一种基于运动平滑性和RANSAC算法的特征匹配方法组成比例

本发明专利技术公开一种基于运动平滑性与RANSAC算法的特征匹配方法，其步骤包括：(1)读取两幅待匹配的图片，对其进行特征提取；(2)进行特征提取后，使用暴力匹配法进行初次匹配；(3)将两幅图片网格化，根据网格区域匹配的数目，找出最有可能代表相同区域的网格对；(4)根据运动平滑性，判断网格区域的正确匹配率，提取出误匹配率极低的网格区域；(5)对于提取出的网格区域内的特征点，运用RANSAC算法计算对应的单应矩阵；(6)通过计算得到的单应矩阵，对初次匹配的结果进行筛选，得到优质的匹配点。本发明专利技术的方法可以有效的提高匹配的召回率，改善匹配的实时性，减少匹配所花时间。

A feature matching method based on motion smoothness and RANSAC algorithm

【技术实现步骤摘要】
一种基于运动平滑性和RANSAC算法的特征匹配方法
：本专利技术涉及一种基于运动平滑性和RANSAC算法的特征匹配方法，属于图像处理技术，视觉导航

技术介绍
：目前，视觉传感器以其低成本和易用性被广泛应用于视觉导航、组合导航等场景中。图像匹配是视觉导航的基础技术，基于特征的图像匹配算法是目前图像匹配技术的主流，其主要思想是在两幅图像中找出特征点，对每一个特征点进行描述，通过比较每个特征点的相似程度来判断是否匹配。特征提取与匹配主要是指通过提取图像的特征，并根据特征对两幅图像进行匹配，得到两幅图像之间的关系。对于特征点之间的匹配，传统的方法是使用暴力匹配，但是由于图像纹理存在重复，且图像本身可能发生选择或缩放，容易出现较多的误匹配，匹配性能较差。如何区分误匹配和正确匹配是匹配算法的关键。目前比较传统的方法是使用暴力匹配进行粗匹配后，再使用随机抽样一致性算法(RandomSampleConsensus，RANSAC)进行匹配过滤，但是RANSAC算法只有一定概率可以得到可靠模型，当误匹配过多时，算法可能会失效，而且由于输入的数据过多，需要经过多次迭代，实时性较差。
技术实现思路
本专利技术的目的是提供一种基于运动平滑性和RANSAC算法的特征匹配方法，可以有效的提高匹配的召回率，改善匹配的实时性，减少匹配所花时间。上述的目的通过以下技术方案实现：一种基于运动平滑性和RANSAC算法的特征匹配方法，包括以下步骤：(1)读取两幅待匹配的图片，对其进行特征提取；r>(2)进行特征提取后，使用暴力匹配法进行初次匹配；(3)将两幅图片网格化，根据网格区域匹配的数目，找出最有可能代表相同区域的网格对；(4)根据运动平滑性，判断网格区域的正确匹配率，提取出误匹配率极低的网格区域；(5)对于提取出的网格区域内的特征点，运用RANSAC算法计算对应的单应矩阵；(6)通过计算得到的单应矩阵，对初次匹配的结果进行筛选，得到优质的匹配点。优选的，步骤(2)中，暴力匹配的方法如下：对于选定的特征点，计算其描述子与待匹配图像中所有特征点描述子的距离，将得到的距离进行排序，取距离最近的特征点进行匹配。优选的，步骤(3)中，将两幅图像进行网格化，网格化的意义在于，统计网格与待匹配图像的每一个网格内匹配的数目，将匹配数目最多的网格对视为可以代表相同场景的网格对。优选的，步骤(4)中，运动平滑性筛选理论如下：运动平滑性导致正确的匹配点附近的邻域中存在足够多的支持匹配，反之，若匹配错误，则邻域不存在，或者存在较少的支持匹配。设两幅图像{A,B}，对两幅图像进行匹配。对应的匹配对数为N对，设为M＝{x1,x2,…,xi,…xN}，对于这N对匹配，通过分析每一个匹配附近的支持匹配数来估计其误匹配的概率。Mab代表区域{a,b}的匹配数，设Si为匹配xi的邻域支持匹配数，称为支持度。设每个特征点匹配都是互相独立的，那么，可以得到支持度Si的概率分布近似于二项分布：式中，Pt和Pf分别为正确匹配概率和错误匹配概率，m为xi邻域的特征匹配数目。在实际考虑时，将对单个匹配的分析扩大到整个匹配邻域，将图像划分网格，如图2所示，将单个网格内的匹配视为整体，定义网格的邻域为包围它的8个网格，对于图中区域{a,b}，支持度Sab的计算公式如下式所示：表示区域{ak,bk}内的匹配点数目，支持度Sab满足分布：n为网格平均特征匹配数目，k为包含邻域在内的网格数目，取k＝9。上式说明，真假匹配在其邻域内都有支持度支持，但是Sab的分布大不相同，其对应的期望E与标准差D为：其中，Et和Dt分别为正确匹配分布的期望和标准差，Ef和Df为错误匹配分布的期望和标准差，如图3所示，其概率密度函数是双峰的，选择一定的阈值，可以在一定程度上区分真假匹配。由图3可知，定义阈值：由二项分布规律可知，当横坐标大小超过期望时，概率开始下降。阈值T的大小取决于调整因子γ，当Sab>T时，可以认为区域{a,b}误匹配率极低，理论上阈值越大，提取的网格区域误匹配率越小，但是实际效果依赖于特征点数目，且无法完全消除误匹配。优选的，步骤(5)中，将提取出的误匹配率低的网格区域内特征点输入到随机抽样一致性算法(RandomSampleConsensus，RANSAC)，计算区域对应的单应矩阵H，单应矩阵用来描述两幅图像正确匹配点间的转换关系。优选的，步骤(6)中，运用单应矩阵对初次匹配结果进行筛选，首先计算原图像特征点位置经单应矩阵H变换后的位置坐标，设定误差阈值，将其与实际初次匹配对应的特征点坐标位置进行比较，计算位置误差，完成筛选，定义两像素点(x,y)和(x′,y′)位置误差为：由于计算得到的单应矩阵和两幅图像间实际的单应矩阵仍然存在一定误差，对于阈值的选择可以稍微扩大，一般认为E<3时，该匹配可以保留。本专利技术的有益效果为：在图像进行初次匹配后，根据运动平滑性提取误匹配率极低区域，使用RANSAC算法计算对应单应矩阵，最后使用计算出的单应矩阵对初次匹配结果进行筛选，得到优质匹配点，不仅能够提高匹配的实时性，而且能够显著的提高匹配算法的召回率。附图说明图1为一种基于运动平滑性与RANSAC算法的特征匹配方法框图；图2为图像网格邻域示意图；图3为概率分布示意图；图4为本专利技术在测试图片集上的匹配效果；图5为本专利技术与其他方法的鲁棒性比较，其中图5(a)为本专利技术的方法与GMS算法及RANSAC算法的准确率P比较图，图5(b)为本专利技术的方法与GMS算法及RANSAC算法的召回率R比较图；图5(c)为本专利技术的方法与GMS算法及RANSAC算法的F值比较图，其中F＝(2PR)/(P+R)。具体实施方式根据下述实施例，可以更好的理解本专利技术。如图1所示，本专利技术一种基于运动平滑约束与RANSAC算法的特征匹配方法，具体步骤如下：(1)读取两幅待匹配的图片，对其进行特征提取；(2)进行特征提取后，使用暴力匹配法进行初次匹配；(3)将两幅图片网格化，根据网格区域匹配的数目，找出最有可能代表相同区域的网格对；(4)根据运动平滑性，判断网格区域的正确匹配率，提取出误匹配率极低的网格区域；(5)对于提取出的网格区域内的特征点，运用RANSAC算法计算对应的单应矩阵；(6)通过计算得到的单应矩阵，对初次匹配的结果进行筛选，得到优质的匹配点。步骤(2)，暴力匹配的方法如下：对于选定的特征点，计算其描述子与待匹配图像中所有特征点描述子的距离，将得到的距离进行排序，取距离最近的特征点进行匹配。步骤(3)，将两幅图像进行网格化，网格化的意义在于，计算每一个网格与待匹配图像的网格内匹配数目的多少，将匹配数目最多的网格视为可以代表相同场景的网格。步骤(4)，对于每本文档来自技高网...

【技术保护点】
1.一种基于运动平滑性与RANSAC算法的特征匹配方法，其特征在于，该方法包含以下步骤：/n(1)读取两幅待匹配的图片，对其进行特征提取；/n(2)进行特征提取后，使用暴力匹配法进行初次匹配；/n(3)将两幅图片网格化，根据网格区域匹配的数目，找出最有可能代表相同区域的网格对；/n(4)根据运动平滑性筛选理论，判断网格区域的正确匹配率，提取出误匹配率极低的网格区域；/n(5)对于提取出的网格区域内的特征点，运用RANSAC算法计算对应的单应矩阵；/n(6)通过计算得到的单应矩阵，对初次匹配的结果进行筛选，得到优质的匹配点。/n

【技术特征摘要】
1.一种基于运动平滑性与RANSAC算法的特征匹配方法，其特征在于，该方法包含以下步骤：
(1)读取两幅待匹配的图片，对其进行特征提取；
(2)进行特征提取后，使用暴力匹配法进行初次匹配；
(3)将两幅图片网格化，根据网格区域匹配的数目，找出最有可能代表相同区域的网格对；
(4)根据运动平滑性筛选理论，判断网格区域的正确匹配率，提取出误匹配率极低的网格区域；
(5)对于提取出的网格区域内的特征点，运用RANSAC算法计算对应的单应矩阵；
(6)通过计算得到的单应矩阵，对初次匹配的结果进行筛选，得到优质的匹配点。


2.如权利要求1所述的基于运动平滑性与RANSAC算法的特征匹配方法，其特征在于，步骤(2)中，暴力匹配的方法如下：对于选定的特征点，计算其描述子与待匹配图像中所有特征点描述子的距离，将得到的距离进行排序，取距离最近的特征点进行匹配。


3.如权利要求1所述的基于运动平滑性与RANSAC算法的特征匹配方法，其特征在于步骤(3)的具体方法是，将两幅图像进行网格化，计算每一个网格与待匹配图像的网格内匹配数目的多少，将匹配数目最多的网格对视为最有可能代表相同场景的匹配网格。


4.如权利要求1所述的基于运动平滑性与RANSAC算法的特征匹配方法，其特征在于步骤(4)中，运动平滑性筛选理论如下：运动平滑性导致正确的匹配点附近的邻域中存在足够多的支持匹配，反之，若匹配错误，则邻域不存在，或者存在较少的支持匹配；
设两幅图像{A,B}，对两幅图像进行匹配，对应的匹配对数为N对，设为M＝{x1,x2,…,xi,…xN}，对于这N对匹配，通过分析每一个匹配附近的支持匹配数来估计其误匹配的概率，Mab代表区域{a,b}的匹配数，设Si为匹配xi的邻域支持匹配数，称为支持度，由于每个点匹配的概率独立，用二项分布函数来近似表示Si的分布情况：

【专利技术属性】
技术研发人员：程向红，李俊杰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32