[发明专利]基于多尺度特征匹配的图像校准方法、系统、终端及介质

说明书

本发明提供了一种基于多尺度特征匹配的图像校准方法及系统，对目标图像进行处理，生成目标图像的特征点及特征向量；对待识别图像进行处理，生成待识别图像的特征点及特征向量组队列；基于待识别图像的特征点及特征向量组队列以及目标图像的特征点及特征向量，进行多距离标准阈值匹配，生成特征点对组队列；对特征点对组队列中的每一组特征点对进行匹配度计算，获取匹配度大于设定阈值的匹配特征点对进行变换矩阵计算，生成变换图像队列；过滤变换图像队列中的变换图像，获取最佳矫正图像，完成图像校准。同时提供了一种终端及介质。本发明对特征点检测速度快，自适应强，数据以及时间成本低，可操作性强。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种基于GPU多尺度特征匹配的图像校准方法。

背景技术

高质量的图像是计算机视觉的基础，利用图像矫正技术可以将识别图像还原成与目标图像一致的空间分布，便于定位图像识别关键点以及提高最终的识别质量。常用的图像矫正流程为利用一定的策略获取识别图像与目标图像的透视变换矩阵，通过逆变换将识别图像还原成类目标图像。现有的获取透视变换矩阵的方法，主要包括如下两种：

1、利用SIFT，SURF，ORB等特征点检测方法，然后得出透视变换矩阵。这一类方法往往需要依赖于匹配算法参数的选择，并且基于CPU算法的时间复杂度较高。

2、使用深度学习的方法，训练得出变换矩阵网络。但是该方法数据以及时间成本较大。

经过检索发现：

公开号为CN110197185A的中国发明专利申请《一种基于尺度不变特征变换算法监测桥下空间的方法和系统》，基于尺度不变特征变换算法框架，对桥下空间自动拍摄上传的图片进行调整，使之与原始图像匹配，再结合图像对比算法，生成校准图像，以及标注上传图像和原始图像不同的区域，最后计算原始图像和校准图像的SSIM结构相似度并设定报警阈值，从而实现对桥下空间的监控。该技术可检测任意大小的物体变化，如垃圾、稻草等堆放，以及商贩的占道经营行为，而且对于非固定摄像头或近似固定角度拍摄的带有尺度变形、拍摄角度不一致的图像可以旋转、放缩、剪裁后再进行对比，降低了直接对比的误报率。该技术使用基于尺度不变特征变换算法，实现特征点检测，然后进行特征点匹配，生成透视变换矩阵，生成校准图像。但是该技术仍然存在如下缺陷：

尺度不变特征变换算法时间复杂度高；如果使用统一阈值进行特征点匹配，导致特征点少的图像无法进行该文章中的校准；对最终校准图像没有校准评价标准，无法确定是否准确校准了拍摄图像。

公开号为CN112150359A的中国发明专利申请《基于机器学习和特征点识别的无人机图像快速拼接方法》，首先选定一张基准影像，使其与其周围9张临近影像使用基于GPU并行加速优化的改进SURF算法进行特征点的提取，减少了基准影像多次提取特征点所耗费的时间，并减少了影像连乘累积误差，再使用机器学习计算的描述特征向量改进SURF算法的描述特征向量，大幅度提高特征点匹配的精度，实现影像配准。本发明基于SURF算法+机器学习+GPU+PROSAC算法+图像分块拼接技术，构建了一种无人机遥感影像快速高效的处理方法，速度比传统SURF算法运行更快，精度得到了大幅度提高，在实时性方面的发挥更突出。但是该技术是一种使用基于GPU并行加速优化的改进SURF算法，但是SURF算法的尺度不变性和旋转不变性较差，无法真正满足图像校准的需求。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种基于GPU多尺度特征匹配的图像校准方法、系统、终端及介质。

根据本发明的一个方面，提供了一种基于多尺度特征匹配的图像校准方法，包括：

对目标图像进行处理，生成表示目标图像的特征点及特征向量；