[发明专利]一种高动态范围三维图像配准方法

说明书

技术领域

本发明涉及计算机视觉领域，具体涉及一种高动态范围三维图像配准方法。

背景技术

近年来，高动态范围图像合成(High Dynamic Range Image Composition)技术获得了高新发展。真实世界场景往往具有很高的动态范围，而传统数码照相机由于只具有有限的位深度，难以捕捉到完整的动态范围。一个弥补措施是通过拍摄多张相同场景不同曝光度的图像并合成，间接恢复出完整的动态范围，在通过色调映射算法，将高动态图像压缩显示在低动态范围显示部件上(如LCD,CRT)，实现图像质量的提升。

在数码相机成像的基本过程中，相机的输出主要由两个因素决定，其一是场景的光线辉度，在短时摄影中基本保持不变。另一因素是相机自身参数，在光圈、增益等一定时，主要由曝光时间决定。输出图像的灰度级和场景光线辉度之间的关系，可以用相机相应函数表示。

利用相机响应曲线，可以将多曝光图像映射到光线辉度域上，对辉度空间的图像进行加权平均即得到对数HDR图像。但在合成之前，一个重要的问题是拍摄过程中图像的抖动和场景的运动，以及目标本身三维结构在运动中造成的视差，故一个准确的配准过程十分重要。Tomasazewska提出了SIFT特征的配准算法。SIFT算法能够较为有效的提取相似图像中相应的尺度不变的特征点，但计算量较大，不适合实时图像配准。SURF采用了积分图和模板放缩来模拟尺度变化，速度较快，其描述子是采用水平和垂直方向的Haar小波响应的统计量来构造特征的，具有一定的抗噪能力，但作为统计构造特征，其描述子的区分力相对较低。

而在SURF的特征点的匹配上，传统的RANSAC算法过程稳定，对匹配错误特征点与噪声的鲁棒性较强，剔除错误匹配能力较好，但RANSAC算法对参数估计是通过不断进行迭代和测试完成的，且初始模型参数是对随机抽取的数据计算得到的，不确定性比较大；若随机抽取的初始数据误差较大，则算法性能被严重影响。

发明内容

本发明要解决的技术问题在于提出一种能够提高三维图像配准的准确性和满足实时性需求的高动态范围三维图像配准方法。

本发明技术方案具体包括以下步骤：

第一步，提取基于Haar-like特征改进的SURF描述子；

第二步，采用双向FLANN近邻匹配方法进行特征匹配；

第三步，采用改进的RANSAC算法进行误匹配点的剔除。

作为本发明技术方案的进一步改进，所述第一步具体包括以下内容：

采用SURF算法进行快速Hessian算子检测得到特征点，随后对特征点进行精确定位，确定主方向，并构造特征向量；

以特征点为中心，首先将坐标轴旋转到所述主方向，按照所述主方向选取边长为20s的正方形区域，其中s为采样步长；

将该正方形区域划分为4×4的子区域，在每一个子区域内，计算5s×5s范围内的小波响应，相对于所述主方向水平、垂直方向的Haar小波响应分别记做d_x和d_y，赋予响应值d_x和d_y以权值系数；并引入Haar-like特征的线特征和对角特征，对线特征和对角特征的响应分别记作d_l和d_d，然后将每个子区域的响应以及响应的绝对值相加，并在每个子区域形成八维分量的矢量：

V＝(∑d_x,∑|d_x|,∑d_y,∑|d_y|,∑d_l,∑|d_l|,∑d_d,∑|d_d|) (2)

对每一特征点，形成4×4×8＝512维的描述向量，再进行向量的归一化。

作为本发明技术方案的进一步改进，所述第二步具体包括以下内容：

设参考图像I₁的特征点x在待配准图像I₂中的最近邻特征点为m，点x在图像I₂中的次近邻特征点为n，点x、m与n的特征向量分别为F_x、F_m与F_n，则FLANN近邻匹配的主要步骤如下：

Step1：计算点m、n与点x的欧氏距离d_mx和d_nx：

Step2：计算距离比值R＝d_mx/d_nx；