[发明专利]基于模拟退火的无序图像拓扑有序化匹配方法

说明书

技术领域

本技术涉及计算机视觉中的三维场景重建领域，特别是涉及图像中局部不变特征的匹配问题。

背景技术

目前在三维重建领域内，特征点匹配技术大多基于全搜索策略，即计算任意两幅图像间的特征点匹配关系，Schaffalitzky和Zisserman在文献Multi-view matching forunordered image sets(ECCV，vol.1，pp.414-431，2002.)中针对三维场景重建问题提出了一种完整的特征点匹配技术。该技术利用不变描述子检测图像的不变特征区域，建立哈希表存储两两视图间的初始匹配，使用贪婪算法构建图像间的匹配关系图，并根据图中的每一个连通分量(即有相关内容的若干幅图)找出至少25条图中特征点的连通轨迹，这种特征点匹配技术在只有几幅图像的小规模三维场景重建时效果较好，但是当重建的场景规模需要几十幅到上百幅图像时，利用传统方法处理时计算时间复杂度为O(n²)。即必须计算任意两幅图像间的匹配关系。例如采用100幅图像进行重建，以两视图匹配为基本计算单位，则计算量为100²＝10⁴。

发明内容

现有技术采用了基于全搜索策略的特征点匹配方法，其计算时间复杂度为O(n²)，为了进一步提高效率，降低匹配计算的复杂度，本发明提供一种基于模拟退火的无序图像拓扑有序化匹配方法，较之传统的方法，能够明显降低计算的复杂度并提高效率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

1.利用局部不变特征粗配数量作为图像内容相关度定量描述

针对通过互联网、图像数据库或者是电子摄像设备拍摄得到的无序图像集，首先从图论的角度分析问题并给出描述无序图像间相关度的数学模型，我们定义完全无向加权图G＝<E，V>，其中定义节点集合V对应无序图像集，即利用节点来作为图像的抽象表示，并保证一一对应；E为加权图中边的集合，我们这么定义E中边的集合的每一条边e：一条边e表示该条边的两个节点v_i和v_j所对应的两幅图像间图像内容的关联性，每一条边被赋予如下的权重：

w(e)＝w(v_i，v_j)＝feature_matching_number(v_i，v_j)    (1)

上式表示连接图像节点v_i和v_j的边的权重被定义为：两幅图像间局部不变特征点的匹配数量。

2.把图像内容相关度的和作为分组有序化代价函数

根据上面定义的完全无向加权图，图像的分组就相当于对应加权图的割集C，而由该割集得到的连通子图对应分组得到的图像子集，这样，图像分组有序化问题可以看作是一个最优化问题，而对应的代价函数可以定义为割集C(假设C中有K条边)所对应的边的权重和：

W(C)=Σkw(ek)=Σi≠jw(vi,vj)---(2)]]>

当代价函数取得一个极小值，即割集所占的边的权重和取得一个极小值，对应连通子图所占的图像的边的权重和极大值，这就意味着不同子场景的图像分别被聚类到了一起，为了后续计算方便，我们给出公式(2)中代价函数的另一种对偶的表述形式：