[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

说明书

本发明提供了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，首先构建了多尺度特征图上下采样模型，生成多尺度图像序列和特征图像位置映射表序列；其次构建矩阵遍历模板和子块矩阵遍历模板，并分别计算其邻域梯度，并判断得到候选兴趣点向量；对候选兴趣向量计算得到多尺度特征图矩阵向量，对利用中心点像素特征进行特征点判定；最后对特征点向量重新匹配排序得到对比集向量，通过计算变换映射矩阵及匹配向量得到特征点匹配映射矩阵。本方法显著提升了复杂背景下的图像特征点实时匹配精度，可广泛应用于全景拼接、图像目标定位、目标跟踪等领域。

技术领域

本发明涉及图像处理与计算机视觉领域，尤其涉及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。

背景技术

图像特征点匹配可广泛应用目标跟踪、图像联合定位、图像拼接等领域，受限于目标形态变化、运动背景干扰等复杂环境会造成目标特征点匹配效果大幅降低，现有的主要方法有基于SIFT、SURF、ORB、FAST等特征点匹配方法，由于光照变化、尺度变化、旋转变化、视角变化等影响，针对常规目标均能表现出优秀的性能，但对于复杂背景变化以及大场景高帧频要求场景，图像特征点匹配存在较多虚警，匹配精度会严重下降。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供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，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。

步骤1包括：对于原始图像，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，x,y分别表示横坐标和纵坐标；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；