，最大稳定极值区域的位置包括质心位置、主轴的方向和周长，根据各最大稳定极值区域的位置和面积剔除各层金字塔图像上重复的最大稳定极值区域，包括：根据各最大稳定极值区域的质心位置判断相邻层金字塔图像上两个最大稳定极值区域的质心距离是否小于第一预设阈值；如果相邻层金字塔图像上两个最大稳定极值区域的质心距离小于第一预设阈值，判断两个最大稳定极值区域的面积是否满足第一关系式；如果两个最大稳定极值区域的面积满足第一关系式，判断两个最大稳定极值区域的主轴的方向、周长是否满足第二关系式；如果两个最大稳定极值区域的主轴的方向、周长满足第二关系式，确定两个最大稳定极值区域为相同的最大稳定极值区域，并剔除两个最大稳定极值区域中的其中任意一个。