[发明专利]基于极限约束的SIFT特征匹配点优化方法

说明书

技术领域

本发明属于图像处理与模式识别领域中的图像匹配技术范畴，尤其涉及一种基于极限约束的SIFT特征匹配点优化方法。

背景技术

图像匹配技术主要是一种通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性分析，寻求相同影像目标的方法。图像匹配技术可分为：基于图像灰度的匹配技术、基于图像特征的匹配技术、基于模板匹配的匹配技术和基于变换域的匹配技术。灰度匹配的基本思想：以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配，利用两个信号的相关函数，评价它们的相似性以确定同名点。利用灰度信息匹配方法的主要缺陷是计算量太大，因为使用场合一般都有一定的速度要求，所以这些方法很少被使用。特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征)，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。但是无论采用哪种算法都存在着在匹配过程中出现错误的可能，因此，在匹配过程中剔除错误的点对，对提高匹配率有很重要的作用。

针对在相机平移情况下对尺度不变特征转换(Scale-invariant feature transform或SIFT)提取出的局部特征匹配后，在SIFT检测出特征点，计算得到特征描述符，针对特征描述符的欧氏距离进行匹配，在这个匹配过程为保证匹配的效率用了K最临近结点的算法进行欧式距离匹配，为保证匹配的正确交叉匹配，至此得到的匹配点对，即为在SIFT算法中的正确点对，由于SIFT特征的局限性和算法的系统误差导致得到的匹配点对有部分不正确，导致匹配率较低。

有鉴于上述现有的图像匹配技术存在的缺陷，本发明人基于从事此类产品设计制造多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种新型基于极限约束的SIFT特征匹配点优化方法，使其更具有实用性。经过不断的研究、设计，并经反复试作样品及改进后，终于创设出确具实用价值的本发明。

发明内容

本发明的主要目的在于，针对在相机平移情况下对David Lowe提出尺度不变特征转换(Scale invariant feature transform或SIFT)提取出的局部特征匹配后，计算出相机的基础矩阵，运用空间结构剔除匹配中错误的点对，从而更加适于实用，且具有产业上的利用价值。

本发明的目的及解决其技术问题是采用以下技术方案来实现的。依据本发明提出的一种基于极限约束的SIFT特征匹配点优化方法，通过特征点的检测、特征点的分集以及集合的更新实现优化操作。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，检测每幅图像中所有SIFT特征点，并提取每个特征点的128维描述符向量，在影像0(Image0)和影像1(Image1)中匹配特征点，利用向量间欧式距离在影像1(Image1)特征点中寻找与影像0(Image0)中每个特征点最近的和次进的两个特征点，分别计算最近特征点和次进特征点的距离(Di s0和Dis1)，并将最近特征点／次进特征点(Dis0／Dis1)记为比率(ratio)，此时，影像0(Image0)中每个特征点都有一个比率值(ratio>0)。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，在影像0(Image0)所有特征点中，找出比率<0.382(ratio<0.382)的所有点存入点集合V1中；在点集合V1中计算每个特征点与影像1(Image1)中最近的特征点间的像素距离(distance)，并将0<像素距离<3的特征点存入集合V11中，3≤像素距离<6的特征点存入集合V12中，将6≤像素距离<80的特征点存入集合V13中。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，所述集合V11为优质点集合，所述集合V12为待测点集合，所述集合V13为标准点集合。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，更新所述集合V12。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，更新所述集合V13。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，将更新后的集合V12合并到所述集合V11中。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，将更新后的集合V13合并到所述集合V11中。

具体的，前述的基于极限约束的SIFT特征匹配点优化方法，所述最优化集合为集合V11、更新后的集合V12和更新后的集合V13的合并集合。