[发明专利]一种基于RANSAC算法的带有遗传因子的图像匹配方法

说明书

本发明公开了一种基于RANSAC算法的带有遗传因子的图像匹配方法，包括利用SURF算法计算找出图像中的特征点和连续两张图像中匹配特征点作为图像匹配备选样本点集；利用PURSAC算法从样本点集中选出样本点进行图像匹配，获得初始图像匹配模型并计算模型质量系数；根据质量系数判定当前图像匹配模型采取的不同处理步骤；迭代数次后如果图像匹配模型质量始终不满足条件，则根据遗传因子λ选出一定比例样本点直接进行模型匹配，并得出最终图像匹配模型。本发明方法有效地减少了的迭代次数，提高了模型匹配的效率和可靠性。在图像匹配过程中，可以解决RANSAC及其它现有算法实时性与鲁棒性效果较差且算法迭代次数过高的问题。

技术领域

本发明涉及属于机器视觉领域，具体涉及图像识别和特征点匹配的基于RANSAC算法的带有遗传因子的模型识别方法。

背景技术

RANSAC(随机样本一致性)是一种在存在外点(或叫异常值)的情况下进行模型拟合的基准算法，特别是在计算机视觉中，如视觉里程计、运动结构和图像修补，多用于解决图像特征点匹配的问题。它是基于这样一个假设，即未受离群值污染的样本子集将构造一个正确的模型，并且对于离群值去除和粗略的模型估计具有鲁棒性。它遵循一个假设和验证框架：从给定的数据集中随机抽取模型拟合的样本子集，用于拟合模型假设，然后通过计算所有其他样本到该模型的距离，并构造一个内点子集来评估模型拟合。重复这个假设和验证循环，直到迭代次数足够大，能够达到预先定义的成功率，从而找到由内点构建的模型。对于对精度和实时性要求较高的情况下，尤其是在异常值比率较高的情况下，RANSAC既不可靠，效率也不高。在模型搜索迭代终止、模型拟合可靠性和质量指标等方面存在严重局限性。

为了改进RANSAC，许多RANSAC的变体算法被提出。Torr和Zisserman的MLESAC(最大似然估计样本共识)采用与RANSAC相同的抽样策略来生成假定解，但选择该解来最大化似然性，而不仅仅是引入内点数。Chum和Matas提出了局部优化的ransac(lo-ransac)和最优随机ransac，以提高假设生成步骤，只使用最佳模型的内点集。尼斯特针对实时性应用，提出了preemptive RANSAC，该方法保证算法在特定时间内终止。Capel为RANSAC开发了一个统计测试，允许提前终止评分过程，并节省计算成本。Wang和Luo介绍了PURSAC(目的性样本共识)，以避免在RANSAC中使用来自数据集的识别信息和噪声模型关系的几何分析进行随机模型搜索。不确定性RANSAC将样本的不确定性作为减少迭代次数的外点。还引入了确定性RANSAC方法来估计匹配的正确概率。

虽然提出了许多改进RANSAC的算法，但它们基本上仍在RANSAC设定的轨道上，并存在一些共同的弱点。由于异常值比率未知，因此RANSAC及其变体中使用的内点数量并不是评估模型拟合质量的真实指标。它们缺乏终止迭代模型搜索过程的可靠标准。通常情况下，它们的建模解是不精确的，如果想获得最优解，需要大量的不必要的迭代次数。此外，假设生成的子集选择并没有充分利用迭代模型搜索过程中生成的信息。他们的迭代模型搜索过程只是保持了迄今为止最好的模型尝试，但没有从所有其他尝试中获得线索。

发明内容

为解决现有技术中存在的上述缺陷，本发明的目的在于提供一种基于RANSAC算法的带有遗传因子的图像匹配方法。通过充分利用每次迭代模型中的有效信息，用于最终的图像匹配。在提高精度的同时，大大降低了迭代次数，提高了算法效率。本发明高效、高准确率地解决计算机视觉在立体视觉领域中对相机的匹配点问题及基本矩阵的计算的问题。通过分析模型拟合的质量，使用在每个模型拟合尝试中提供的信息，然后决定在为模型假设选择下一个子集样本时，它们的内点倾向于包括或排除在数据集中。

本发明是通过下述技术方案来实现的。

一种基于RANSAC算法的带有遗传因子的图像匹配方法，包括如下步骤：

1)利用SURF算法计算找出图像中的特征点，并找出连续两张图像中互相匹配的特征点作为图像匹配的备选样本点集；