[发明专利]一种应用于图像三维重建的图像匹配方法及系统

说明书

本发明涉及一种应用于图像三维重建的图像匹配方法及系统，属于图像匹配技术领域，解决了现有技术中图像匹配算法存在的特征提取速度慢或检测到的特征点不具有旋转不变性、精确匹配过程计算量大以及匹配效率低等问题。方法步骤包括：获取并预处理参考图像和待匹配图像；利用AKEZE算法分别获得预处理后的参考图像和待匹配图像的特征点，并生成特征点对应的特征描述符；基于参考图像和待匹配图像的特征描述符之间的欧式距离，得到参考图像和待匹配图像的粗匹配特征点对集合；获取参考图像和待匹配图像的粗匹配特征点集的平均值，并基于平均值构建几何矩阵及距离度量模型，获得精度匹配特征点对，并完成参考图像和待匹配图像之间的匹配。

技术领域

本发明涉及图像匹配技术领域，尤其涉及一种应用于图像三维重建的图像匹配方法及系统。

背景技术

三维重建中的图像匹配方法一般可以分为两类：基于灰度的图像匹配方法和基于特征的图像匹配方法。其中，基于灰度的图像匹配方法，利用图像的灰度信息计算图像之间的相似度，但是，这种方法易受图像之间几何变换的影响，导致匹配率降低。而基于特征的图像匹配方法，利用图像中具有稳定特征的点、线和边缘来进行匹配，同时对图像的灰度变化具有较好的鲁棒性，因此是研究和应用最为广泛的图像匹配方法。

基于特征的图像匹配方法，主要步骤包括：特征点的提取、特征描述符的生成和特征的配准。其中，尺度不变特征变换(SIFT,Scale-invariant feature transform)算法是一种常见的特征匹配算法，但是该算法的复杂度较高，难以满足实时性的要求。Alcantarilla等提出了利用非线性扩散滤波和非线性尺度空间进行特征检测和描述的KAZE算法，该算法可以平滑噪声，并保留细节或边缘，但计算成本较高。为了加速KAZE算法，Alcantarilla等人于2013年提出了AKAZE算法，动态地加快了非线性尺度空间的计算速度。在三维重建中，传统的SIFT算法使用高斯尺度空间和高斯导数作为平滑核，但高斯模糊不能自适应图像的自然边界，并在所有尺度上平滑细节和噪声，同时AKAZE与SIFT的组合检测到的特征点不具有旋转不变性，影响了最终的匹配效果。

在对特征描述符进行粗匹配时，通常使用欧式距离来衡量特征向量的相似性。在进行细匹配时通常采用随机抽样一致性(Random Sample Consensus,RANSAC)算法，它通过迭代的方式从包含内点和外点的点集中估计模型拟合数据的参数，从而地消除异常值。但RANSAC算法的迭代次数没有上限，误匹配率较高，计算量较大，增加了整体重建的运算时间。而RANSAC算法利用距离度量模型多次提取最小内点集，并调整该模型中的参数，匹配结果不稳定且计算量大，匹配效率较低，RANSAC难以有效去除错误点。

发明内容

鉴于上述的分析，本发明旨在提供一种应用于图像三维重建的图像匹配方法及系统，用以解决现有图像匹配算法存在的特征提取速度慢或检测到的特征点不具有旋转不变性、精确匹配过程计算量大以及匹配效率低等问题。

本发明的目的主要是通过以下技术方案实现的：

一方面，提供了一种应用于图像三维重建的图像匹配方法，所述方法包括以下步骤：

步骤S1：获取参考图像和待匹配图像，并对所述参考图像和待匹配图像进行预处理；

步骤S2：利用AKEZE算法分别获得预处理后的参考图像和待匹配图像的特征点，并生成所述特征点对应的特征描述符；

步骤S3：基于所述参考图像和待匹配图像的特征描述符之间的欧式距离，得到参考图像和待匹配图像的粗匹配特征点对集合；所述粗匹配特征点对集合中包含所述参考图像和待匹配图像的粗匹配特征点集；

步骤S4：获取所述参考图像和待匹配图像的粗匹配特征点集的平均值，并基于所述平均值构建几何矩阵及距离度量模型；基于构建的所述距离度量模型，获得精度匹配特征点对；