基于数据聚类的鲁棒SIFT特征匹配方法组成比例

基于数据聚类的鲁棒图像SIFT特征匹配方法，步骤如下：(1)获取参考图像序列，提取SIFT特征集，采用合成k-d数据结构对全部SIFT特征集进行聚类，合并重复特征集为聚类特征，聚类特征的特征描述子采用重复特征平均描述子表示，(2)利用SIFT方法获取实时图像序列特征集，将参考图像序列与实时图像序列进行鲁棒匹配，选择包含特征点最多的对应参考图像作为关键图像，完成第一阶段特征匹配，(3)利用关键图像完成第二阶段特征匹配，采用RANSAC、基本矩阵等技术进行外点剔除。最后合并两阶段特征匹配结果。本匹配方法能够降低噪声信息干扰，极大提高特征匹配的鲁棒性。

【技术实现步骤摘要】

本专利技术属于计算机增强现实
，具体地说是对大数据量条件下的SIFT特征集进行鲁棒匹配，消除匹配过程的噪声影响，提高特征匹配的鲁棒性。
技术介绍
SIFT特征匹配技术是计算机图像与视觉中的重要研究内容，在诸如图像检索、目标识别、三维重建以及相机姿态恢复等众多领域都得到了广泛的应用。通过将SIFT特征描述子看作高维欧氏空间笛卡尔坐标并采用欧氏距离作为相似性度量标准，SIFT特征匹配问题可以转化为欧氏空间最邻近几何点的查询问题。作为最重要的分支界定(branch and bound)方法之一，k_d数据结构能够有效实现空间剖分并被广泛用于最邻近特征查询工作。但是随着特征维度的增加，由于需要遍历每一分支以精确定位匹配特征，该方法的匹配效率会迅速下降。针对该问题，Beis等人提出了一种使用优先队列的近似最邻近方法，称为BBF(Best Bin First)方法。该方法能够在仅损失极少精度前提下极大提高高维特征的匹配速度，被广泛用于SIFT特征的匹配工作。但是由于SIFT特征描述子对噪声信息非常敏感，随着特征数据量的增加以及分布于欧氏空间特征点密度的增大，该方法特征匹配的鲁棒性会迅速下降。与k-d数据结构空间剖分方式不同，vocabulary数据结构通过层次化k-means 聚类方式实现空间分割，这种方式使得vocabulary树状结构构造过程实际上等价于空间嵌套voronoi胞腔生成过程，从而进一步推广了分支界定方法的应用范围。Nister等人将vocabulary数据结构应用于SIFT特征匹配，给出了一种基于vocabulary树的海量图像查询方法，但该匹配方法仅存在统计学意义，无法有效实现SIFT特征最邻近查询工作。 Schindler等人进一步将vocabulary树应用于基于图像的城市定位问题，给出了一种类似 BBF的GNP (Greedy N-Best Paths)方法，用以实现基于vocabulary树的SIFT特征最邻近特征匹配。但随着数据量的增大，该方法也存在着匹配鲁棒性降低的问题。最近，Dong等人给出了一种基于vocabulary树的两阶段匹配方法，该方法首先通过vocabulary树查找关键图像，然后利用关键图像进行两图像间的特征匹配，有效避免了大数据量条件下特征匹配鲁棒性降低的问题，但该方法本质上是两图像间的特征匹配，仍然无法解决SIFT特征噪声敏感问题。
技术实现思路
本专利技术要解决的技术问题克服现有技术的不足，提供一种具有消除噪声干扰和提高鲁棒性的SIFT特征匹配方法。本专利技术采用的技术方案基于数据聚类的鲁棒SIFT特征匹配方法，其特点在于步骤如下(1)提取参考图像序列SIFT特征集，对全部SIFT特征集，区分普通特征与聚类特征，通过聚类过程合并重复普通特征集为聚类特征，聚类特征描述子采用重复普通特征描3述子均值表示，均值优化策略能够极大消除噪声对SIFT特征的影响，提高特征匹配的鲁棒性；(2)基于合成k-d数据结构的SIFT特征聚类过程，对给定η幅参考图像，首先选取参考图像1包含特征集FS并将其赋予聚类特征集FCS，生成合成k-d数据结构。然后遍历参考图像2包含特征集FS 并依次与聚类特征集FCS进行基于合成k-d数据结构的匹配。若匹配成功，则合并参考图像2包含特征集与聚类特征集对应特征为新聚类特征。 否则将该参考图像2包含特征作为普通特征加入聚类特征集FCS。完成参考图像2包含特征集FS与参考图像1包含特征集FS的特征聚类后，对于参考图像3 η包含特征集FS FS重复进行该聚类过程直到完成所有特征集。该过程仅需要n-1次迭代步骤，避免两两图像匹配过程较高的时间复杂度；(3)两阶段SIFT特征匹配方法，分别包括第一阶段基于合成k-d数据结构的聚类特征匹配选择关键图像过程与第二阶段基于关键图像的图像间特征匹配过程。通过两阶段匹配特征集的合并，进一步提高了特征匹配的鲁棒性。所述步骤(1)的合并重复普通特征集为聚类特征的方法为首先将特征分为普通特征与聚类特征。然后针对普通特征中存在的大量重复特征，通过算术平均化过程合并重复特征集为聚类特征，聚类特征描述子采用重复特征描述子的算术均值表示。所述步骤O)中基于合成k-d数据结构的SIFT特征聚类方法为对给定η幅图像，首先选取参考图像1包含特征集FS并将其赋予聚类特征集FCS，生成合成k-d数据结构。然后遍历参考图像2包含特征集FS并依次与聚类特征集FCS进行基于合成k-d 数据结构的匹配。若匹配成功，则合并参考图像2包含特征集与聚类特征集对应特征为新聚类特征。否则将该参考图像2包含特征作为普通特征加入聚类特征集FCS。完成参考图像2包含特征集FS与参考图像1包含特征集FS的特征聚类后，对于参考图像3 η包含特征集FS FS重复进行该聚类过程直到完成所有特征集。所述步骤(3)中两阶段特征匹配方法为第一阶段通过基于k-d数据结构的特征匹配方式进行。对于每一次匹配成功的图像特征，首先判断其特征类型，若为普通特征，则仅为其所属图像投票；若为聚类特征，则投票过程需要对其包含全部普通特征依次进行。完成全部匹配特征投票后，选择票数最多图像作为关键图像。第二阶段特征匹配过程首先进行基于关键图像的图像间特征匹配，然后对第一阶段匹配特征集进行提纯，将属于关键图像的匹配特征集直接传给第二阶段匹配特征集。最后利用RANSAC等技术作外点剔除工作， 提高特征匹配的鲁棒性。本专利技术与现有技术相比的优点在于(1)允许存在大量重复特征集。通过区分普通特征点与聚类特征点并通过聚类过程合并重复特征集为聚类特征，有效达到降低数据量目的。均值优化求解聚类特征描述子策略能够消除噪声对SIFT特征的影响，极大提高了特征匹配的鲁棒性；(2)通过扩展k-d数据结构以使其能够容纳聚类特征，相比于标准k-d数据结构， 合成k-d数据结构有着更好的异构数据类型适应性，基于该类数据结构的特征聚类过程， 不但能够达到有效聚类的目的，而且能够提高聚类过程效率。(3)基于计数投票策略的关键图像选择方法不但能够正确选择关键图像，而且可以有效完成SIFT特征匹配工作。通过将第一阶段匹配特征集传递给第二阶段匹配特征集，两阶段匹配特征集的级联合并能够在大数据量条件下有效提高特征匹配的鲁棒性。 附图说明图1为本专利技术合成k_d数据结构示意图。图2为本专利技术特征匹配鲁棒性比较示意图。图3(a)、(b)为本专利技术路政匹配鲁棒性直观示意图。具体实施例方式表1给出了本专利技术的具体步骤基于数椐聚类的SIFT特征匹配方法离线阶段1获取参考图像序列SIFT特征集。釆用合成k-d数椐结构对全部SIFT特征集进行聚类。在线阶段2 获取实时图像序列SIFT特征集。与参考图像序列聚类SIFT 特征集进行鲁棒匹配，基于概率最优投票策略选择包含普通特征最多的对应参考图像作为关键图像，完成第一阶段特征匹配。 3利用关键图像完成第二阶段特征匹配。4:釆用RANSAC、基本矩阵等技术进行外点剔除。表 11.离线阶段合成k-d数据结构构建及特征聚类图1给出了合成k-d数据结构示意图。离线阶段首先获取参考图像SIFT特征集，对全部参考图像SIFT特征集进行聚类。 在特征聚类方法中，普通特征由SIFT算法直接从图像中获得，可以表示为Fs = Ib本文档来自技高网...

【技术保护点】
１．一种基于数据聚类的鲁棒图像ＳＩＦＴ特征匹配方法，其特征在于步骤如下：（１）获取参考图像序列，提取图像ＳＩＦＴ特征集，合并全部图像ＳＩＦＴ特征集中包含的重复特征为聚类特征，降低噪声干扰，提高特征匹配鲁棒性；（２）扩展ｋ－ｄ数据结构为合成ｋ－ｄ数据结构，使合成ｋ－ｄ数据结构节点能够容纳聚类特征，实现基于合成ｋ－ｄ数据结构的特征聚类过程；（３）基于合成ｋ－ｄ数据结构的两阶段ＳＩＦＴ特征匹配过程，第一阶段利用合成ｋ－ｄ数据结构进行聚类特征匹配，对于匹配成功的聚类特征，基于最优概率投票策略为其包含的全部重复特征对应参考图像进行投票，最后选择包含特征点最多参考图像作为关键图像，第二阶段利用关键图像完成特征匹配；针对两阶段匹配过程中生成的匹配特征集，合并属于相同关键图像的所有匹配特征序列作为最终匹配特征集并对匹配错误特征点进行外点剔除工作。

【技术特征摘要】

【专利技术属性】
技术研发人员：范志强，沈旭昆，赵沁平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11