[发明专利]一种图像自适应的特征匹配优化算法

说明书

本发明公开了一种图像自适应的特征匹配优化算法，包括以下步骤：获取待匹配的两幅图像；检测特征点，并设定Hessian矩阵阈值参数为1200，分别得到一一对应的特征点集pts1和特征点集pts2；判断特征点集pts1与特征点集pts2的特征点是否大于等于2；若是，则对所述特征点集pts1和特征点集pts2进行特征点筛选；添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点；寻找一个最佳单应性矩阵H，以获得一组匹配的特征点对matches；若特征点小于2或特征点对matches的对数小于5，分别采用卷积核为M对两幅图像进行卷积锐化处理，并调低Hessian矩阵阈值参数为400；对两幅图像匹配的特征点对matches的任一组特征点进行先验知识约束。

技术领域

本发明涉及图像处理技术领域，尤其是一种图像自适应的特征匹配优化算法。

背景技术

特征点匹配，是找到两点集之间的对应关系和空间映射关系，以点的位置表示点特征是一种最简单的特征。目前，现有的特征点匹配多用于光线较好区域，现有的特征匹配已无法适用于光线较暗、较模糊等图像特征较少的情况；例如，机场道面检测技术领域，其由于机场道面图像检测绝大多数情况下都在夜间无飞机起飞期间，且机场所设置的进近灯光、着陆灯光和滑行灯光离地距离均较近，其照射在机场道面上的范围是有限的。

因此，急需要对现有的图像拼接的特征匹配进行改进，根据特征点数量自适应，对特征较少的图增加图像特征，从而实现较差环境下图像匹配。

发明内容

针对上述问题，本发明的目的在于提供一种图像自适应的特征匹配优化算法，本发明采用的技术方案如下：

一种图像自适应的特征匹配优化算法，包括以下步骤：

步骤S01，获取待匹配的两幅图像。

步骤S02，采用SUFR算法检测特征点，并设定Hessian矩阵阈值参数为A，分别得到与两幅图像一一对应的特征点集pts1和特征点集pts2；所述A为大于等于400、且小于等于1200的自然数。

步骤S03，判断特征点集pts1与特征点集pts2的特征点是否大于等于2；若是，则进入步骤S04；否则，进入步骤S07。

步骤S04，采用kNNMatch最近邻算法对所述特征点集pts1和特征点集pts2进行特征点筛选。

步骤S05，添加对称约束，以获得特征点集pts1和特征点集pts2一一对应匹配的特征点。

步骤S06，采用RANSAC算法寻找一个最佳单应性矩阵H，以获得一组匹配的特征点对matches；并判断两幅图像匹配的特征点对matches的对数是否大于5；若是，则进入步骤S07；否则进入步骤S08。

步骤S07，分别采用卷积核为M对两幅图像进行卷积锐化处理，并调低Hessian矩阵阈值参数为A，重复一次步骤S04～步骤S05；并进入步骤S08。

步骤S08，对两幅图像匹配的特征点对matches的任一组特征点进行先验知识约束。

步骤S09，判断两幅图像的特征点数量是否大于零，若是，则特征匹配成功；否则，特征匹配失败。

进一步地，所述步骤S02中，Hessian矩阵阈值参数为A为1200。

更进一步地，所述步骤S07中，Hessian矩阵阈值参数为A为400。

更进一步地，所述步骤S07中，卷积核M的表达式为：

与现有技术相比，本发明具有以下有益效果：