[发明专利]一种基于BAKAZE-MAGSAC的视觉图像特征提取方法

权利要求书

1.本发明特征在于：(1)确定非线性扩散滤波；(2)确定图像的非线性尺度空间；(3)确定特征点主方向；(4)特征点匹配；(5)确定模型质量函数；(6)确定每个点为内点的概率；具体包括以下六个步骤：

步骤一：确定非线性扩散滤波

式中，M表示图像亮度，t表示进化时间，c(x,y,t)表示传导函数，(x,y)表示像素点坐标，x表示像素点横坐标，y表示为像素点纵坐标；将以像素为单位的尺度参数σ_i转换为进化时间t_i：

式中，i为维度空间；

步骤二：确定图像的非线性尺度空间Lⁱ⁺¹：

Lⁱ⁺¹＝(I+τA(Lⁱ))Lⁱ

式中，L表示图像参数，I表示为单位矩阵，τ表示为时间步长，A(Lⁱ)表示为图像在维度i上的矩阵，A表示为矩阵，Lⁱ表示为图像L在维度i上的结果；在非线性尺度空间中，利用非极大值抑制法计算图像金字塔中每个像素点的Hessian矩阵值，同时将其与同层、上下邻层的p个像素点进行比较，寻找不同尺度归一化后的Hessian矩阵极大值；

步骤三：确定特征点主方向：

在梯度图像上以特征点为中心，半径r统计范围，取特征点领域的一阶微分L_x和L_y进行高斯赋权计算，然后选取θ大小的扇形区域绕原点旋转，并计算该区域内向量和，取最长方向为特征点的主方向；采用BRISK特征描述符对图像中的特征点进行描述；

步骤四：特征点匹配：

式中，a和b分别表示对应特征点描述符，m_i表示描述符a中的第一位，n_i表示描述符b中的第一位，j表示a和b描述符中的位数，表示描述符进行异或运算；

步骤五：确定模型质量函数Q^*(α,P)：

在输入数据点集中选择s对特征点进行计算，得到模型W，得到单应性矩阵参数α，确定模型质量函数：

式中，P为数据点集，l表示图像模糊度，σ_max表示投影误差最大值，k表示特征点数目，σ_i表示为特征点投影误差，d为计数参数，p_d表示为当维数为d时图像对应的特征点的概率，D表示残差；根据模型质量函数判断当前模型是否为最优模型；

步骤六：确定每个点为内点的概率L(p|α)：

式中，p为每个点为内点的概率；将各点概率视为每个点的权重，根据权重使用加权最小二乘法拟合优化模型；将σ边缘化，确定迭代次数h：

当该模型为最优模型时，更新迭代次数h，否则，停止迭代；输出之前最优模型为该数据集的最优模型，并根据该模型计算正确匹配点对，剔除错误点。