[发明专利]一种误匹配去除方法、系统及应用

说明书

本发明属于多视图三维重建技术领域，公开了一种误匹配去除方法、系统及应用，所述误匹配去除方法包括：对数据集进行特征点SIFT和SURF的提取与匹配，采用RANSAC得到内点；使用对极几何方式进行相对位姿估计；将特征点采用三角测量得到两个点云集合S₁、S₂，计算S₁、S₂中两两对应的点之间的距离d_ij；将点云S₁根据其中三维点的位置进行区域划分；采用AC‑RANSAC自适应阈值算法，修改参数，针对D_k计算出相应的阈值t_k；根据计算的阈值t_k，对第k个区域的三维点进行滤除。本发明针对但不限于具有相似纹理的物体的特征点匹配问题，进行误匹配去除，并且对于不同数据集无需设置参数，可以在较短的时间内自适应出阈值。

技术领域

本发明属于多视图三维重建技术领域，尤其涉及一种误匹配去除方法、系统及应用。

背景技术

目前，视觉、听觉、嗅觉、触觉构成了人的感知系统，我们之所以能享受到丰富多彩的生活，这四种感知缺一不可。其中，通过双眼获得的信息是远远大于其余三种方式的。目前，高超的摄影技术可以通过相机模拟人的眼睛捕获大量色彩、结构、纹理等信息。然而，随着科学技术的发展，我们不再满足于二维图像，而是希望可以获得三维立体的视觉感受。

早在上个世纪后期，人们就开始对将二维图像投影到三维空间进行了各种研究，一直发展到当下，多视角图像三维重建技术在航空航天以及日常生活中应用日益广泛。同样随着硬件设备的更新，三维重建技术已不仅仅依赖于二维RGB图像，而是可以采用RGB-D图像、LIDAR扫描等方式进行重建。但考虑到成本、操作简易程度等方面，多视图三维重建无疑是最为简便的。

通常多视图三维重建流程包括从运动中恢复结构的方法(Structure-from-Motion，SfM)、多视图立体视觉(Multi-view Stereo，MVS)、表面重建、纹理贴图。其中SfM可以大致分为三种重建方式：增量式、全局式和分层式。其中增量式较全局式和分层式在准确性方面略胜一筹，在效率上稍稍逊色。但在航空航天、文物保护、医学诊断等领域，精度、准确性是至关重要的。

增量式重建过程涉及到许多复杂步骤，局部特征提取、多视图几何模型估计、工程优化等，其中任何一步的误差都会对后续工作造成影响，进而导致最终重建效果不尽人意。由于特征点的提取与匹配是初始步骤，后续的所有工作都是基于匹配的结果进行展开，匹配的准确性将对之后的三角测量、位姿估计等造成很大的影响，所以打好这个基础，重建工作才能更好地进行。

最常用的去除误匹配的方法是是随机一致性采样算法(Random SampleConsensus，RANSAC)，但对于存在相似纹理的物体，该方法的结果不够理想，因此，需要一种新的滤除误匹配的方法。

通过上述分析，现有技术存在的问题及缺陷为：对于存在相似纹理的物体，基于随机一致性采样算法的去除误匹配的方法的结果不够理想。

解决以上问题及缺陷的难度为：对于具有对称性或相似纹理的物体，会存在大量的特征描述子极为相似，导致在匹配时会产生大量的误匹配。如果这些误匹配距离极线较近或是在极线上，则很难通过RANSAC去除。如果只是单纯的修改RANSAC的阈值，不仅不会达到去除误匹配的目的，反而会滤除一定的正确的匹配点，使得最终的三维点数目变少。

解决以上问题及缺陷的意义为：如果可以去除这些误匹配，则在后续的位姿估计中可以得到更准确的结果，从而在三角测量时计算的三维点不会因为重投影误差过大而被滤除，使得捆绑调整足以收敛，最终的稀疏点云更佳精准、估计正确的三维点数目上升。

发明内容

针对现有技术存在的问题，本发明提供了一种误匹配去除方法、系统及应用，尤其涉及一种基于三角测量的误匹配去除方法、系统及应用。