[发明专利]一种加速特征点匹配的两步随机抽样一致性方法及系统

说明书

本发明提出了一种加速特征点匹配的两步随机抽样一致性(RANSAC)方法，适用于不同视点的相机在旋转角度变化小的情形下拍摄的图像间的特征点匹配问题。首先分别检测两幅图像的特征点，用特征描述子的距离作为度量建立两幅图像的特征点之间的初步匹配；然后，以只含缩放和平移参数的仿射变换为模型，应用RANSAC算法验证特征点的初步匹配，筛选出正确性最好的一个匹配特征点的集合；最后，在该匹配点集上生成全参数单应变换模型，用RANSAC算法计算一个最优单应变换，验证第一步建立的特征点的初步匹配，从而筛选得到最终的匹配点。本发明还提出了一种加速特征点匹配的两步随机抽样一致性系统。

技术领域

本发明属于计算机图形学和图像处理技术领域，涉及数学和计算机科学，可应用于基于图像的三维重建、图像拼接、图像配准和识别、医学图像处理等方面。

背景技术

在众多高效且稳定的特征点检测方法出现之后[1-4]，特征点匹配成为了图像处理的一个关键步骤，无论是图像拼接、三维重建还是图像识别，匹配点的正确性将直接影响算法的性能和最终的结果。因此在建立初始的Brute-Force匹配[5]之后，如何验证特征点匹配的正确性成为了一个重要的问题。常用的方法有随机抽样一致性(RANSAC)算法[6]和最小中值法(LMedS)[7]。出于效率的考虑，RANSAC算法通常设有迭代上限N，这使得该算法在极端情况，例如图像之间的重叠部分很小，野值比列非常大的情况下，极有可能找不到最好的模型导致匹配失败。如果放开迭代上限的约束，在大数据集中将会非常消耗时间，导致算法性能的下降。LMedS也是通过迭代变换模型来得到最优解，这个方法也可以容忍一定的噪声干扰，但在极端情况下，面临着RANSAC算法同样的问题。因此，研究人员相继提出了许多改进算法。2003年Chum等人提出了局部最优RANSAC方法--LO-RANSAC算法[8]，在传统方法的迭代过程中对当前最优解再做一步优化，一种优化方法是在返回结果的内点中再进行采样估计模型，设置固定的迭代次数，选取最优解，另一种方法是设置优化参数，把返回的内点中阈值小于等于该优化参数的数据作为最终优化结果。2005年Chum等人又提出的PROSAC算法[9]，在初始匹配集上建立对应关系的相似性函数，根据相似性对初始匹配集进行排序，从相似性高的数据点集合中进行随机采样。还有一些方法采用了特征点之间的几何一致性检查以提高内点比例，从而改进RANSAC算法性能。2009年Torsten Sattler等人提出了SCRAMSAC算法[10]，利用空间一致性检查对初始匹配点对进行筛选，以提高内点比例，从而加快估计的收敛速度。2019年Mehran Fotouhi等人提出了SC-RANSAC算法[11]，先用描述符距离最近与次近的比值作为筛选条件，选择比值最小的7组匹配点作为基准点，然后用基准点对初始匹配集中的每一组点进行空间一致性检查。

发明内容

本发明提出了一种加速特征点匹配的两步RANSAC方法：首先用3参数的仿射变换模型快速找到一个正确率高的匹配点集；然后在该匹配点集上用全参数单应变换模型验证初步匹配点集，筛选出最好的正确匹配点集。

本发明提出了一种加速特征点匹配的两步RANSAC方法，包括以下步骤：

步骤A：分别检测两幅输入图像的特征点，用特征描述子的距离作为度量建立不同图像的特征点之间的初步匹配；

步骤B：以只含缩放和平移参数的仿射变换为模型，应用RANSAC算法验证步骤A生成的初步匹配。随机构造多个仿射变换模型，模型个数有概率方法确定，每个模型把初步匹配划分为验证通过和不通过两个集合。验证通过的集合包含的匹配点数量最多的模型称为最优模型。输出最优模型验证通过的匹配特征点集；

步骤C：在步骤B筛选出的匹配点的集合上生成全参数单应变换模型，用RANSAC算法计算一个最优单应变换，验证步骤A生成的初步匹配，选出正确性高的最终匹配点集。

本发明步骤B中，用参数少的仿射变换模型快速找到一个匹配正确率高的匹配点集，包括：