[发明专利]一种基于多尺度邻域梯度模型的图像特征点实时匹配方法

权利要求书

1.一种基于多尺度邻域梯度模型的图像特征点实时匹配方法，其特征在于，包括如下步骤：

步骤1，构建多尺度特征图：对于原始图像，分别构建尺度特征图上采样图像Y_i+1和下采样图像Z_j+1，根据采样图像映射得到特征图映射表，生成多尺度图像序列ZV和位置映射表序列LV；

步骤2，提取候选兴趣点：在多尺度图像序列上分别按照水平、垂直方向遍历构建9*9矩阵窗口X_w和9个3*3子块矩阵SX_i，计算矩阵SX_i的邻域梯度，判断当前矩阵中心像素子块矩阵SX₅是否为候选兴趣点，依次对图像进行全部窗口遍历得到候选兴趣点向量VT；

步骤3，进行特征点判定：对候选兴趣点向量VT通过位置映射表序列和多尺度图像序列计算得到多尺度特征图9*9窗口矩阵向量和子块特征图3*3窗口矩阵向量对当前中心点像素值进行特征点判定，依次对候选兴趣点向量VT进行判定得到当前图像的特征点向量VTR；

步骤4，进行特征点匹配：分别提取两幅图像A、B的特征点向量VTR₁、VTR₂，分别计算向量VTR₁、VTR₂按照距离比值α从小到大进行重新匹配排序得到对比集向量PD；计算变换映射矩阵，对当前特征点进行匹配判断，计算当前特征点匹配映射矩阵。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：对于原始图像X₀，分别构建尺度特征图上采样图像和下采样图像；

其中，多尺度特征图上采样第i+1层的图像Y_i+1如下所示：

其中，X_i为第i层图像，i∈(1,2,3),函数W_up表示将图像X_i像素位置(x,y)映射到第i+1层图像的(2x+1,2y+1)位置；为拉普拉斯高斯函数，h₁为拉普拉斯高斯函数的尺度因子，表示图像的卷积操作；

多尺度特征图下采样第j+1层的图像Z_j+1如下所示：

其中，X_j为第j层图像，j∈(1,2,3)，函数W_dw表示计算得到图像X_j的偶数行像素，为拉普拉斯高斯函数，h₂为拉普拉斯高斯函数的尺度因子；

根据上采样图像Y_i+1和下采样图像Z_j+1映射得到特征图映射表，生成多尺度图像序列ZV和位置映射表序列LV。

3.根据权利要求2所述的方法，其特征在于，步骤2中，采用如下公式计算矩阵SX_i的邻域梯度SXG_i：

SXG_i＝SXG_xi+SXG_yi

SXG_xi＝SX_i(l+1,m)-SX_i(l,m)

SXG_yi＝SX_i(l,m+1)-SX_i(l,m)

其中SXG_xi、SXG_yi分别为邻域水平梯度、垂直梯度，l、m分别为水平坐标和垂直坐标，i∈(1,2,...9)。

4.根据权利要求3所述的方法，其特征在于，步骤2还包括：

采用如下公式对当前矩阵中心像素子块矩阵SX₅进行判断：

其中LT为候选兴趣点标志位，N₁表示子块邻域梯度比较数量统计阈值，LT＝1表示当前矩阵中心像素点为候选兴趣点,LT＝0表示当前像素点为非候选兴趣点；依次对原始图像X₀进行全部窗口遍历得到候选兴趣点向量VT，候选兴趣点信息包括水平坐标、垂直坐标和像素值。