[发明专利]基于相关性度量的特征点匹配方法

说明书

技术领域

本发明属于计算机辅助自动图像处理技术领域，具体地涉及一种图像特征的匹配技术。

背景技术

在我们日常生活和许多领域中，处理电子图像，特别是提取和检索图像中的特定信息是必不可少的，比如图像检索、物体分割和识别、三维重建以及增强现实等方面都不可避免的要涉及到图像特征的匹配问题，尤其是特征点的匹配问题。传统方法是基于图像像素灰度值的方法，此方法虽然简单易行，但由于利用的信息不充分，匹配效果并不理想。

近年来，随着计算机视觉的发展和应用，人们开始探索新的方法，这其中比较典型的有基于图像梯度的方法以及基于图像微分的方法。在基于图像梯度的方法中，比较简单的描述子匹配性能不好，而匹配性能比较出色的描述子计算的时间复杂度和空间复杂度都比较高；基于图像微分的描述子，构造比较复杂，而且突出的不足是对于图像噪声很不鲁棒，而现实的图像往往存在噪声，因此难以令人满意。

发明内容

本发明的目的在于提供一种较为简单、实用并且匹配性能好精度高的图像特征点匹配方法。

为实现上述目的，基于相关性度量的特征点匹配方法，包括步骤：

步骤1：拍摄两幅或多幅待匹配场景的图像并输入计算机；

步骤2：计算图像各像素的梯度，提取图像的特征点信息；

步骤3：对步骤2中提取的每个特征点，把以特征点为中心的圆形邻域进行分块，计算分块得到的每个子区域的梯度均值；

步骤4：利用步骤3中得到的子区域各像素点梯度以及子区域的梯度均值，构造子区域的Harris自相关矩阵以及相邻子区域之间Harris互相关矩阵；

步骤5：利用步骤4中得到的计算子区域的Harris自相关矩阵以及相邻子区域之间的Harris互相关矩阵的行列式与迹，并用计算得到的行列式与迹构造子区域的自相关性度量以及相邻子区域之间的互相关性度量；

步骤6：利用步骤5中得到的子区域的自相关性度量以及相邻子区域之间的互相关性度量，构造Harris相关性描述子；

步骤7：计算不同图像特征点描述子之间的欧氏距离，应用度量准则，进行匹配。

优选地，所述分块是以特征点为中心对其圆形邻域进行分块。

优选地，所述子区域划分步骤是：

步骤31：以特征点为中心，r为半径，获得N个像素的圆形邻域；

步骤32：沿圆形邻域的径向方向把特征点邻域半径划分为n等份，得到多个以特征点为圆心的同心圆；

步骤33：以特征点邻域的主方向为起始边，将特征点邻域划分为多个相等的扇形。

优选地，所述特征点邻域的子区域R的Harris自相关矩阵SC(R)为，