一种基于SIFT特征实现多点分层支撑描述图像匹配方法，解决提高正确匹配保留率和错误匹配消除率及匹配计算速度的技术问题。采用的方法是：1.分别求得SIFT特征并进行最近邻与次近邻比值法匹配，获得初始匹配集，2.建立支撑特征集，3.构建支撑描述符，4.支撑描述符匹配实现判断相互匹配的特征点的匹配是否正确。本发明专利技术所提出的方法（MLSD）在不同场景图像中都实现了更高正确匹配保留率（几乎100%）和错误匹配消除率（高于90%），在保留正确匹配的同时，能够剔除更多错误匹配。
【技术实现步骤摘要】
本专利技术涉及图像处理与机器视觉领域，特别涉及一种基于SIFT特征实现多点分层支撑描述的图像匹配方法。
技术介绍
图像匹配技术是指不同视角对同一场景成像时，不同视角获得的两幅图像中，对应场景中的点具有对应关系。这种对应关系要求对应点的特征具有平移、旋转、尺度、光照、视角变化的不变性，但是，一般图像中的对应点都难以保证这种局部特征的不变性。因此，要求图像匹配算法能够容忍局部特征的这些变化，尤其是，视角变化是构成视差的主要条件，变化是必然的，这种容忍度的范围也决定了3D成像的效果优劣。一般3D成像的图像匹配方法分为三个步骤：其一，检测图像中局部不变特征；其二，在检测得到的特征局部邻域内提取该特征的邻域信息，生成特征描述符；其三，根据不同视角特征描述符之间的匹配规则分别找到两幅图像中的点对应。SIFT(ScaleInvariantFeatureTransform)算法是一种提取特征描述向量常用算法。但是，当图像中存在局部相似结构时，SIFT特征描述符对散落在相似结构中的点极易发生误匹配现象。大量文献提出了不同方法试图改善SIFT算法的匹配效果，有些方法采用全体匹配点对的迭代训练，其精度受错误匹配率影响很大，并且有可能去除一些正确的匹配点对，也有一些算法将全局上下文描述符与SIFT描述符通过加权方式组合在一起，形成新的描述符，再通过PCA降维后进行匹配，由于需要为每个特征点计算新的高维特征描述符，其过程繁琐，且PCA降维后描述符性能会有所下降。
技术实现思路
为克服现有技术存在的上述技术不足，本专利技术方法主要提出一种基于SIFT特征实现多点分层支撑描述的图像匹配方法，该方法结合现有SIFT算法完成对多视角图像的点对应匹配，通用性强，可广泛应用于各种双目视觉、多视角3D成像算法。本专利技术算法利用SIFT初始匹配结果中具有较高稳定性的匹配特征的分布信息建立第一层支撑特征集，对稳定性较低的匹配特征进行描述建立第二层支撑，进而根据两层支撑描述符的匹配程度进行误匹配点对应剔除。本专利技术实现专利技术目的采用的方法是：该方法基于对同一场景获得的两幅不同视角的图像，分别求得SIFT特征并进行最近邻与次近邻比值法匹配，获得初始匹配集实现，该方法由以下步骤实现:步骤1.建立初始匹配集：对同一场景获得的两幅不同视角的图像I1和I2，分别求得SIFT特征并进行最近邻与次近邻比值法匹配，获得初始匹配集，如公式(1)：UInitial(I1,I2)={(p1,p2)|p1∈U1SIFT,p2∈U2SIFT,Dis(p1,p2)Dis(p1,p2next)<ratioInitial本文档来自技高网...
【技术保护点】
一种基于SIFT特征实现多点分层支撑描述图像匹配方法，该方法基于对同一场景获得的两幅不同视角的图像，分别求得SIFT特征并进行最近邻与次近邻比值法匹配，获得初始匹配集实现，其特征在于:该方法由以下步骤实现:步骤1.建立初始匹配集：对同一场景获得的两幅不同视角的图像I1和I2，分别求得SIFT特征并进行最近邻与次近邻比值法匹配，获得初始匹配集，如公式(1)：UInitial(I1,I2)={(p1,p2)|p1∈U1SIFT,p2∈U2SIFT,Dis(p1,p2)Dis(p1,p2next)<ratioInitial}---(1)]]>其中:UInitial(I1,I2)表示I1和I2的初始匹配集、(1p,2p)表示匹配特征点对、1USIFT表示I1中检测得到的SIFT特征集、2USIFT表示I2中检测得到的SIFT特征、2pnext为1USIFT中某特征1p在2USIFT中的次近邻、Dis()表示特征点对应之间的欧氏距离、ratioInitial表示初始匹配集的阈值，取ratioInitial＝0.8；步骤2.建立支撑特征集：⑴.在步骤1获得的初始匹配集中，将稳定性较高的匹配特征作为第一层支撑特征集，如公式(2)：USupport(I1,I2)={(p1,p2)|(p1,p2)UInitial,Dis(p1,p2)Dis(p1,p2next)<ratioSupport}---(2)]]>其中:USupport(I1,I2)是图像I1和图像I2的第一层支撑特征集，ratioSupport为获取稳定匹配的支撑阈值，取ratioSupport＝0.35；⑵.在步骤1获得的初始匹配集中，除第一层支撑特征集剩余稳定性较底的初始匹配集，按ratio值由小到大排列，取前20％作为第二层支撑特征集，如公式(3)：USupport(I1,I2)＝{(1p,2p)|(1p,2p)∈First 20％ of Sortratio(UInitial)} (3)其中:Sortratio(UInitial)指对初始匹配集按ratio值由小到大排序；步骤3.构建支撑描述符：对步骤2获得的支撑特征集中匹配特征对，依据匹配特征对，周围支撑特征点分布情况，构建支撑描述符，构建支撑描述符步骤如下：⑴.分别对支撑特征集两幅图像中每个特征点周边的支撑特征点，进行无重复编号，并保证两幅图像相互匹配的每个支撑特征点为相同编号；⑵.分别在两幅图像中，以相互匹配的特征点为中心，以×形划分图像区域，形成ABCD四象限，在每个象限中寻找n个距离相互匹配的特征点最近的支撑特征点为相互匹配的特征点的支撑描述点，四个象限共获得4n个支撑描述点编号集合构成相互匹配的特征点的支撑描述符，以下公式表示：设.Ri(pnew),i＝A,B,C,D，为相互匹配的特征点pnew各象限中所有支撑特征点的集合；设.Si(pnew),i＝A,B,C,D，为相互匹配的特征点pnew各象限中支撑描述点的集合；则有：∀pd∈Si,ps∈Ri-Si,∃d(pnew,pd)≤d(pnew,ps),i=A,B,C,D;]]>其中，d()表示两特征点坐标之间的欧氏距离；则pnew的支撑描述符可表示为；D(pnew)＝{T(p)|p∈RA(pnew)∪RB(pnew)∪RC(pnew)∪RD(pnew)} (4)其中，T(p)表示支撑特征点p的标识编号；步骤4.支撑描述符匹配：对步骤4获得的相互匹配的特征点支撑描述符确定其相似程度，依据支撑描述符相似程度判断相互匹配的特征点的匹配是否正确，具体判断步骤如下：⑴.确定支撑描述符的相似程度，相似程度通过式(6)获得：F(D(p1new),D(p2new))=Num(D(p1new)∩D(p2new))min(Num(D(p1new)),Num(D(p2new)))---(6)]]>其中：F(D(1pnew),D(2pnew))为支撑描述符的相似程度；Num()函数统计集合中不为0元素的个数，即支撑描述符中支撑特征点的个数；⑵.判断相互匹配的特征点的匹配是否正确：当：F(D(1pnew),D(2pnew))满足如下公式(7)，判断为匹配正确，否则为误匹配；F(D(1pnew),D(2pnew))>k·ratio(1pnew,2pnew) (7)其中ratio(1pnew,2pnew)表示使用最近邻与次近邻比值法确定该特征对时最近邻与次近邻距离比值，k为正比例常数，此处取k＝1；⑶.将步骤⑵全部判断为正确的相互匹配的特征对与支撑特征集中的特征对合并，得支撑特征集中全部相互匹配特征点的匹配结果。...
【技术特征摘要】
1.一种基于SIFT特征实现多点分层支撑描述图像匹配方法，该方法基于对同一
场景获得的两幅不同视角的图像，分别求得SIFT特征并进行最近邻与次近邻比
值法匹配，获得初始匹配集实现，其特征在于:该方法由以下步骤实现:
步骤1.建立初始匹配集：
对同一场景获得的两幅不同视角的图像I1和...
【专利技术属性】
技术研发人员：郑可尧，
申请(专利权)人：深圳市华和瑞智科技有限公司，郑可尧，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。