[发明专利]一种基于加权采样的图像特征点匹配方法

说明书

技术领域

本发明涉及三维重建等领域，尤其涉及一种基于加权采样的图像特征点匹配方法。

背景技术

近几年，计算机科学在视频的三维重建等方面取得了很大的进展。人们可以用放置在不同位置的多台摄像机对同一场景进行拍摄，通过对拍摄到的场景进行处理，恢复出整个场景或者场景中某个物体的坐标。从视频或者图像中恢复出物体的三维模型这种方法得到了很大的应用，它被广泛的应用在环境仿真、工业测量、电子商务、特技制作等领域。为了提高重建出来的三维模型的质量，高效率和高质量的特征点匹配是非常有用的。

特征点的检测和匹配在计算机视觉中是一个基础问题，在这个问题上，大量的研究者做了大量的工作。David Lowe在2004年提出了一个著名的算法，即SIFT算法(D.Lowe.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91-110)，这个算法可以用来在两幅图像间检测和找到特征点。SIFT算法有尺度不变性，给定两幅相同大小或者不同大小的图片，SIFT算法可以在两幅图像中检测到图像中的特征点和匹配点。但是由于图像噪声的存在，SIFT算法找出的图像匹配点集含有很多不正确的匹配点。因此，需要一个算法来处理SIFT算法找出来的匹配点集，使得处理后的匹配点集合中不包含或者包含有比较少的不正确匹配点。

为了从SIFT算法找出的匹配点结中选出正确的匹配点，研究者们提出了使用极线几何和随机采样的方法，这里面包括了随机采样一致性算法(RANSAC)和LMedS算法等。这些算法的一般模式都是从数据集中随机采样一些样本数据，然后用这些样本数据计算出两幅图像间的极线几何性质，再用两幅图像间的极线几何性质去找出正确的匹配点，随机采样的次数一般都很多。

这里所说的极线几何的性质，主要是指两幅图像间的基础矩阵(R.Hartley，A.Zisserman.Multiple View Geometry in Computer Vision[M].CambridgeUniversity Press，London，2000)。基础矩阵描述了两幅图像间的代数关系，所有的两幅图像间的正确的匹配点都应该符合基础矩阵的关系。常用的计算基础矩阵的方法有8点法(R.Hartley，A.Zisserman.Multiple View Geometry in ComputerVision[M].Cambridge University Press，London，2000)等。在极线几何里，用Sampson Distance(R.Hartley，A.Zisserman.Multiple View Geometry in ComputerVision[M].Cambridge University Press，London，2000)来衡量一对匹配点符合基础矩阵的程度，可以把Sampson Distance看成是一对匹配点满足一个基础矩阵的误差，误差大就说明这对匹配点不符合基础矩阵，因此是一对不正确的匹配点。

现有的随机采样一致性算法(RANSAC)，LMedS等算法的运行结果在很大程度上和数据集中的不正确匹配点的比例有关，实验证明，在数据集中不正确匹配点的比例很高的时候，这些算法产生的结果会把很多的不正确匹配点认为是正确的匹配点选出来。

发明内容

本发明的目的是克服现有技术的不足，提供了一种有效的基于加权采样的图像特征点匹配的方法。

基于加权采样的图像特征点匹配的方法包括以下步骤：

1)给定对同一个场景在不同角度拍摄的两幅图像，用SIFT算法找到两幅图像中的匹配点，构成一个数据集，数据集中元素是两幅图像间的一对匹配点；

2)为每对匹配点设定一个大于0的权值；

3)按照匹配点的权重随机采样，每次采样8对点，用8点法计算出两幅图像间的基础矩阵F，计算出每对匹配点在这个基础矩阵下的Sampson Distance并组成误差数组记录下来；

4)对步骤3)重复N次，得到N个误差数组，找出N个误差数组中中值最小的误差数组，根据中值最小的误差数组计算出阈值λ，对中值最小的误差数组中Sampson Distance小于阈值λ的匹配点，权重增加一个预先设定好的数值；

5)对步骤3)和步骤4)重复M次，找出那些权重大于用户给定阈值σ的匹配点作为最后的匹配点。