[发明专利]基于分类全局能量约束的立体影像特征匹配方法以及装置

说明书

本申请实施例提供一种基于分类全局能量约束的立体影像特征匹配方法以及装置，所述基于分类全局能量约束的立体影像特征匹配方法包括：将基准影像上的特征点划分为基准目标特征点集和基准背景特征点集，并将待匹配影像上的特征点划分为待匹配目标特征点集和待匹配背景特征点集；将所述基准目标特征点集和所述待匹配目标特征点集进行特征点匹配，并将所述基准背景特征点集和所述待匹配背景特征点集进行特征点匹配，以获取立体影像的特征匹配结果。本申请的一些实施例将立体像对上的特征点划分为目标点集和背景点集，在特征点匹配时将目标点集仅与目标点集进行匹配，能有效减少同名点的搜索范围，剔除匹配粗差，提高匹配的效率、可靠性和稳定性。

技术领域

本申请涉及特征匹配领域，具体而言本申请实施例涉及一种基于分类全局能量约束的立体影像特征匹配方法及装置。

背景技术

通过获取关于目标对象的多视立体影像，是进行目标对象三维重建的重要方法。为了精确复原目标对象的三维结合结构，对多视立体影像进行高精度的特征匹配是其中的关键技术环节。获取数量充足、分布均匀且精度可靠的特征点对，是区域网整体平差解算相机成像瞬时精确位置和姿态的前提条件。影像特征匹配能够为影像三维重建奠定坚实基础，可广泛应用于大规模地形地貌、城市建筑群、室内外各类复杂结构物体以及微小目标的三维复原工作。

传统的立体影像特征匹配算法均仅考虑立体影像同名点之间的特征相似性，将满足局部像方最大一致性约束的特征点作为同名点。如最经典和常用的SIFT算法(尺度不变特征变换算法Scale Invariant Feature Transform)、SURF算法(加速健壮特征算法Speeded Up Robust Feature)和ZNCC算法(零均值归一化互相关系数算法Zero-meanNormalized Cross-Correlation)等。但由于匹配的歧义性(复杂目标对象表面的重复纹理、弱纹理、同谱异物和噪声等)，导致特征最相似的同名点不一定是正确的匹配点，在匹配精度、效率和可靠性上存在不足。

发明内容

本申请实施例的目的在于提供一种影像特征匹配的方法及装置，通过本申请实施例的方法和装置可以将目标点集仅与目标点集进行匹配，背景点集仅与背景点集进行匹配，从而能有效减少同名点的搜索范围。

第一方面，本申请的一些实施例提供一种影像特征匹配的方法，所述方法包括：将基准影像上的特征点划分为基准目标特征点集和基准背景特征点集，并将待匹配影像上的特征点划分为待匹配目标特征点集和待匹配背景特征点集；将所述基准目标特征点集和所述待匹配目标特征点集进行特征点匹配，并将所述基准背景特征点集和所述待匹配背景特征点集进行特征点匹配，以获取立体影像的特征匹配结果。

本申请的一些实施例将立体像对上的特征点划分为两个点集：即目标点集和背景点集，在特征点匹配时将目标点集仅与目标点集进行匹配，背景点集仅与背景点集进行匹配，从而能有效减少同名点的搜索范围。

在一些实施例中，所述将基准影像上的特征点划分为基准目标特征点集和基准背景特征点集，包括：在基准影像上提取特征点，并对所述基准影像进行语义分割得到语义分割结果；根据所述语义分割结果，将所述基准影像上的特征点分为所述基准目标特征点集和所述基准背景特征点集。

在一些实施例中，所述将待匹配影像上的特征点划分为待匹配目标特征点集和待匹配背景特征点集，包括：在待匹配影像上提取特征点，并对所述待匹配影像进行语义分割得到语义分割结果；根据所述语义分割结果，将所述待匹配影像上的特征点划分为所述待匹配目标特征点集和所述待匹配背景特征点集。

在一些实施例中，所述将所述基准目标特征点集和所述待匹配目标特征点集进行特征点匹配并将所述基准背景特征点集和所述待匹配背景特征点集进行特征点匹配，还包括：在所述基准影像上，分别构建所述基准目标特征点集和所述基准背景特征点集的无向图，其中，所述无向图用于表征特征点的位置以及特征点之间的连接关系；根据所述无向图中的数据，构建全局能量函数，并求解能量函数的最优解分别得到所述特征匹配结果。