一种自适应区域运动统计的特征点匹配筛选方法技术

本发明专利技术公开了一种自适应区域运动统计的特征点匹配筛选方法，属于计算机视觉的学科技术领域。本发明专利技术使用分水岭思想的最大稳定极值区域划分的方法，辅以区域合并的步骤，实现图像区域的自适应划分；经统计两幅图像中各区域内对应的特征点匹配数目，并基于网格运动统计的核心思想，提出了区域运动统计约束方案，对不同特征点匹配数目的区域进行分情况设置相应阈值。通过在不同数据集下的数据对比，可证明本发明专利技术相比于网格运动统计(GMS)方法，可更精确的筛选出正确的特征点匹配，更有利于特征匹配之后环节的计算。匹配之后环节的计算。匹配之后环节的计算。

【技术实现步骤摘要】
一种自适应区域运动统计的特征点匹配筛选方法


[0001]本专利技术涉及一种自适应区域运动统计的特征点匹配筛选方法，属于计算机视觉领域。

技术介绍

[0002]自适应区域运动统计是通过图像的灰度值信息，自适应的将图像划分为互不相交的区域，对各区域间特征点匹配的数量统计后，利用各区域的特征点运动一致性的约束进行特征点匹配的筛选。特征点是能够在其他含有相同场景或目标的相似图像中以一种相同的或至少非常相似的不变形式表示图像或目标的像素点。特征点匹配为对两幅图中已得到的特征点依据其描述符找到对应关系。初始得到的特征匹配存在较多的错误匹配，必须对其进行特征点匹配的筛选提高其精确度，达到特征点匹配在图像拼接、视觉跟踪、三维重建等应用场景中的准确使用。
[0003]常用的特征点匹配筛选的方案使用RANSAC方法，将特征点匹配的约束条件设为如基础矩阵或单应性矩阵这类几何关系，迭代计算进行特征点匹配的筛选。这类约束条件计算复杂且常用严格的几何约束，降低了特征点匹配筛选的效率。
[0004]针对传统方案的缺点，Bian J W提出了一种网格运动统计的方法[Bian J W,Lin W Y,Matsushita Y,et al.GMS:Grid
‑
based motion statistics for fast,ultra
‑
robust feature correspondence[C].Honolulu:Proceedings of the IEEE conference on computer vision and pattern recognition.2017:4181
‑
4190.]，采用较几何约束更为简洁的网格运动统计，大大缩短方法的运行时间且筛选结果的精确度不弱于其他特征点匹配筛选方法，但网格运动统计的方法基于网格化划分图像的方法虽普遍性较好，但缺少了区域信息及网格不能体现该区域内的图像灰度、纹理或几何形状等信息，大大限制了筛除特征点匹配的精确度。

技术实现思路

[0005]为了解决目前特征点匹配筛选方法的精确度较低的问题，本专利技术提供了一种自适应区域运动统计的特征点匹配筛选方法，包括如下步骤：
[0006]步骤1：通过特征点匹配所在的图像中像素灰度值关系，使用分水岭算法将图像划分为若干个区域；
[0007]步骤2：对步骤1所得出的区域，利用最大稳定极值区域的约束条件，筛选出因像素灰度阈值变化导致的区域面积变化较小的最大稳定极值区域；
[0008]步骤3：去除最大稳定极值的区域中重合部分，并标记区域序号；
[0009]步骤4：统计各区域中特征点匹配数量及对应关系；
[0010]步骤5：通过区域运动统计的约束条件，筛选出正确的区域对应，并保留其中的特征点匹配。
[0011]可选的，所述的步骤1具体为：
[0012]步骤11：初始化数据结构，包括：区域栈、历史栈和边界堆，所述区域栈为存储不同灰度阈值下的图像区域像素信息的数据结构，所述历史栈为记录区域栈中阈值提高过程的数据结构，所述边界堆是存储区域边界像素合集的数据结构；
[0013]所述区域栈内首先会放入标记组块，标记组块弹出时所述步骤1结束，所述标记组块对应的灰度阈值设为256；
[0014]步骤12：将起始像素设为当前像素，所述起始像素的灰度值即为当前灰度阈值，标记已访问；
[0015]步骤13：所述区域栈中加入一个空组块，所述空组块的值为当前像素灰度值；
[0016]步骤14：按顺序访问当前像素的四邻域，对未被访问过的邻域像素标注为已访问，若像素灰度值不小于当前灰度阈值，则放入存放至所述边界堆中；若像素灰度值低于当前灰度阈值，则将当前像素放入区域栈顶中，将此邻域像素设为当前像素，回到步骤13；
[0017]步骤15：将当前像素累加到区域栈顶的组块中，弹出边界堆像素，若堆为空则结束；
[0018]步骤16：若弹出边界灰度值等于当前区域栈顶组块灰度值，将弹出像素作为当前像素，返回步骤14；若弹出边界灰度值高于当前区域栈顶组块灰度值，则处理区域栈中所有组件，直到区域栈中所有组块的灰度值高于当前弹出边界灰度值；
[0019]步骤17：若所弹出的边界灰度值小于区域栈顶第二组块的灰度值，记录该栈顶组块，将栈顶组块的灰度值设为该边界的灰度值，并将边界像素设为当前像素回到步骤14；反之所弹出的边界灰度值不小于区域栈顶第二组块的灰度值，则将区域栈顶的组块加入到所述历史栈中，合并区域栈顶组块与区域栈顶第二组块，返回步骤16。
[0020]可选的，所述步骤2具体为：
[0021]当步骤1结束后就得到各个阈值下的区域，使用如下公式判断区域是否为最大稳定极值区域：
[0022][0023]其中，i为灰度值阈值，Q
i
为阈值为i时的某一区域，delta为灰度阈值的变化，q(i)为阈值为i时区域Q
i
的变化率，当其小于设置的最大变化率时，则认为该区域为最大稳定极值区域。
[0024]可选的，所述灰度阈值的变化delta为2。
[0025]可选的，所述步骤3具体为：
[0026]基于所述步骤1和步骤2得知，某一阈值的区域是由该区域内比其阈值小的区域逐步扩张而成，对此进行保留最大区域的操作如下：
[0027]初始化图像尺寸的矩阵，将矩阵内数值均标记为
‑
1，对区域集合倒序遍历，标号从0开始时，通过遍历区域内像素坐标对应在矩阵中是否已被标记，判断该区域是否为较小区域，若矩阵坐标已被标记，则表示是已有比该区域更大的区域被标记，则去除该区域，进行下一区域的遍历。
[0028]可选的，所述步骤4具体为：
[0029]特征点所在的两幅图像I
a
，I
b
经由所述步骤1、2、3已得到划分区域后的图像矩阵M
a
，M
b
，待筛选的特征点匹配集为matches，其中第i个匹配matches
i
＝{f
ia
，f
ib
}，f
ia
，f
ib
分别
对应第i个特征点匹配在图像I
a
，I
b
上对应特征点坐标；
[0030]初始化映射关系Map
ab
和Map
ba
，以Map
ab
[α][β]表示I
a
中标号为α的区域对应I
b
中标号为β的区域的特征点匹配数量；
[0031]遍历所述特征点匹配集matches，对所述特征点匹配集matches中f
ia
，f
ib
分别查看在图像矩阵M
a
，M
b
所对应标号，若为对应数值为
‑
1，则舍去该对匹配；若M
a...

【技术保护点】

【技术特征摘要】
1.一种自适应区域运动统计的特征点匹配筛选方法，其特性在于，包括如下步骤：步骤1：通过特征点匹配所在的图像中像素灰度值关系，使用分水岭算法将图像划分为若干个区域；步骤2：对步骤1所得出的区域，利用最大稳定极值区域的约束条件，筛选出因像素灰度阈值变化导致的区域面积变化较小的最大稳定极值区域；步骤3：去除最大稳定极值的区域中重合部分，并标记区域序号；步骤4：统计各区域中特征点匹配数量及对应关系；步骤5：通过区域运动统计的约束条件，筛选出正确的区域对应，并保留其中的特征点匹配。2.根据权利要求1所述的自适应区域运动统计的特征点匹配筛选方法，其特征在于，所述的步骤1具体为：步骤11：初始化数据结构，包括：区域栈、历史栈和边界堆，所述区域栈为存储不同灰度阈值下的图像区域像素信息的数据结构，所述历史栈为记录区域栈中阈值提高过程的数据结构，所述边界堆是存储区域边界像素合集的数据结构；所述区域栈内首先会放入标记组块，标记组块弹出时所述步骤1结束，所述标记组块对应的灰度阈值设为256；步骤12：将起始像素设为当前像素，所述起始像素的灰度值即为当前灰度阈值，标记已访问；步骤13：所述区域栈中加入一个空组块，所述空组块的值为当前像素灰度值；步骤14：按顺序访问当前像素的四邻域，对未被访问过的邻域像素标注为已访问，若像素灰度值不小于当前灰度阈值，则放入存放至所述边界堆中；若像素灰度值低于当前灰度阈值，则将当前像素放入区域栈顶中，将此邻域像素设为当前像素，回到步骤13；步骤15：将当前像素累加到区域栈顶的组块中，弹出边界堆像素，若堆为空则结束；步骤16：若弹出边界灰度值等于当前区域栈顶组块灰度值，将弹出像素作为当前像素，返回步骤14；若弹出边界灰度值高于当前区域栈顶组块灰度值，则处理区域栈中所有组件，直到区域栈中所有组块的灰度值高于当前弹出边界灰度值；步骤17：若所弹出的边界灰度值小于区域栈顶第二组块的灰度值，记录该栈顶组块，将栈顶组块的灰度值设为该边界的灰度值，并将边界像素设为当前像素回到步骤14；反之所弹出的边界灰度值不小于区域栈顶第二组块的灰度值，则将区域栈顶的组块加入到所述历史栈中，合并区域栈顶组块与区域栈顶第二组块，返回步骤16。3.根据权利要求1所述的自适应区域运动统计的特征点匹配筛选方法，其特征在于，所述步骤2具体为：当步骤1结束后就得到各个阈值下的区域，使用如下公式判断区域是否为最大稳定极值区域：其中，i为灰度值阈值，Q
i
为阈值为i时的某一区域，delta为灰度阈值的变化，q(i)为阈值为i时区域Q
i
的变化率，当其小于设置的最大变化率时，则认为该区域为最大稳定极值区域。
4.根据权利要求3所述的自适应区域运动统计的特征点匹配筛选方法，其特征在于，所述灰度阈值的变化delta为2。5.根据权利要求1所述的自适应区域运动统计的特征点匹配筛选方法，其特征在于，所述步骤3具体为：基于所述步骤1和步骤2得知，某一阈值的区域是由该区域内比其阈值小的区域逐步扩张而成，对此进行保留最大区域的操作如下：初始化图像尺寸的矩阵，将矩阵内数值均标记为
‑
1，对区域集合倒序遍历，标号从0开始时，通过遍历区域内像素坐标对应在矩阵中是否已被标记，判断该区域是否为较小区域，若矩阵坐标已被标记，则表示是已有比该区域更大的区域被标记，则去除该区域，进行下一区域的遍历。6.根据权利要求1所述的自适应区域运动统计的特征点匹配筛选方法，其特征在于，所述步骤4具体为：特征点所在的两幅图像I
...

【专利技术属性】
技术研发人员：王映辉，南彬，
申请(专利权)人：江南大学，
类型：发明
国别省市：