[发明专利]一种图像特征点匹配方法

说明书

本发明公开了一种用于图像特征点匹配的高维向量最小距离计算提前结束方法，包括：计算目标图像的特征点与模板图像中的第一特征点的第一欧氏距离，计算目标图像的所述特征点与模板图像中的第二特征点的第二欧氏距离，将第一欧氏距离和第二欧氏距离作为最小欧氏距离和次小欧氏距离；将目标图像的所述特征点与模板图像中的下一特征点的高维向量描述中的元素划分成N个组，N为大于或等于2的整数；将一组元素加入欧氏距离计算，获得当前欧氏距离；将当前欧氏距离与所述次小欧氏距离进行比较；如果所述当前欧氏距离大于或等于所述次小欧氏距离，提前结束模板图像当前特征点的欧氏距离计算。

技术领域

本发明涉及计算机领域，具体而言，本发明涉及一种用于特征点匹配的高维向量最小距离计算的提前结束优化方法。

背景技术

Sift(Scale-invariant feature transformation尺度不变特征变换)特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。

Sift算法的三大工序为：(1)提取关键点；(2)对关键点附加详细的信息(局部特征)也就是所谓的描述器；(3)通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点，也就建立了景物间的对应关系。

Surf(Speed-up robust features加速健壮特征)算法是Sift算法的加速版，是一种稳健的局部特征点检测和描述算法，较sift算法来说，速度快且稳定性好，采用积分图像、Harr小波变换和近似的Hessian矩阵运算来提高时间效率。

目前的Surf算法，图像特征点用高维向量描述，特征点匹配需要通过高维向量，计算目标图像每个特征点与模板图像中所有特征点的欧氏距离，得到最小欧氏距离和次小欧氏距离，这种方法计算量大，直接影响匹配速度，不能满足Surf算法实际应用中速度方面的需求。

发明内容

本发明在现有的Surf算法的基础上，优化高维向量计算特征点最小欧氏距离和次小欧氏距离方法，提高了Surf匹配的速度。

根据本发明的一个实施例中，提供一种用于图像特征点匹配的高维向量最小距离计算提前结束方法，包括：

步骤110，计算目标图像的特征点与模板图像中的第一特征点的第一欧氏距离，计算目标图像的所述特征点与模板图像中的第二特征点的第二欧氏距离，将第一欧氏距离和第二欧氏距离作为最小欧氏距离和次小欧氏距离；

步骤120，将目标图像的所述特征点与模板图像中的下一特征点的高维向量描述中的元素划分成N个组，N为大于或等于2的整数；

步骤130，将一组元素加入欧氏距离计算，获得当前欧氏距离；

步骤140，将当前欧氏距离与所述次小欧氏距离进行比较；

如果所述当前欧氏距离大于或等于所述次小欧氏距离，提前结束模板图像当前特征点的欧氏距离计算。

在本发明的一个实施例中，如果当前欧氏距离小于次小欧氏距离，则在步骤150，判断目标图像的所述特征点与模板图像中的当前特征点的高维向量描述中的元素是否已经全部加入欧氏距离计算，

如果元素没有全部加入欧氏距离计算，则返回步骤130，

如果所有元素已经全部加入欧氏距离计算，则在步骤160，更新最小欧氏距离和次小欧氏距离，将当前欧氏距离与最小欧氏距离作为更新的最小欧氏距离和次小欧氏距离。

在本发明的一个实施例中，该方法还包括：