[发明专利]一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法

说明书

本发明公开了一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法，方法包括提取目标图像和匹配图像中的特征点，基于杰卡德距离选取目标图像中各特征点的匹配点，进而构建初始匹配对集合，以杰卡德距离为评价函数，结合构建的特征点误匹配剔除模型，过滤掉初始匹配对集合中的误匹配对，获取精准的图像匹配结果；本发明提供的方法提高了参与模型计算样本数据的质量，降低迭代次数，最后实现对误匹配的剔除，得到精准的图像匹配结果，提高图像匹配的准确率以及算法的运算速度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法。

背景技术

SLAM(Simultaneous Localization And Mapping，SLAM)同步定位与地图构建技术是智能机器人的关键技术之一，指的是智能机器人在未知的环境中利用自身所携带的传感器和对自身位姿的估计实现构建地图和精准定位的过程。目前，SLAM作为智能移动平台感知周围环境变化的基础技术，在机器人、自动驾驶、增强现实等领域都扮演着举足轻重的作用。由于图像或视频中拥有着丰富的环境特征信息且造价相对较低，所以大部分SLAM算法的研究都集中在视觉算法(VSALM)中。在VSLAM的各类算法中，图像匹配过程占据着各类算法极大部分时间。

图像中的特征点是能表现图像某块某方面的特征。通常表现在灰度值、色彩表现或者纹理上有着显著变化。图像特征点提取的方法有很多种，其中应用最为广泛的有SIFT、SUFT、ORB算法等。SIFT算法效果最好，SURF算法次之，但是这两种算法的计算量太大。ORB算法在旋转、模糊鲁棒性上都不如前两种算法且不具备尺度不变性，但是它的计算速度极快。在VSLAM算法中，实时性是衡量系统是否优秀的重要因素之一，所以在VSLAM的各类算法中大都使用ORB特征检测算法。

在提取特征点之后，我们还需要通过衡量特征点之间的相似性衡量两幅图像之间的相似性。相似性衡量的准确性会极大地影响移动机器人位姿估计的判断。在现有的SLAM技术中通常通过计算两个特征点之间的汉明距离或者欧氏距离来衡量两幅图像之间的相似度。

特征匹配过程中由于存在噪声，这就会导致匹配误差产生。因此，针对这种情况通常在图像匹配过程中会加入剔除误匹配点对的步骤，常用随机采样一致性算法(RandomSample Consensus，RANSAC)来剔除特征匹配过程中的误匹配对。但是算法中对数据处理的随机性导致迭代次数不稳定，效率较低。

发明内容

发明目的：本发明提供了一种有效抑制误匹配对的图像特征点匹配与误匹配剔除方法。

技术方案：本发明提供的一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法，包括如下步骤：

步骤1：采用ORB算法分别提取目标图像和匹配图像中的特征点；然后进入步骤2；

步骤2：分别针对目标图像中的各特征点，将其作为待处理特征点，执行如下操作：计算待处理特征点分别和匹配图像中各特征点之间的杰卡德距离，将匹配图像中杰卡德距离最小的特征点作为待处理特征点的匹配点；然后进入步骤3；

步骤3：将目标图像中各特征点分别与匹配图像中相应的匹配点进行关联，获取N个初始匹配对，进而获取初始匹配对集合U_N；然后进入步骤4；

步骤4：使用构建的特征点误匹配剔除模型，过滤掉初始匹配对集合U_N中的误匹配对，获取精准的图像匹配结果。

作为本发明的一种优选方案，在步骤4中，使用构建的特征点误匹配剔除模型过滤误匹配对的方法包括如下步骤：

步骤4.1：初始化迭代次数t＝1；初始化样本匹配对个数n＝n₀；初始化条件参数T′_n＝1；初始化中间参数T_n＝1；其中n₀是预设个数值；

然后进入步骤4.2；