[发明专利]一种特征匹配方法及相关设备

说明书

本申请提供了一种特征匹配方法及相关设备，可以提高图像的特征匹配的精度。该方法包括：将第一SIFT特征集合中的SIFT特征与第二SIFT特征集合中的SIFT特征进行匹配，得到第一有效匹配集合；确定第一SIFT特征坐标集合以及第二SIFT特征坐标集合；当第一有效匹配集合中的匹配对数量大于目标预设值时，确定第一有效匹配集合对应的第一单应性矩阵；根据第一单应性矩阵对第二图像以及第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换，得到第一目标SIFT特征坐标集合；确定第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标，第二坐标与第二SIFT特征相对应；将第一SIFT特征以及第二SIFT特征进行特征匹配后加入第二有效匹配集合。

技术领域

本申请涉及计算机视觉领域，尤其涉及一种特征匹配方法及相关设备。

背景技术

特征匹配是计算机视觉中极为重要的课题，是目标检测与追踪、图像检索、同步定位与建图等应用的关键一环。尺度不变特征变换(Scale-invariant feature transform，SIFT)特征匹配是一个兼具运算速度与匹配质量的匹配方法，通过对局部像素进行网格划分并统计8个方向上的梯度，同时确定梯度主方向，随后将其排列为一个能够描述该特征点的高维向量。SIFT特征匹配能够取得较为满意的匹配效果，并且对光照、方向、尺度以及图像质量具有一定的鲁棒性。但是SIFT特征匹配仅使用了图像的特征信息，即局部图像的梯度信息。当需要对图像进行较高精度的匹配时，SIFT特征匹配并不能稳定地给出令人满意的匹配结果。

为了解决该问题，现有中给出了基于数据聚类的适应性图像SIFT特征匹配方法、基于数据聚类的鲁棒SIFT特征匹配方法以及局部结构与拓扑几何约束的倾斜影像直线特征匹配方法，其中，基于数据聚类的适应性图像SIFT特征匹配方法将SIFT特征点用KD树(Kd-Tree，即K-dimensionaltree，是一种高维索引树形数据结构)以及Vocabulary树聚类，然后将特征匹配分为两阶段，分别以最优节点优先算法(Best-Bin-First，BBF)连同信息熵进行聚类特征匹配选择关键图像，以及对关键图像进行特征匹配；基于数据聚类的鲁棒SIFT特征匹配方法与上一方法类似，区别在于选择关键图像时使用了针对普通特征以及聚类特征相分离的最优概率投票策略；局部结构与拓扑几何约束的倾斜影像直线特征匹配方法针对倾斜影像显著视角变化导致直线特征匹配困难问题，提出了结合局部结构和拓扑几何的约束方法，通过对直线特征进行编组构成特征组并进行匹配。

但是，无论是基于数据聚类的适应性图像SIFT特征匹配方法，还是基于数据聚类的鲁棒SIFT特征匹配方法，还是局部结构与拓扑几何约束的倾斜影像直线特征匹配方法都是仅基于图像特征的匹配，由此得到的特征匹配的精度并不高。

发明内容

本申请提供了一种特征匹配方法及相关设备，可提高图像特征匹配的精度。

本申请实施例第一方面提供了一种特征匹配方法，包括：

确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合，所述第一图像以及所述第二图像为待进行特征匹配的图像，所述第一图像以及所述第二图像中包含相同的物体；

将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配，得到第一有效匹配集合；

确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合；

当所述第一有效匹配集合中的匹配对数量大于目标预设值时，确定所述第一有效匹配集合对应的第一单应性矩阵，所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系；