基于特征和区域匹配相结合的深度信息获取方法技术

本发明专利技术公开了一种基于特征和区域匹配的深度信息获取方法，首先采用SIFT（scaleinvariantfeaturetransform）特征提取方法获得特征点，并利用特征点的空间位置、梯度和方向信息进行匹配。对于非特征点，利用区域匹配方法进行匹配，以特征匹配结果为约束，采用视差梯度原理缩小搜索范围减少运算时间。本发明专利技术方法简单实用，运行速度快匹配准确率高，不需要通过实验室条件下的特殊仪器即可实现深度信息的获取，具有很强的实用价值。

【技术实现步骤摘要】

本专利技术涉及一种深度信息的获取方法，利用SIFT特征算法和区域匹配算法相结 合的深度信息获取方法，其特点是速度快准确度较高。
技术介绍
深度信息获取技术是用并排的两部或多部图像采集装置对同一物体或场景进行 拍摄，或者用一部采集装置在对应的不同的角度拍摄同一物体，生成至少左、右两幅图像。 这一过程模拟人眼成像，同一物体在不同角度图像中的位置不同称为视差。利用视差及拍 摄的角度，就可以计算得到该物体在真实世界中的位置相关信息。随着计算机科学，人工 智能以及相关学科的进一步发展，深度信息获取的研究也相应的得到了更深入的发展，它 正广泛的应用于各个领域中，己经可以逐步代替人类视觉起到关键的作用。例如，在航空、 航天、卫星拍摄等应用中，深度信息获取已经成为不可替代的关键技术。我国的深度信息获 取发展快速，无论军事领域还是民用工业、农业，深度信息获取技术都有着广阔的应用领 域和非常好的发展前景。 深度信息获取技术的关键技术包括摄像机标定、图像采集、立体匹配和视差图复 原。各部分的算法已经和成熟，国外起步比较早，典型的代表有：Yoon和Kweon提出了一种 结合分割思路并能够避免划分困难的窗口匹配方法，方法中根据几何学以及光度学的思想 可以对窗口中的像素权值进行自由调整，但是该算法在执行过程中复杂度很高。Wang提出 了一种新的选择窗口的方法，可以动态对窗口进行改变。Veksler提出，区域匹配中不同大 小的窗口适用不同尺度。Haralick将最优曲面拟合的方法引进到匹配算法中，用像素邻域 为对象进行拟合，然后在拟合的邻域中根据零交叉原理进行匹配。Canny提出用边缘作为特 征进行匹配。SUSAN算子通过最小化像素点周围区域来检查角点，它能够确定图像的属性。 Harris在改进角点算法的基础上提出了 Harris算子。Pritchett和Zisserman在匹配中 引入了齐次矩阵用来反映像素点对间的对应关系，促使了传统约束条件的改进。M. Pilu将 奇异值分解的思想应用于匹配中。浙江大学设计了基于双目视觉的高精度动态方法用于多 自由度机器人的检测；哈尔滨工业大学的异构双目系统能够为机器人足球赛实施导航；东 南大学根据双目视觉理论开发除了可以用于非接触测量的西匹配算法，提高了对不规则物 体表面检测的精度；中科院自动化所研发出了对整个物体表面三维重建的技术，可以自动 匹配物体表面的特征点，将立体匹配技术与数据融合技术的结合。 立体匹配过程是深度信息获取的关键点，主要的立体匹配方法有区域匹配算法、 特征点匹配算法和基于相位的匹配算法等。单纯的区域匹配主要假设左右图像对应点邻域 内的灰度具有相关性，其特点是简单易实现，结果是稠密的视差，但精度较低。而特征点匹 配是利用图片中的特殊点进行计算，这样可以大大减少搜索范围，但是只能得到稀疏的视 差图，如果需要可以经过内插等方法得到整幅图像的视差图。基于相位的匹配根据视差梯 度、单调性等信息来提高效率和准备度。
技术实现思路
专利技术目的 为了满足三维重建所需的稠密点云又兼顾运算时间，本专利技术提出了一种特征点匹 配法和区域法相结合的立体匹配方法，综合区域匹配法和特征点匹配法的特点，可以得到 较精确的、稠密的视差深度信息，并且缩短运算时间。 技术方案 本专利技术是通过以下技术方案来实现的： -种，其特征在于：利用SIFT特 征点匹配方法和区域匹配方法结合，利用较少的时间来获取准确的稠密深度图，该方法其 具体步骤如下： (1)匹配图像特征点的提取： 在匹配的图像对上提取 SIFT (scale invariant feature transform)特征，形成 特征向量进，并对特征点进行标记，SIFT特征点的提取需要对相邻尺度的高斯图像相减得 到高斯差分多尺度空间；在高斯差分多尺度空间中求得局部极值点； 其具体步骤如下： 1)检测尺度空间极值：图像的尺度空间定义为一个函数L(x，y，〇)，由可变尺度 高斯函数G(x, y, σ )与输入图像I (X，y)卷积得到： I(x,y, 〇 ) = I (χ, y) XG(x,y, σ ) (1), 其中， 本文档来自技高网...

【技术保护点】
一种基于特征和区域匹配相结合的深度信息获取方法，其特征在于：利用SIFT特征点匹配方法和区域匹配方法结合，利用较少的时间来获取准确的稠密深度图，该方法其具体步骤如下：(1)匹配图像特征点的提取：在匹配的图像对上提取SIFT(scale invariant feature transform)特征，形成特征向量进，并对特征点进行标记，SIFT特征点的提取需要对相邻尺度的高斯图像相减得到高斯差分多尺度空间；在高斯差分多尺度空间中求得局部极值点；其具体步骤如下：1)检测尺度空间极值：图像的尺度空间定义为一个函数L(x,y,σ)，由可变尺度高斯函数G(x,y,σ)与输入图像I(x,y)卷积得到：I(x,y,σ)＝I(x,y)×G(x,y,σ)    (1)，其中，G(x,y,σ)=12πσ2e-(x2+y2)/2σ2---(2);]]>高斯差分尺度空间D(x,y,σ)为存在常数乘性尺度因子k的相邻尺度高斯函数的差分与原图像卷积；D(x,y,σ)可以表示为：D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))×I(x,y)=L(x,y,kσ)-L(x,y,σ)---(3);]]>2)精确定位特征点：首先获取候选特征点处的拟合函数：D(X)=D+∂DT∂XX+12XT∂2D∂X2XX=(x,y,σ)---(4);]]>求导得到极值点与对应极值，并且不断修正X求出局部最优点；3)利用特征点邻域像素的梯度方向分布特征，为每个特征点指定方向参数，(x,y)处的方向和梯度值分别为：θ(x,y)＝arctan[L(x,y+1)‑L(x,y‑1)/L(x+1,y)‑L(x‑1,y)]   (5)；m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2---(6);]]>一个特征点用16个种子点描述，而每个种子点有8个方向向量信息，因此，每一个特征点产生128个数据，形成一个128维的描述向量；(2)SIFT特征点的匹配：对左、右两幅图像分别得到SIFT特征向量后，计算两幅图像的每个特征点在待匹配图像的特征点中的最相似匹配，这里最相似定义为特征向量间的最小欧式距离；(3)区域匹配：在特征匹配结果的约束下，确定非特征点的所在分块，利用视差梯度估计搜索范围，并进行匹配。...

【技术特征摘要】
1. 一种基于特征和区域匹配相结合的深度信息获取方法，其特征在于：利用SIFT特征 点匹配方法和区域匹配方法结合，利用较少的时间来获取准确的稠密深度图，该方法其具 体步骤如下： (1) 匹配图像特征点的提取： 在匹配的图像对上提取SIFT(scaleinvariantfeaturetransform)特征，形成特征 向量进，并对特征点进行标记，SIFT特征点的提取需要对相邻尺度的高斯图像相减得到高 斯差分多尺度空间；在高斯差分多尺度空间中求得局部极值点； 其具体步骤如下： 1) 检测尺度空间极值：图像的尺度空间定义为一个函数L(x，y，〇 )，由可变尺度高斯 函数G(x，y，〇)与输入图像I(x，y)卷积得到： I(x,y, 〇 )=I(x,y)XG(x,y, 〇 ) (I), 其中，高斯差分尺度空间D(x，y，〇)为存在常数乘性尺度因子k的相邻尺度高斯函数的差分 与原图像卷积；D(x，y，〇)可以表示为：2) 精确定位特征点：首先获取候选特征点处的拟合函数：求导得到极值点与对应极值，并且不断修正X求出局部最优点； 3) 利用特征点邻域像素的梯度方向分布特征，为每个特征点指定方向参数，（x，y)处 的方向和梯度值分别为：一个特征点用16个种子点描述，而每个种子点有8个方向向量信息，因此，每一个特征 点产生128个数据，形成一个128维的描述向量； (2) SIFT特征点的匹配： 对左、右两幅图像分别得到SIFT特征向量后，计算两幅图像的每个特征点在待匹配图 像的特征点中的最相似匹配，这里最相似定义为特征向量间的最小欧式距离； (3) 区域匹配： 在特征匹配结果的约束下，确定非特征点的所在分块，利用视差梯度估计搜索范围，并 进行匹配。2. 根据权利要求1所述的基于特征和区域匹配相结合的深度信息获取方法，其特征在 于：步骤（3)中区域匹配其...

【专利技术属性】
技术研发人员：魏东，王帅，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁;21