[发明专利]基于极线插入图像的ransac特征匹配优化方法

说明书

技术领域

本发明涉及计算机图像处理技术领域，特别涉及一种基于极线插入图像的ransac特征点匹配优化方法。

背景技术

在计算机视觉中，图像匹配的概念被大量应用于物体识别，视觉跟踪，三维重建等问题。它依赖于这样的想法，即先利用特征检测器(本发明使用surf特征检测器)检测图像上某些特殊的点，再对它们进行描述，最后利用描述的内容对特征点进行匹配，从而实现图像与图像之间的匹配。

图像匹配可以大致分为基于像素灰度的匹配和基于图像特征的匹配，其中图像特征又分为区域特征、边缘特征和点特征。基于特征点的图像匹配技术能够达到有效、快速和鲁棒性高的图像匹配的基本要求，因此被广泛应用。目前，基于特征点(ORB,BRISK,FAST,SURF,SIFT等)的图像匹配技术应用在不同的图像之间，由于这些图像存在尺度、旋转角度、亮度、遮挡以及镜面反射等变化，因此经过初步匹配后，存在大量的劣质匹配。匹配结果的不准确将导致诸如目标跟踪丢失、图像拼接畸形、三维重建效果差等问题。在上述技术中引入随机采样一致算法(即：ransac)，可以更加可靠地匹配图像特征，提高匹配质量。它的基本思想是随机地选取一些匹配对，根据双视角的极性约束计算他们的对应关系。之后，匹配集合中剩下的匹配子集都用来支持这样的关系，最终获得最大支持这种关系的匹配集合。ransac算法具有支持集合越大越准确、获得正确结果的可能性越大的特性。但是，该方法得到的匹配数量偏少，不能满足应用需求。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于解决了ransac算法图像特征点优质匹配少、准确度不高的问题。针对ransac算法需要匹配支持集合中含有更多元素这一要求，根据ransac算法的原理，提出了一种特征点匹配优化方法。该方法增加了基于surf特征点的优质匹配对的数量，适用于各种图像数据，诸如：对大场景、局部对象、含噪声图像等，通过该方法得到的结果可应用于三维重建，目标跟踪，人脸识别等技术领域中。

本发明解决其技术问题所采取的技术方案是：一种基于极线插入图像的ransac特征匹配优化方法。该方法首先利用ransac算法得到基础矩阵，在此基础上基于特征匹配点，通过极性几何关系得到准确极线集合。然后从极线集合中挑选合适的极线。极线挑选的标准是挑选出的极线能够尽可能地在待匹配的两幅图上均匀分布。将选择的极线插入图像中，设置图像上极线区域的像素与其它部分不同。最后对待匹配图像重新进行surf特征点检测，描述，最近邻匹配，比率测试，对称测试，经过ransac算法来获得更多的优质匹配集合。

在上述过程中，surf特征匹配的原理是根据surf特征描述子之间的欧式距离进行表达；ransac算法的原理是多次地随机挑选8个匹配(即：计算得到基础矩阵的数量)，计算它们的基础矩阵，集合中剩余的匹配集用来支持这个基础矩阵，最后保留具有最大匹配支持集合的基础矩阵，并返回它的匹配支持集合；双视角的极性几何原理是当前图像中的特征点经过空间投影在对应图像中形成直线，这条直线就是当前特征点的极线。

方法流程：

步骤1：读取待匹配的两张图像(图像1和图像2)，获得待匹配两幅图像的初始匹配集合；

步骤1-1：用surf特征检测器分别检测两幅图像的特征点；

步骤1-2：用surf描述器分别计算两幅图像上特征点的描述子；

步骤1-3：利用匹配器对描述子进行双向匹配，找到图像1的每个特征点到图像2的两个最佳匹配，找到图像2中每个特征点在图像1中的两个最佳匹配；

步骤1-4：比率测试，分别处理两个匹配集合(即：图像1到图像2的匹配集合，以及图像2到图像1的匹配集合)，计算最优匹配与次优匹配的距离比值，移除比率大于给定阈值的匹配；

步骤1-5：对称性测试，两个匹配集合中的索引值相互对称时，提取这个匹配集合，移除不对称的匹配集合，返回对称匹配集合；

步骤2：使用ransac随机采样一致算法，计算最大支持匹配集合的基础矩阵，返回满足此基础矩阵的优质匹配集合和支持这个特征匹配集的基础矩阵；

步骤3：利用原算法得到的基础矩阵，计算匹配点在对应图像上的极线；

步骤4：在极线集合中获取能够在图像上均匀分布的极线；

步骤4-1：计算极点，判断极点在图像内还是图像外；

步骤4-2：极点在图像外时，根据极线与图像边缘的交点关系，分别选取1、2、3或4条极线做研究；

步骤4-3：极点在图像内时，根据极线之间的夹角关系，分别选取1、2、3或4条极线做研究；