[发明专利]一种影像匹配方法及装置

说明书

本发明属于影像匹配技术领域，具体涉及一种影像匹配方法及装置。本发明首先利用SIFT算法提取待匹配影像的特征点，生成高维特征点矩阵，再将高维特征点矩阵进行拆分，得到高维种子点矩阵，继续利用LDA的监督学习降维技术，将高维种子点矩阵转换为低维种子点矩阵，且低维种子点矩阵中的向量维数低于高维种子点矩阵中的向量维数，继而再将低维种子点矩阵转换为低维特征点矩阵，使得最终得到的低维特征点矩阵中的向量维数低于高维特征点矩阵中的向量维数，实现了高维特征点矩阵的降维处理，缩短了影像匹配时间，提高了运行效率。而且，采用LDA算法，其较好的可区分性可以有效提高匹配精度。

技术领域

本发明属于影像匹配技术领域，具体涉及一种影像匹配方法及装置。

背景技术

数字影像匹配是指通过一定的匹配算法，根据影像的特征信息在两幅或多幅影像之间识别同名点的过程，已广泛应用于图像拼接与融合、模式识别与目标跟踪等图像处理领域和机器视觉领域。对特征点进行提取以及匹配是影像匹配的重要环节。

特征匹配的经典算法尺度不变特征变换SIFT(Scale-Invariant FeatureTransform)算法于1999年由David Lowe教授提出，并在2004年对其进行完善。SIFT匹配算法是数字摄影测量领域中常用的提取并描述影像中局部特征的算法，主要针对局部区域包含的不变量进行提取。SIFT具有诸多优点，能够提取稳定的特征。对物体摄取二维影像时，所获得的影像一般会由于平移、旋转、缩放发生变形，但由于物体是固定不变的，所以无论影像如何变化，针对这一物体就会存在不变量。SIFT根据不变量进行特征检测，所检测的特征对于图像的尺度和旋转能保持不变性，同时对于亮度的改变也具有较强鲁棒性，并且能够较好地应对拍摄视角的调整、噪声的干扰以及一定程度上的仿射变形，能够实现两幅差异较大的图像之间的特征的匹配。虽然SIFT算法具有诸多优点，但是，由于SIFT算法本身复杂度高，其所生成的特征描述符是高维向量(例如128维)，高维度向量在匹配过程中不仅耗时，并且占用着巨大的计算资源和存储资源，匹配时间久，在实际应用中处理速度明显降低，很难满足实时性的要求。

随着统计学理论的不断发展，数据降维技术被运用在计算机视觉领域。曾有学者利用主成分分析法PCA(Principal Component Analysis)对特征向量进行降维，该方法将特征点邻域内像素梯度分量构成的高维特征向量投影至前20维本征向量空间，即降低至20维。PCA算法使特征向量维度有效降低，大幅度提升了匹配速度，但由于其属于不添加标签的无监督学习，所以匹配精度仍需提高。

发明内容

本发明提供了一种影像匹配方法及装置，用以解决现有技术采用无监督学习算法进行降维造成的匹配精度低的问题。

为解决上述技术问题，本发明的技术方案包括：

本发明提供了一种影像匹配方法，包括如下步骤：

1)采用SIFT算法分别提取待匹配影像的特征点，生成高维特征点矩阵；所述高维特征点矩阵的一行为一个特征点的高维特征向量，且一个特征点包括K个种子点，一个特征点的高维特征向量包括K个种子点的高维特征向量，K＞1；

2)将高维特征点矩阵的每一行进行拆分，得到高维种子点矩阵；所述高维种子点矩阵的一行为一个种子点的高维特征向量；

3)为各个种子点设置标签，并以其中一个待匹配影像的高维种子点矩阵及其标签作为数据集，采用LDA算法计算得到将高维种子点矩阵降至低维种子点矩阵的投影矩阵；低维种子点矩阵中的向量维数低于高维种子点矩阵中的向量维数；

4)利用所述投影矩阵将各个待匹配影像的高维种子点矩阵转换为低维种子点矩阵；所述低维种子点矩阵的一行为一个种子点的低维特征向量；

5)将属于同一个特征点的种子点的低维特征向量进行合并，以将低维种子点矩阵转换为低维特征点矩阵；所述低维特征点矩阵的一行为一个特征点的低维特征向量；