[发明专利]基于Skinner概率自动机的图像误匹配对去除方法

说明书

技术领域

本发明涉及一种图像误匹配对去除算法，具体涉及一种基于Skinner概率自动机的图像误匹配对去除方法（Skinner-Ransac）。

技术背景

在航天器光学定位、无人机和机器人的自主光学导航中，图像匹配技术无疑发挥着核心作用，并且图像间的匹配效果直接影响着导航的精准度。但是，由于图像间存在几何变化、光照、抖震以及噪声等因素的影响，使得图像间的匹配结果中总是存在部分错误的匹配对，从而对导航与定位产生不利的影响。因此，如何在匹配结果中找到误匹配对就成为图像匹配过程中至关重要的一步。目前，针对图像间错误匹配对的去除问题主要有以下三类：线性法，迭代法和鲁棒法。线性法主要有七点法，八点法和改进八点法，该算法对于误匹配点敏感，在误匹配率低的情况下也容易造成误匹配点的漏去除。迭代算法的算法精度要高于线性法，但是时效性差。鲁棒算法是三类算法中效果最好的一类，近几年基于这一类算法的成果较多，如M估计法，LMeds和Ransac算法等。M估计法是通过将问题转化为带有加权的最小二乘法问题，用一个余差函数来代替余差平方，从而抑制大的余差对于估计结果的影响，但是该方法对于初始的依赖强，并且对于错误匹配对也敏感。LMeds是一种最小中值算法，该算法通过最小化余差平方中值来估计图像间的变换模型，它对于错匹配对具有较好的鲁棒性，但是当数据中的错匹配概率超过50%时该算法不再适用。Ransac算法与前两个相比在算法精度以及鲁棒性均具有明显的优势，当数据中错匹配的概率超过50%时，图像间的基础矩阵可以估计出来，所以该算法已被广泛的应用于机器视觉中。

Ransac算法的主要特点在于匹配对是通过算法被动选取进行图像间基础矩阵的计算，然后将估算的基础矩阵带入其它的匹配对中，通过计算极对距离并且与设定好的阈值作比较可以估算出该基础矩阵在这些匹配点的符合率，通过多次迭代后选取符合率最大的基础矩阵作为最终模型参数的选取。上述特点使该算法在错匹配率大的时候算法效率降低。由于算法的迭代次数是根据匹配对中的错匹配率事先确定，而在多数情况下匹配结果中的错匹配率是未知的，这又使算法的自主性变差。2012年，鲁珊，雷英杰等在《控制与决策》上发表的论文“基于概率抽样一致性的基础矩阵估计算法”中提出一种预检验方法，用于获得较优的基础矩阵集合，并且在经过迭代后得到只包含正确匹配对的样本子集，从而计算出图像间的最终基础矩阵。但是经过试验发现，当匹配结果中的错误概率较高时，无论是预检验过程，还是迭代过程均会有很高的计算量，并且迭代次数的设定也要根据匹配结果的错匹配率进行提前设定，所以不能达到理想的效果。2009年，刘坤，葛俊峰等在《计算机辅助设计与图形学学报》上发表的论文“概率引导的随机采样一致性算法”中，提出了利用每次抽样得到的基础矩阵回带入所有样本计算相应的极对距离，然后利用极对距离的倒数作为每个样本加权的方法。该方法相比以前方法提高了每个样本在抽取过程中的主动性，但是没有对每个样本的极对距离进行规范，导致某些错误基础矩阵在一些错误样本上的极对距离极小，这就使得加权值极大，从而造成最后得到错误的结果，并且该方法的迭代次数也是根据匹配结果中的错匹配率进行提前设定。申请号为200810063012.3的发明专利提出了一种基于抽样结果的样本加权方法，但是该方法对于迭代次数也是提前设定，不具备自主性。

综上所述，如何使算法具有高的运行效率，以及如何使算法在错匹配未知的条件下具备自主的迭代终止条件是当前需要解决的两个重要问题。

美国心理学教授Skinner在1938年提出了操作条件反射(operant conditioning，OC)的概念，并且通过鸽子实验提出了著名的Skinner操作条件反射理论，后来的学者利用这一理论发展出了基于Skinner条件反射的概率自动机。如果将Skinner概率自动机原理用于改进Ransac算法，使每个匹配对和每个动物个体一样对于每次选择根据之前的积累反馈具有不同的主动性，将会提高Ransac算法的运行效率；如果将样本的概率变化率应用到算法的迭代终止条件，则会提高算法的自主性。

发明内容

本发明的目的是提出一种基于Skinner概率自动机的图像误匹配对去除算法（Skinner-Ransac），对每个匹配对赋予权值，权值的变化随着抽样结果的反馈进行更新，从而使其抽样概率发生相应的变化。本发明利用仿生学和认知心理学对匹配点根据当前的抽样结果进行相应的主动性调整，从而逐渐提高正确匹配点的抽样概率。本发明在缺乏错匹配概率先验知识的情况下提出了三种迭代终止条件，从而提高了算法的自主性。