[发明专利]一种基于四叉树结合ORB和SIFT的特征匹配方法

权利要求书

1.一种基于四叉树结合ORB和SIFT的特征匹配方法，其特征在于：包括以下步骤：

步骤1：读取图像，对图像进行构建图像金字塔；

步骤2：根据图像金字塔每层图片的大小划分网格区域；

步骤3：在网格区域内进行自适应阈值的FAST特征点提取，并使用四叉树划分特征点；

步骤4：使用灰度质心法计算特征点方向；

步骤5：使用SIFT描述子对特征点进行描述；

步骤6：采用FLANN匹配器对两张图像上的特征点进行粗匹配；

步骤7：根据比例阈值筛选特征点粗匹配对；

步骤8：根据角度旋转一致性进行二次筛选特征点粗匹配对；

步骤9：对步骤8剩下的匹配点进行RANSAC算法迭代，并输出提纯后的匹配图像；

所述步骤2中根据图像金字塔每层图片的大小划分网格区域的步骤包括：

1)遍历图像金字塔每一层图像；

2)计算当前层图像的坐标有效图像边界，即可以提取特征点的有效图像边界；

3)根据有效图像边界，计算可提取特征点的图像区域的尺寸；

4)根据3)中的尺寸和设定网格的宽高，计算当前层图像中网格区域的行数和列数；

5)计算每个图像网格区域所占像素的行数和列数；

6)遍历图像网格区域，对每个网格区域做所述步骤3操作；

所述步骤9中RANSAC算法迭代方法为：

1)在步骤8剩下的N个匹配点对中随机抽选4个匹配点对作为样本数据；

2)根据随机抽选的这4个匹配点对计算出变换矩阵H，并将其记为模型M；

3)计算剩余N-4个匹配点对与模型M的投影误差，若误差大于阈值，则标记此点，若误差小于阈值，则将该点加入到内点集In中；

4)如果当前内点集In中内点个数大于最优内点集In_max，则更新最优内点集In_max为当前内点集，同时更新迭代次数其中p为置信度，取0.995，w为内点比例，m为计算模型所需的最少样本数4；

5)如果迭代次数大于K，则退出；否则迭代次数加1，重复执行上述步骤；

6)迭代完成后，得到内点数最多的集合即为最终内点集合，与此相对应的H变换矩阵中的参数作为参数估计的最优值。

2.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法，其特征在于：所述步骤1中构建图像金字塔的步骤包括：

1)读取图像金字塔层数，遍历每一层图像；

2)读取当前层图像的缩放系数，对其进行高斯降采样；

3)对当前层图像进行扩充边界操作，对图像的边缘扩充19个像素，以便提取特征点。

3.根据权利要求1所述一种基于四叉树结合ORB和SIFT的特征匹配方法，其特征在于：所述步骤3中在网格区域内进行自适应阈值的FAST特征点提取，并使用四叉树划分特征点包括以下步骤：

1)逐个读取在网格区域中的像素点p的亮度I_p；

2)根据FAST算法的本质就是检测局部像素灰度变化明显地方的原理，采取局部阈值和图像局部的对比度成比例关系的方法，选取图像上p点为候选特征点，以p点为中心选取边长为L的方形区域，取动态局部阈值T为：

式中，和(i＝1，2，...，n)分别为方形区域中最大的n个灰度值和最小n个灰度值，为方形区域的灰度平均值，比例系数w，选取2～4；

3)以像素点p为中心，选取半径为3的离散化的Bresen-ham圆上的16个像素点；

4)如果圆上有连续12个点的亮度大于I_p+T或小于I_p-T，则认为p点是一个特征点；

5)如果没有检测到特征点，则降低设定的阈值T，重新检测；

6)按照每层图像需要提取的特征点个数确定当前层的四叉树节点，并将当前层提取的特征点划分到这些节点中，保证每一个节点至少有一个特征点；

7)对四叉树节点中的每个特征点计算Harris响应值，保留每个节点中响应值最大的特征点。