[发明专利]一种检测场景特征点与图像点特征间匹配中误匹配的方法

说明书

技术领域

本发明涉及一种随机抽样一致（RANSAC）的方法，尤其涉及一种检测场景特征点与图像点特征间匹配中误匹配的方法。

背景技术

随机抽样一致（RANSAC）技术在计算机视觉中是处理鲁棒估计问题的一个非常有用的工具，近些年来，很多研究者都在不断地尝试着提高随机抽样一致方法的效率。

随机抽样一致方法的过程可以概括为假设提出和假设评价。在提出假设阶段，通过随机抽样获得一个最小样本集，从最小样本集中拟合一个假设模型。在假设评价阶段，用所有样本对提出的假设进行评估，将符合该假设的样本标记为内点（inlier），不符合的标记为外点（outlier）。重复这两个阶段直至满足某一终止条件位置，选取评估分值最高的假设及相应的内点/外点的划分作为最终结果。随机抽样一致技术的难点在于：1）如何有效的进行数据抽样提高最小样本集中内点的命中率，以更快的获得一个更加有用的假设。传统方法完全随机的采样最小样本集，因此在内点比例较少的情况下很难采样到一个只包含内点的最小样本集，从而很难得到一个正确的假设模型。2）如何可靠地评价假设的优劣。传统方法通过符合假设的内点数量评价假设的优略。在存在动态物体的场景中检测场景点误匹配的应用中，方法通常需要过剔除动态点和误匹配，获得静态匹配点及静态点对应的模型参数，如摄像机运动参数、基础矩阵等。如果完全以内点数量作为假设评价的依据，那么当场景动态点数多于静态点数时，必然会导致估计失败。3）如何确定方法终止条件。传统方法中，当符合当前最优假设的内点在样本中的比例足够高时终止方法，然而当实际内点比例较低时，即使已经得到一个正确的假设模型，方法仍无法终止。

1.现有的样本采集方法

在标准随机抽样一致方法中，通常认为没有可用的数据先验信息，但是在实际应用中，往往存在着可用的先验信息，使用先验信息可以得到更好的假设。该类方法比较典型的有Chum和Matas在05年提出的ProSAC方法：Ondrej Chum，Jiri Matas:Matching with PROSAC‐Progressive Sample Consensus.CVPR(1)2005:220‐226；Tordoff和Murray在02年提出的Guided Sampling方法：Ben Tordoff，David W.Murray:Guided Sampling and Consensus for Motion Estimation.ECCV(1)2002:82‐98；Chum等人在03年提出的LoSAC方法：Ondrej Chum，Jiri Matas，Josef Kittler:Locally Optimized RANSAC.DAGM‐Symposium2003:236‐243。这些方法都考虑了数据的先验信息，利用数据的可靠程度和数据间的相关性优先采样更为可靠的样本。但是，这些方法的先验信息都未能充分利用图像之间的相关性，因而得到的先验信息也不够充分，例如ProSAC方法通过对相邻图像的对应点（匹配点）进行相似性排序来获得先验信息，由于相邻图像之间的对应点很难做到精确的匹配，同时只选取匹配度高的对应点，可能会导致抽样点的稀疏和分布不均衡。

2.现有的假设评价方法