一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法技术

一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法，本发明专利技术涉及图像特征点误匹配剔除方法。本发明专利技术的目的是为了解决传统RANSAC算法存在计算复杂度较高、耗时较长，误匹配剔除效果差的问题。过程为：一：离线阶段：建立数据库；二：得到训练好的分类器；三：在线阶段：得到匹配后的标出特征点的两张图像；四：应用改进的RANSAC算法，将匹配后的标出特征点的两张图像进行误匹配特征点对剔除；五：利用对极几何以及步骤四得到的剔除误匹配特征点对后的数据库图像所处地理位置坐标，对得到的剔除误匹配特征点对后的用户输入图像进行定位。本发明专利技术用于图像处理领域。

A method of mismatching and elimination of image feature points based on measurement factors in visual location

【技术实现步骤摘要】
一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法
本专利技术涉及图像特征点误匹配剔除方法。
技术介绍
现有的图像特征点误匹配剔除算法一般采用RANSAC算法。RANSAC算法(如图3)：由于特征点提取时存在一定的精度误差，提取出的特征点会比求解方程式所需的多很多。另外，自动提取和匹配得到的匹配点集中也难免存在一些误匹配点，因此需要一种容错能力很强的算法来优化匹配点集。本文使用RANSAC算法剔除匹配质量较差的点。RANSAC算法要求在一定的置信概率P(一般设为0.99)下，L组抽样中至少有一组数据全是内点，L可由式(3)求得。其中ε为内点所占的比例，m为计算模型参数所需最小数据量。在用RANSAC算法求解变换矩阵时要判断一对匹配点是否为符合模型的内点。指定一个阈值δ，当对应匹配点的对称变换误差d小于该阈值时，认为这对匹配点是符合模型的内点。RANSAC算法的具体步骤如下：(1)随机选择求解单应性矩阵的4对特征点，计算当前的参数矩阵Hi；(2)对由特征匹配得到的假定对应点，使用Hi计算其对称变换误差d，统计误差d＜δ的内点的个数e；(3)若e＞E，或者e＝E(E为提前设定的内点个数阈值)，则认为Hi是当前最好的模型H＝Hi，并且保存内点，用该内点集重新计算参数矩阵H。若e＜E则重复(2)(3)直到e＞E。(4)计算循环次数，如果循环次数大于L则退出，说明两幅图片不匹配。传统RANSAC算法存在计算复杂度较高、耗时较长的问题。尤其当图像相似度较低、内点比例较低的时候耗时较长，误匹配剔除效果差。
技术实现思路
本专利技术的目的是为了解决传统RANSAC算法存在计算复杂度较高、耗时较长，误匹配剔除效果差的问题，而提出一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法。一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法具体过程为：步骤一：离线阶段：利用多媒体移动采集平台中的手机采集视频，记录视频中图像信息以及图像所处地理位置坐标，根据图像信息以及图像所处地理位置坐标建立数据库；多媒体移动采集平台包括小车，小车下部承载充电电池，上部可以承载笔记本电脑、手机、工业摄像头、以及西科激光雷达，利用视觉惰性的原理，将拍摄到的照片一帧帧播放形成视频，从而实现边录制边移动的功能；步骤二：用SURF算法提取数据库中图像的特征信息，将特征信息进行K-means聚类，聚类后对每张图像编码产生对应的视觉直方图，用支持向量机(SVM)对视觉直方图进行训练，得到训练好的分类器；SURF算法为加速稳健特征算法；K-means为K均值聚类；步骤三：在线阶段：用训练好的分类器对用户输入图像进行分类，将分类后的用户输入图像与数据库中对应类别图像用SURF算法进行特征点提取，根据提取的特征点将分类后的用户输入图像与数据库中对应类别图像进行匹配，得到匹配后的标出特征点的两张图像；用户输入图像和数据库中图像在同一采集环境中采集；步骤四：应用改进的RANSAC算法，将匹配后的标出特征点的两张图像进行误匹配特征点对剔除，得到剔除误匹配特征点对后的用户输入图像和数据库图像；RANSAC算法为随机抽样一致性算法；步骤五：利用对极几何以及步骤四得到的剔除误匹配特征点对后的数据库图像所处地理位置坐标，对步骤四得到的剔除误匹配特征点对后的用户输入图像进行定位。本专利技术的有益效果为：本专利技术引入了衡量因子，用于体现匹配特征点对的质量，在RANSAC算法中只提取质量较好的匹配特征点对进行参数模型的计算。在保持传统RANSAC算法鲁棒性的同时提高了RANSAC算法的效率，利用本专利技术方法只需在前期进行匹配特征点对质量的比较，而减少了算法的迭代次数，降低了计算复杂度，减少了算法的时间消耗。由于本专利技术算法中所选取的特征点匹配对为质量最好的四对匹配点，由它们计算出的参数模型在误匹配点剔除效果上表现更好。结合表1得出原始方法平均定位时间为2.76s，本专利技术方法平均定位时间为1.58s；表2得出原始方法平均定位误差为1.6325m，本专利技术方法平均定位误差为1.7543m。从表1、表2可以看出基于改进RANSAC算法的定位在保证了一定定位精度的同时，将定位的时间消耗降低到传统定位算法的57％。如图7a第1组图片利用传统RANSAC方法的迭代次数为7次，采用本专利技术迭代次数为1次；第2组图片利用传统RANSAC方法的迭代次数为1.3次，采用本专利技术迭代次数为1次；第3组图片利用传统RANSAC方法的迭代次数为3次，采用本专利技术迭代次数为1次；第4组图片利用传统RANSAC方法的迭代次数为2次，采用本专利技术迭代次数为1次；第5组图片利用传统RANSAC方法的迭代次数为1次，采用本专利技术迭代次数为1次；第6组图片利用传统RANSAC方法的迭代次数为2.2次，采用本专利技术迭代次数为1次；得出本专利技术方法减少了算法的迭代次数，降低了计算复杂度。如图7b第1组图片利用传统RANSAC方法的时间消耗为0.26s，采用本专利技术时间消耗为0.11s；第2组图片利用传统RANSAC方法的时间消耗为0.18s，采用本专利技术时间消耗为0.16s；第3组图片利用传统RANSAC方法的时间消耗为0.17s，采用本专利技术时间消耗为0.33s；第4组图片利用传统RANSAC方法的时间消耗为0.17s，采用本专利技术时间消耗为0.18s；第5组图片利用传统RANSAC方法的时间消耗为0.17s，采用本专利技术时间消耗为0.18s；第6组图片利用传统RANSAC方法的时间消耗为0.25s，采用本专利技术时间消耗为0.18s；得出本专利技术方法减少了算法的时间消耗。附图说明图1是本专利技术中多媒体移动采集平台的结构示意图，图中：1-滑轮、2-底板、3-立杆、4-摄像头安装件、5-抽屉，抽屉5上部用于承载电脑、雷达等，底板上部可以承载电池等；图2是SVM对二维特征向量分类示意图；图3是传统RANSAC算法流程图；图4是改进RANSAC算法流程图；图5是六类样本标签分布方式示意图；图6a为类别1中图像的视觉直方图；图6b为类别2中图像的视觉直方图；图6c为类别3中图像的视觉直方图；图6d为类别4中图像的视觉直方图；图6e为类别5中图像的视觉直方图；图6f为类别6中图像的视觉直方图；图7a为RANSAC算法与改进的RANSAC算法的平均取样迭代次数对比图；图7b为RANSAC算法与改进的RANSAC算法的平均时间消耗对比图。具体实施方式具体实施方式一：本实施方式的一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法具体过程为：步骤一：离线阶段：利用多媒体移动采集平台中的手机采集视频，记录视频中图像信息以及图像所处地理位置坐标，根据图像信息以及图像所处地理位置坐标建立数据库；多媒体移动采集平台包括小车，小车下部承载充电电池，上部可以承载笔记本电脑、手机、工业摄像头、以及西科激光雷达，利用视觉惰性的原理，将拍摄到的照片一帧帧播放形成视频，从而实现边录制边移动的功能；步骤二：用SURF算法提取数据库中图像的特征信息，将特征信息进行K-means聚类，聚类后对每张图像编码产生对应的视觉直方图，用支持向量机(SVM)对视觉直方图进行训练，得到训练好的分类器；SURF算法为加速稳健特征算法；K-means为K均值聚类；步骤三：在线阶段：用训练好的分类器对用户输入图像进行分本文档来自技高网...

【技术保护点】
一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法，其特征在于：所述方法具体过程为：步骤一：离线阶段：采集视频，记录视频中图像信息以及图像所处地理位置坐标，根据图像信息以及图像所处地理位置坐标建立数据库；步骤二：用SURF算法提取数据库中图像的特征信息，将特征信息进行K‑means聚类，聚类后对每张图像编码产生对应的视觉直方图，用支持向量机对视觉直方图进行训练，得到训练好的分类器；SURF算法为加速稳健特征算法；K‑means为K均值聚类；步骤三：在线阶段：用训练好的分类器对用户输入图像进行分类，将分类后的用户输入图像与数据库中对应类别图像用SURF算法进行特征点提取，根据提取的特征点将分类后的用户输入图像与数据库中对应类别图像进行匹配，得到匹配后的标出特征点的两张图像；用户输入图像和数据库中图像在同一采集环境中采集；步骤四：应用改进的RANSAC算法，将匹配后的标出特征点的两张图像进行误匹配特征点对剔除，得到剔除误匹配特征点对后的用户输入图像和数据库图像；RANSAC算法为随机抽样一致性算法；步骤五：利用对极几何以及步骤四得到的剔除误匹配特征点对后的数据库图像所处地理位置坐标，对步骤四得到的剔除误匹配特征点对后的用户输入图像进行定位。...

【技术特征摘要】
1.一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法，其特征在于：所述方法具体过程为：步骤一：离线阶段：采集视频，记录视频中图像信息以及图像所处地理位置坐标，根据图像信息以及图像所处地理位置坐标建立数据库；步骤二：用SURF算法提取数据库中图像的特征信息，将特征信息进行K-means聚类，聚类后对每张图像编码产生对应的视觉直方图，用支持向量机对视觉直方图进行训练，得到训练好的分类器；SURF算法为加速稳健特征算法；K-means为K均值聚类；步骤三：在线阶段：用训练好的分类器对用户输入图像进行分类，将分类后的用户输入图像与数据库中对应类别图像用SURF算法进行特征点提取，根据提取的特征点将分类后的用户输入图像与数据库中对应类别图像进行匹配，得到匹配后的标出特征点的两张图像；用户输入图像和数据库中图像在同一采集环境中采集；步骤四：应用改进的RANSAC算法，将匹配后的标出特征点的两张图像进行误匹配特征点对剔除，得到剔除误匹配特征点对后的用户输入图像和数据库图像；RANSAC算法为随机抽样一致性算法；步骤五：利用对极几何以及步骤四得到的剔除误匹配特征点对后的数据库图像所处地理位置坐标，对步骤四得到的剔除误匹配特征点对后的用户输入图像进行定位。2.根据权利要求1所述一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法，其特征在于：所述步骤四中应用改进的RANSAC算法，将匹配后的标出特征点的两张图像进行误匹配特征点对剔除，得到剔除误匹配特征点对后的用户输入图像和数据库图像；具体过程为：步骤四一、设定一个衡量因子其中ri表示用户输入图像中第i个特征点与数据库图像中所有特征点的最小欧式距离与次小欧氏距离的比值，di,min表示用户输入图像中第i个特征点与数据库图像中所有特征点的最小...

【专利技术属性】
技术研发人员：马琳，谭竞扬，谭学治，杨浩，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23