[发明专利]基于特征和区域匹配相结合的深度信息获取方法

摘要

本发明公开了一种基于特征和区域匹配的深度信息获取方法，首先采用SIFT（scaleinvariantfeaturetransform）特征提取方法获得特征点，并利用特征点的空间位置、梯度和方向信息进行匹配。对于非特征点，利用区域匹配方法进行匹配，以特征匹配结果为约束，采用视差梯度原理缩小搜索范围减少运算时间。本发明方法简单实用，运行速度快匹配准确率高，不需要通过实验室条件下的特殊仪器即可实现深度信息的获取，具有很强的实用价值。

主权项

一种基于特征和区域匹配相结合的深度信息获取方法，其特征在于：利用SIFT特征点匹配方法和区域匹配方法结合，利用较少的时间来获取准确的稠密深度图，该方法其具体步骤如下：(1)匹配图像特征点的提取：在匹配的图像对上提取SIFT(scale invariant feature transform)特征，形成特征向量进，并对特征点进行标记，SIFT特征点的提取需要对相邻尺度的高斯图像相减得到高斯差分多尺度空间；在高斯差分多尺度空间中求得局部极值点；其具体步骤如下：1)检测尺度空间极值：图像的尺度空间定义为一个函数L(x,y,σ)，由可变尺度高斯函数G(x,y,σ)与输入图像I(x,y)卷积得到：I(x,y,σ)＝I(x,y)×G(x,y,σ)    (1)，其中，$G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2---\left(2\right);}$高斯差分尺度空间D(x,y,σ)为存在常数乘性尺度因子k的相邻尺度高斯函数的差分与原图像卷积；D(x,y,σ)可以表示为：$\begin{array}{c}D(x,y,\mathrm{\σ})=(G(x,y,\mathrm{k\σ})-G(x,y,\mathrm{\σ}))\×I(x,y)\\ =L(x,y,\mathrm{k\σ})-L(x,y,\mathrm{\σ})\end{array}---\left(3\right);$2)精确定位特征点：首先获取候选特征点处的拟合函数：$\begin{array}{c}D\left(X\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^T\frac{{\∂}^{2}D}{\∂X^2}X\\ X=(x,y,\mathrm{\σ})\end{array}---\left(4\right);$求导得到极值点与对应极值，并且不断修正X求出局部最优点；3)利用特征点邻域像素的梯度方向分布特征，为每个特征点指定方向参数，(x,y)处的方向和梯度值分别为：θ(x,y)＝arctan[L(x,y+1)‑L(x,y‑1)/L(x+1,y)‑L(x‑1,y)]   (5)；$\begin{array}{c}m(x,y)=\\ \sqrt{(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2}\end{array}---\left(6\right);$一个特征点用16个种子点描述，而每个种子点有8个方向向量信息，因此，每一个特征点产生128个数据，形成一个128维的描述向量；(2)SIFT特征点的匹配：对左、右两幅图像分别得到SIFT特征向量后，计算两幅图像的每个特征点在待匹配图像的特征点中的最相似匹配，这里最相似定义为特征向量间的最小欧式距离；(3)区域匹配：在特征匹配结果的约束下，确定非特征点的所在分块，利用视差梯度估计搜索范围，并进行匹配。