[发明专利]一种图像误匹配精确剔除方法

说明书

本发明涉及一种图像误匹配精确剔除方法，网格匹配统计约束能够快速的区分出设定大小的网格区域内的正确匹配对和错误匹配对，从而剔除错误匹配对保留正确的匹配对获得一个粗略匹配集；结合自提出的投影误差函数的改进对极约束模型能够再进一步剔除粗略匹配集中不符合改进对极约束模型的匹配对，从而获得优质的匹配集。该方法融合了网格匹配统计约束能够快速的区分出网格区域内的正确匹配对和错误匹配对，并进行剔除和改进的对极约束模型能够快速剔除不满足对极约束的匹配对的优点，从而能够获得优质的匹配对，用时更少，匹配准确度更高。该方法能够适应不同大小复杂的场景，方法应用于视觉同步定位与建图，三维重构以及视觉跟踪等领域都会有不错的效果。

技术领域

本发明涉及一种图像处理技术，特别涉及一种融合网格匹配统计约束和改进对极约束模型的图像误匹配精确剔除方法。

背景技术

图像匹配是视觉同步定位与建图，三维重构以及视觉跟踪等领域的一个非常重要的步骤，它需要图像匹配算法同时具有实时性，准确性，以及鲁棒性。图像匹配算法分为基于灰度不变性的直接匹配法以及基于特征相似性的匹配算法。基于特征的匹配方法一般通过寻找两幅图像之间的局部特征映射关系来完成，其中包括点匹配、线段匹配以及区域匹配。其中基于点特征匹配，由于其提取操作简单，且匹配方式灵活、用时更少，因此在图像匹配中被普遍使用。

基于点匹配的工作在Lowe[1]等人提出的基于尺度不变性的SIFT算法后普遍展开，该算法对尺度变化，旋转以及光照变化都有很好的适应性，但SIFT计算量大，花费的时间长，不具有实时性。Bay[2]等人将特征描述算子的维度降低到64维，提出了SURF匹配算法，尽管提高了匹配效率，可是在用在移动机器人视觉定位与导航中，实时性还是远远达不到。目前视觉里程计中大多采用Rublee[3]等人提出的ORB(Oriented FAST and RotatedBRIEF)特征匹配算法，ORB特征匹配算法在特征点提取匹配上具有快速性，在提取稀疏的特征点时具备初步的实时性。但是ORB匹配算法在提取得到特征点并建立初始匹配时，会有大量的误匹配点，从而导致视觉里程计的位姿估计不准确，鲁棒性差等问题。

因此剔除误匹配而保留优质的匹配在以上涉及的领域中是很重要的部分，目前在剔除误匹配传统做法是先利用ORB算法得到粗略的匹配点，然后利用RANSAC[4]算法进行剔除误匹配点，但RANSAC算法对初始值具有要求，需要预先得到初步准确的匹配集。MariusMuja[5]等人提出FLANN算法可以用来提出错误匹配点，得到粗略的匹配集，但结合该方法得到的匹配点很少，匹配质量不高，不利于后续工作。邢凯盛[6]等人通过结合ORB和RANSAC算法对ORB匹配点进行误匹配删除，可是由于RANSAC算法需要准确的初始值，而ORB算法刚匹配得到的匹配对充斥着大量的误匹配对，这样RANSAC算法初值不准确，会导致用它来删除误匹配时导致很大的不准确。秦晓飞[7]等人通过引进极线约束对ORB误匹配剔除，可是该算法首先要使用人工设定阈值剔除误匹配点，得到粗匹配集，再将极线约束与RANSAC算法结合进行误匹配剔除。该算法在获得粗匹配集时，需人工设定阈值，会有一定的人工因素干扰，并且在训练得到阈值时，时间花费比较长，造成算法不具有实时性。边佳旺[8]等人提出的GMS(匹配统计)算法能够快速对初始匹配集剔除误匹配对，不需要人工设定阈值，但该算法只能得到粗略匹配集，仍会存在误匹配，不能得到大量优质的匹配集。

发明内容

本发明是针对目前图像匹配算法会产生大量误匹配且算法不具有实时性的问题，提出了一种图像误匹配精确剔除方法，网格匹配统计约束能够快速的区分出设定大小的网格区域内的正确匹配对和错误匹配对，从而剔除错误匹配对保留正确的匹配对获得一个粗略匹配集。结合自提出的投影误差函数的改进对极约束模型能够再进一步剔除粗略匹配集中不符合改进对极约束模型的匹配对，从而获得优质的匹配集，一定程度上提高了匹配的准确率。

本发明的技术方案为：一种图像误匹配精确剔除方法，具体包括如下步骤：

1)用相机对同一场景拍摄两张具有10°～15°角度变换的图像，将获得的两张图像作为特征匹配算法的输入值；