[发明专利]基于软决策优化的基础矩阵鲁棒估计方法

说明书

本发明属于计算机视觉技术领域，公开了基于软决策优化的基础矩阵鲁棒估计方法。该方法包括：获取图像，提取特征点，为每个待匹配特征点选取k个对应的候选匹配特征点，进行粗匹配确定候选点对集；计算初始基础矩阵，将初始基础矩阵按列排列得到初始列向量；构建基于Sampson距离误差的软决策目标函数，采用驻点法得到递归公式，根据递归公式及初始列向量迭代递归，得到收敛向量；将收敛向量反变换为3×3的矩阵，并采用奇异值分解法将矩阵的秩限制为2，得到基础矩阵；根据估计得到的基础矩阵确定内点集合。本发明能够有效应对大的噪声和过高比例的外点影响，准确的估计基础矩阵和内点集。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及基于软决策优化的基础矩阵鲁棒估计方法。

背景技术

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

图像特征匹配与基础矩阵估计是计算机视觉任务的两个重要步骤。具体来说，当用两个相机在不同的位置拍摄同一物体，如果两幅图片中的景物有重叠的部分，那么这两幅图片之间存在一定的对应关系。图像特征匹配的目的就在于通过对图像内容、特征、结构、关系、纹理及灰度等的对应关系、相似性和一致性的分析，寻求相似图像目标，从而建立两幅图像之间的空间对应关系。进一步的，如果在图像特征匹配的基础上再加以一定的约束条件，就可以更准确的描述两幅图片之间的对应关系。而基础矩阵可以表达两幅视图对应点之间存在的极线约束关系(极线约束是计算机视觉中最重要的一种几何约束关系)，因此，通过对基础矩阵进行估计，可以更有效的建立两幅图片之间的对应关系。图像特征匹配与基础矩阵估计之间存在着紧密的耦合关系，基础矩阵的估计依赖于特征匹配获得的对应点对，当对应点对中外点 (错误匹配的点对)比例较高时，基础矩阵估计的精度将会严重下降；基础矩阵表示的极线约束又是选择内点(正确匹配的点对)的重要标准。

然而，发明人发现，目前广泛使用的基础矩阵的估计方法，如RANSAC算法及其改进方法，都是先进行特征匹配得到匹配点集，进而根据匹配点集估计基础矩阵，即，现有技术是将特征匹配和基础矩阵估计分开来处理的。因此，现有方法虽然实现容易，但存在外点比例过高的问题，这会大大降低基础矩阵估计的准确度。

发明内容

有鉴于此，本发明的实施例提供基于软决策优化的基础矩阵鲁棒估计方法，以至少解决现有技术对基础矩阵估计的准确度会受外点比例过高影响的问题，能够有效应对大的噪声和过高比例的外点影响，准确的估计基础矩阵和内点集。

为达到上述目的，本发明的实施例采用如下技术方案：

提供一种基于软决策优化的基础矩阵鲁棒估计方法，包括：

步骤1，获取同一场景不同视角下的两幅图像，提取两幅图像的特征点，并将其中一幅图像的特征点作为待匹配特征点，从另一幅图像的特征点中为每个待匹配特征点选取k个对应的候选匹配特征点；进而，根据每个待匹配特征点对应的k个候选匹配特征点，进行粗匹配，确定候选点对集；其中，k为预设正整数，4≤k≤10；

步骤2，基于各待匹配特征点对应的候选点对集，采用归一化8点法，计算得到初始基础矩阵，并将所述初始基础矩阵按列排列，得到初始列向量f₀；

步骤3，构建基于Sampson距离误差的软决策目标函数J(f)，并求得所述软决策目标函数关于列向量f的偏导数，进而采用驻点法得到求解所述软决策目标函数的递归公式；根据所述递归公式以及初始列向量f₀，经过多次迭代递归，最终获得所述软决策目标函数的收敛向量f_final；

步骤4，将所述收敛向量f_final反变换为3×3的矩阵并采用奇异值分解法将矩阵的秩限制为2，即得到基础矩阵；