[发明专利]一种高动态范围三维图像配准方法

权利要求书

1.一种高动态范围三维图像配准方法，其特征在于，包括如下步骤：

第一步，提取基于Haar-like特征改进的SURF描述子；

第二步，采用双向FLANN近邻匹配方法进行特征匹配；

第三步，采用改进的RANSAC算法进行误匹配点的剔除。

2.根据权利要求1所述的一种高动态范围三维图像配准方法，其特征在于，所述第一步具体包括以下内容：

采用SURF算法进行快速Hessian算子检测得到特征点，随后对特征点进行精确定位，确定主方向，并构造特征向量；

以特征点为中心，首先将坐标轴旋转到所述主方向，按照所述主方向选取边长为20s的正方形区域，其中s为采样步长；

将该正方形区域划分为4×4的子区域，在每一个子区域内，计算5s×5s范围内的小波响应，相对于主方向水平、垂直方向的Haar小波响应分别记做d_x和d_y，赋予响应值d_x和d_y以权值系数；并引入Haar-like特征的线特征和对角特征，对线特征和对角特征的响应分别记作d_l和d_d，然后将每个子区域的响应以及响应的绝对值相加，并在每个子区域形成八维分量的矢量：

V＝(∑d_x,∑|d_x|,∑d_y,∑|d_y|,∑d_l,∑|d_l|,∑d_d,∑|d_d|) (2)

因此，对每一特征点，则形成4×4×8＝512维的描述向量，再进行向量的归一化。

3.根据权利要求1所述的一种高动态范围三维图像配准方法，其特征在于，所述第二步具体包括以下内容：

设参考图像I₁的特征点x在待配准图像I₂中的最近邻特征点为m，点x在图像I₂中的次近邻特征点为n，点x、m与n的特征向量分别为F_x、F_m与F_n，则FLANN近邻匹配的主要步骤如下：

Step1：计算点m、n与点x的欧氏距离d_mx和d_nx：

dmx=Σi=170(Fm(i)-Fx(i))2dnx=Σi=170(Fn(i)-Fx(i))2---(4)]]>

Step2：计算距离比值R＝d_mx/d_nx；

Step3：如果R＜ε，ε为阈值，则点x与点m匹配成功；否则匹配失败；

根据上述FLANN近邻匹配的匹配步骤，先从参考图像I₁到待配准图像I₂对特征点进行FLANN搜索匹配，然后再从待配准图像I₂到参考图像I₁进行FLANN搜索匹配，保留两次搜索匹配结果一致的特征点对，否则删除，由此得到一一对应的特征匹配结果。

4.根据权利要求1所述的一种高动态范围三维图像配准方法，其特征在于，所述第三步具体包括以下内容：

参考图像I₁与待配准图像I₂之间的关系采用投影变换模型来描述，其变换模型矩阵M用公式(5)表示；

x′y′1=m11m12m13m21m22m23m31m321xy1---(5)]]>

式中：(x',y')是参考图像的点，(x,y)是待配准图像中与(x',y')相对应的点，m₁₁～m₃₂为变换模型矩阵M里的参数；

所述改进的RANSAC算法的步骤如下：

Step1：将双向FLANN近邻匹配得到的匹配点对组成样本集P，对P中的所有匹配点(x_i,y_i)、(x_i',y_i')按近邻匹配距离比值由小到大进行排序，选取前T对匹配点对作为RANSAC初始数据集S；

Step2：从S中随机抽取包含4对匹配点对的子集A，用来估计变换矩阵M的8个参数；

Step3：利用估计的参数对余集C_pA中的每一对匹配点对(x_i,y_i)，(x_i',y_i')进行判断，若点(x_i,y_i)经过变换矩阵变换后的点与(x_i',y_i')的距离小于设定的阈值，则此匹配点对为内点，并记录内点数量；否则，该匹配点对为外点；

Step4：重复执行Step2和Step3，执行K次后转Step5，K＝lg(1-p)/lg(1-q⁴)，其中，p为所有采样中至少有一次估计的所有匹配点对都为内点的概率，q为内点数与特征点总数的比值；

Step5：将有最多内点数的变换矩阵参数作为最终变换参数，满足此最终变换参数的数据集作为最终的匹配点集。