一種面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法
【專利摘要】本發(fā)明提供一種面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，包括如下步驟：將同名影像對(duì)先后以子區(qū)域和三角形為約束條件進(jìn)行特征點(diǎn)正向匹配并得到正向同名像點(diǎn)群，將同名影像先后對(duì)以子區(qū)域和三角形為約束條件進(jìn)行特征點(diǎn)逆向匹配并得到逆向同名像點(diǎn)群，保留正向同名像點(diǎn)群和逆向同名像點(diǎn)群中相匹配的同名像點(diǎn)結(jié)果，得到最終匹配的同名像點(diǎn)結(jié)果；本發(fā)明依次采用子區(qū)域和三角形作為約束條件進(jìn)行特征點(diǎn)檢測(cè)，大大提高了特征點(diǎn)檢測(cè)的時(shí)間效率并且提高了正確匹配點(diǎn)數(shù)目，在近景攝影立體影像匹配中具有重要的應(yīng)用價(jià)值。
【專利說(shuō)明】一種面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字近景攝影領(lǐng)域，涉及一種特征點(diǎn)匹配方法。
【背景技術(shù)】
[0002]隨著現(xiàn)代測(cè)繪技術(shù)的發(fā)展，數(shù)字?jǐn)z影測(cè)量可以為數(shù)字地球、城市三維建模等提供數(shù)據(jù)和支持。對(duì)于數(shù)字?jǐn)z影測(cè)量所獲得的原始數(shù)據(jù)，比較重要的是數(shù)字影像的特征，包括點(diǎn)狀特征、線狀特征和面狀特征。對(duì)這些特征的提取方法是影像分析和影像匹配的基礎(chǔ)，可利用各種算子來(lái)進(jìn)行，例如:Moravec算子、Forstner算子和Harris算子均可以用來(lái)提取特征點(diǎn)。對(duì)數(shù)字影像中的明顯目標(biāo)，不僅需要識(shí)別它們，還需要確定它們的位置。攝影測(cè)量中立體像對(duì)的量測(cè)是提取物體三維信息的基礎(chǔ)。數(shù)字?jǐn)z影測(cè)量中以影像匹配代替?zhèn)鹘y(tǒng)的人工觀測(cè)，來(lái)達(dá)到自動(dòng)確定同名像點(diǎn)的目的。影像匹配實(shí)質(zhì)上是在兩幅或多幅影像之間識(shí)別同名像點(diǎn)，它是數(shù)字?jǐn)z影測(cè)量及計(jì)算機(jī)視覺(jué)的核心問(wèn)題?；诨叶鹊钠ヅ浞椒ㄊ且环N較成熟的匹配方法，主要包括基于灰度相似度檢測(cè)和最小二乘影像匹配的方法，它們都是以同名影像相似度為基礎(chǔ)。
[0003]尺度不變特征轉(zhuǎn)換(Scale-1nvariantfeature transform, SIFT)是 David Lowe提出的局部特征描述子，其將斑點(diǎn)檢測(cè)、特征矢量生成和特征匹配搜索等步驟完整地結(jié)合在一起進(jìn)行優(yōu)化，達(dá)到了接近實(shí)時(shí)的運(yùn)算速度。SIFT特征匹配算法可以處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情 況下的匹配問(wèn)題，具有很強(qiáng)的匹配能力。然而，在獲取影像數(shù)據(jù)時(shí)，由于可能會(huì)受到降水反射、土體運(yùn)動(dòng)、高速相機(jī)焦距設(shè)置和檢校精度、拍攝角度以及場(chǎng)景布置等因素的影響，影像數(shù)據(jù)容易出現(xiàn)模糊、特征不明顯、紋理不清晰等質(zhì)量問(wèn)題，此時(shí)，若采用常規(guī)的影像匹配方法，會(huì)出現(xiàn)正確匹配點(diǎn)少、誤匹配點(diǎn)多的情況。

【發(fā)明內(nèi)容】

[0004]本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，目的在于提供一種能夠提高正確匹配點(diǎn)數(shù)目、降低誤匹配點(diǎn)數(shù)目并且提高了特征點(diǎn)檢測(cè)的時(shí)間效率的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法。
[0005]為達(dá)到上述目的，本發(fā)明的解決方案是:
[0006]一種面向近景攝影立體影像數(shù)據(jù)特征點(diǎn)的匹配方法，包括如下步驟:
[0007](I)、采用平行攝影的方式對(duì)待匹配場(chǎng)景進(jìn)行拍攝，選擇同一時(shí)刻兩個(gè)相機(jī)分別拍攝的兩幅圖像作為第一幅圖像和的第二幅圖像，在第一幅圖像中選取第一待匹配區(qū)域，在第二幅圖像中并選取與第一待匹配區(qū)域?qū)?yīng)的第二待匹配區(qū)域；
[0008](2)、利用SIFT算法分別檢測(cè)第一待匹配區(qū)域的特征點(diǎn)和第二待匹配區(qū)域的特征點(diǎn)，以第一待匹配區(qū)域內(nèi)的特征點(diǎn)為基準(zhǔn)分別將第一待匹配區(qū)域和第二待匹配區(qū)域分割為多個(gè)--對(duì)應(yīng)的子區(qū)域；
[0009](3)、分別以第一待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的子區(qū)域向第二待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)正向匹配，最終匹配出各個(gè)子區(qū)域的同名像點(diǎn)；
[0010](4)、以第一待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)和位于子區(qū)域邊緣上的特征點(diǎn)作為三角形的三個(gè)頂點(diǎn)分割子區(qū)域并構(gòu)建三角網(wǎng)絡(luò)；
[0011](5)、以步驟(4)所得三角網(wǎng)絡(luò)中的各個(gè)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)正向匹配，得到正向同名像點(diǎn)群；
[0012](6)、分別以第二待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的子區(qū)域向第一待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)逆向匹配，最終匹配出各個(gè)子區(qū)域的同名像點(diǎn)；
[0013](7)、以第二待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)和位于子區(qū)域邊緣上的特征點(diǎn)作為三角形的三個(gè)頂點(diǎn)分割子區(qū)域并構(gòu)建三角網(wǎng)絡(luò)；
[0014](8)、以步驟(7)所得三角網(wǎng)絡(luò)中的各個(gè)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)逆向匹配，得到逆向同名像點(diǎn)群；
[0015](9)、根據(jù)正向同名像點(diǎn)群和逆向同名像點(diǎn)群得到正確匹配的同名像點(diǎn)結(jié)果。
[0016]在步驟(2)中，根據(jù)第一待匹配區(qū)域和第二待匹配區(qū)域各自的坡度和坡向并把第一待匹配區(qū)域和第二待匹配區(qū)域目視相同的特征點(diǎn)作為子區(qū)域的分割點(diǎn)，把第一待匹配區(qū)域和第二待匹配區(qū)域完整地分割成數(shù)個(gè)對(duì)應(yīng)的子區(qū)域。進(jìn)一步地，第一待匹配區(qū)域或者第二待匹配區(qū)域各自的相鄰子區(qū)域間有部分重疊。
[0017]步驟(5)中的特征點(diǎn)循環(huán)正向匹配具體包括:
[0018]第一步、設(shè)定預(yù)設(shè)循環(huán)次數(shù)和三角形大小閾值，；
[0019]第二步、將步驟(4)所得三角網(wǎng)絡(luò)中的各個(gè)三角形作為第一級(jí)三角形，以第一級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的第一級(jí)三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)正向匹配，得到各個(gè)第一級(jí)三角形的同名像點(diǎn)，η設(shè)定為I，m設(shè)定為O ;
[0020]第三步、η = η+1，利用第η-1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η級(jí)三角形；
[0021]第四步、以第η級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的第η級(jí)三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)正向匹配，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，m = m+1 ；
[0022]第五步、判斷m是否不小于預(yù)設(shè)循環(huán)次數(shù)并且第η級(jí)三角形的大小是否均小于三角形大小閾值，當(dāng)m不小于預(yù)設(shè)循環(huán)次數(shù)并且第η級(jí)三角形的大小均小于三角形大小閾值時(shí)，得到正向同名像點(diǎn)群，否則返回執(zhí)行第三步，
[0023]其中，η為三角形的級(jí)別，m為循環(huán)次數(shù)。
[0024]步驟(8)中的特征點(diǎn)循環(huán)逆向匹配具體包括:
[0025]第一步、設(shè)定預(yù)設(shè)循環(huán)次數(shù)和三角形大小閾值；
[0026]第二步、將步驟(7)所得三角網(wǎng)絡(luò)中的各個(gè)三角形作為第一級(jí)三角形，以第一級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的第一級(jí)三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)逆向匹配，得到各個(gè)第一級(jí)三角形的同名像點(diǎn)，η’設(shè)定為I，m’設(shè)定為O ;
[0027]第三步、η’ = η’+1，利用第η’-1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η’級(jí)三角形；
[0028]第四步、以第η’級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的第η’級(jí)三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)逆向匹配，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，m’ = m' +1 ；
[0029]第五步、判斷m’是否不小于預(yù)設(shè)循環(huán)次數(shù)并且第η’級(jí)三角形的大小是否均小于三角形大小閾值，當(dāng)m’不小于預(yù)設(shè)循環(huán)次數(shù)并且第η’級(jí)三角形的大小均小于三角形大小閾值時(shí)，得到逆向同名像點(diǎn)群，否則返回執(zhí)行第三步，
[0030]其中，η’為三角形的級(jí)別，m’為循環(huán)次數(shù)。
[0031]由于采用上述方案，本發(fā)明的有益效果是:
[0032]首先，本方法依次采用子區(qū)域和Delaunay三角形作為約束條件進(jìn)行特征點(diǎn)檢測(cè)，大大提高了特征點(diǎn)檢測(cè)的時(shí)間效率；其次，本方法多次采用循環(huán)RANSAC算法剔除誤匹配的特征點(diǎn)，從而降低了剔除正確同名像點(diǎn)的概率；另外，本方法利用SIFT算子基于特征進(jìn)行匹配，不涉及影像的內(nèi)外方位元素，避免了相機(jī)參數(shù)未知或相機(jī)檢校參數(shù)誤差較大對(duì)匹配結(jié)果精度的影響；最后，本方法采取逐級(jí)約束特征點(diǎn)區(qū)域進(jìn)行匹配，避免了因特征相似導(dǎo)致的誤匹配。
【專利附圖】

【附圖說(shuō)明】
[0033]圖1為本發(fā)明實(shí)施例中的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法的流程圖。
[0034]圖2為本發(fā)明實(shí)施例中的循環(huán)進(jìn)行的特征點(diǎn)正向匹配的流程圖。
[0035]圖3為本發(fā)明實(shí)施例中的循環(huán)進(jìn)行的特征點(diǎn)逆向匹配的流程圖。
【具體實(shí)施方式】
[0036]以下結(jié)合附圖所示實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。
[0037]實(shí)施例
[0038]本實(shí)施例提供了一種面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，其主要利用子區(qū)域和Delaunay三角形作為約束條件，采用SIFT算子進(jìn)行特征點(diǎn)檢測(cè)和匹配，并伴隨著多次循環(huán)RANSAC算子(Random Sample Consensus)刪除誤匹配的同名像點(diǎn)，從而提高了正確匹配點(diǎn)數(shù)并且降低了誤匹配點(diǎn)數(shù)。
[0039]如圖1所示，本實(shí)施例中的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法包括如下步驟:
[0040]第一步、獲取同名影像對(duì)并選取待匹配區(qū)域，具體包括:
[0041]使用高速相機(jī)采用平行攝影的方式對(duì)同一待匹配場(chǎng)景進(jìn)行拍攝，獲得多幅數(shù)字圖像，從中選擇同一時(shí)刻兩個(gè)高速相機(jī)分別拍攝的兩幅圖像分別作為第一幅圖像和第二幅圖像(也即組成了同名影像對(duì))。為了提高特征點(diǎn)檢測(cè)的時(shí)間效率，根據(jù)具體需要從第一幅圖像選擇待匹配的區(qū)域作為第一待匹配區(qū)域，從第二幅圖像中選擇與第一待匹配區(qū)域?qū)?yīng)的區(qū)域作為第二待匹配區(qū)域。[0042]第二步、利用SIFT算法分別檢測(cè)出第一待匹配區(qū)域的特征點(diǎn)和第二待匹配區(qū)域的特征點(diǎn)。SIFT算法包括特征點(diǎn)檢測(cè)和同名像點(diǎn)匹配，其中，特征點(diǎn)檢測(cè)是在圖像的尺度空間中搜索出圖像的局部極值點(diǎn)，然后去除對(duì)比度低的極值點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，從而確定圖像的特征點(diǎn)，之后對(duì)特征點(diǎn)周?chē)鷧^(qū)域進(jìn)行圖像分塊，計(jì)算各塊內(nèi)的梯度直方圖，生成獨(dú)特性的向量描述符，即128維的特征描述子，來(lái)描述每個(gè)特征點(diǎn)的位置、尺度和方向信肩、O
[0043]第三步、以第一待匹配區(qū)域內(nèi)的特征點(diǎn)為基準(zhǔn)，分別將第一待匹配區(qū)域和第二待匹配區(qū)域分割為多個(gè)子區(qū)域，使得第一待匹配區(qū)域的子區(qū)域和第二待匹配區(qū)域的子區(qū)域呈一一對(duì)應(yīng)關(guān)系。在分割時(shí)，要綜合考慮第一待匹配區(qū)域和第二待匹配區(qū)域各自的坡度和坡向等特征，并將第一待匹配區(qū)域和第二待匹配區(qū)域中目視明顯相同的特征點(diǎn)作為子區(qū)域的分割點(diǎn)，把第一待匹配區(qū)域和第二待匹配區(qū)域完整地分割成數(shù)個(gè)對(duì)應(yīng)的子區(qū)域。分割時(shí)要保證第一待匹配區(qū)域或者第二待匹配區(qū)域各自的相鄰子區(qū)域間有部分重疊，以保證在子區(qū)域交界處特征點(diǎn)的成功匹配。
[0044]第四步、分別以第一待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的子區(qū)域向第二待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)單向匹配(正向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配的特征點(diǎn)，從而匹配出第一待匹配區(qū)域和第二待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)。
[0045]本步驟中，SIFT算法中的同名像點(diǎn)匹配采用最近鄰距離算法，該最近鄰距離算法以子區(qū)域作為約束條件，能夠限定同名像點(diǎn)的搜索范圍，不僅提高了同名像點(diǎn)匹配的時(shí)間效率，而且還顯著降低了誤匹配率。在該約束條件下，按照各個(gè)子區(qū)域內(nèi)的已檢測(cè)出來(lái)的特征點(diǎn)，分別對(duì)各個(gè)子區(qū)域的特征點(diǎn)采用最近鄰距離算法進(jìn)行特征點(diǎn)匹配，即采用和樣本特征點(diǎn)最近鄰的特征點(diǎn)的歐式距離與次近鄰特征點(diǎn)的歐氏距離的比值與設(shè)定的閾值比較，若比值小于閾值，則認(rèn)為是特征點(diǎn)。然而，對(duì)各個(gè)子區(qū)域內(nèi)匹配的特征點(diǎn)，會(huì)存在誤匹配結(jié)果，可以通過(guò)多次循環(huán)RANSAC算法剔除誤匹配的特征點(diǎn)。
[0046]RANSAC算法是根據(jù)一組包含異常數(shù)據(jù)的樣本數(shù)據(jù)集，計(jì)算出數(shù)據(jù)的數(shù)學(xué)模型參數(shù)，得到有效樣本數(shù)據(jù)的算法。該算法的基本假設(shè)是樣本中包含正確數(shù)據(jù)，也包含異常數(shù)據(jù)，當(dāng)給定一組正確的數(shù)據(jù)，存在可以計(jì)算出符合這些數(shù)據(jù)的模型參數(shù)的方法。RANSAC算法首先是在樣本數(shù)據(jù)集中隨機(jī)抽取一個(gè)子集并初始化為模型，判斷數(shù)據(jù)集中的其他數(shù)據(jù)是否滿足該模型，若滿足則構(gòu)成一致集并計(jì)算新的模型，直至算法結(jié)束。根據(jù)該算法的原理，可以得出:由于隨機(jī)抽取的數(shù)據(jù)子集不一樣，其構(gòu)建的初始模型也會(huì)不同，部分正確的數(shù)據(jù)由于不滿足該模型被誤認(rèn)為錯(cuò)誤的數(shù)據(jù)而剔除，所以構(gòu)成的一致集中包含的樣本數(shù)據(jù)和經(jīng)過(guò)該算法得到的結(jié)果也會(huì)有所區(qū)別。
[0047]若是僅利用SIFT算子對(duì)整個(gè)待匹配區(qū)域進(jìn)行特征點(diǎn)檢測(cè)和同名像點(diǎn)匹配，則匹配結(jié)果中存在很多的誤匹配點(diǎn)，這就需要利用RANSAC算子進(jìn)行誤匹配點(diǎn)剔除。如果僅對(duì)結(jié)果運(yùn)行一次RANSAC算子，結(jié)果中雖然只有正確的同名像點(diǎn)，但是大量的正確匹配點(diǎn)也同樣被認(rèn)為是誤匹配點(diǎn)被剔除，因此需要循環(huán)RANSAC算法；當(dāng)循環(huán)RANSAC算法至數(shù)百次時(shí)，由于每次循環(huán)初始的模型有可能不同，故可以降低剔除正確同名像點(diǎn)的概率。
[0048]第五步、以各個(gè)子區(qū)域內(nèi)已匹配出來(lái)的同名像點(diǎn)和子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)，分別在第一待匹配區(qū)域的各個(gè)子區(qū)域和第二待匹配區(qū)域的各個(gè)子區(qū)域內(nèi)構(gòu)建Delaunay三角形，并將Delaunay三角形作為第一級(jí)三角形，多個(gè)第一級(jí)三角形共同形成第
一級(jí)三角網(wǎng)絡(luò)。
[0049]第六步、以第五步所得第一級(jí)三角網(wǎng)絡(luò)中的各個(gè)第一級(jí)三角形為初始約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)單向匹配(正向匹配)和第η級(jí)三角形的構(gòu)建，最終得到正向同名像點(diǎn)群。
[0050]其中，如圖2所示，第六步具體包括如下分步驟:
[0051]步驟1-1、設(shè)定預(yù)設(shè)循環(huán)次數(shù)和三角形大小閾值；
[0052]步驟1-2、以第五步所得第一級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的第一級(jí)三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)單向匹配(正向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的各個(gè)第一級(jí)三角形的同名像點(diǎn)，三角形的級(jí)別η設(shè)定為1，循環(huán)次數(shù)m的值設(shè)定為O ;
[0053]步驟1-3、使得三角形的級(jí)別η = η+1，利用第η_1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η級(jí)三角形；
[0054]步驟1-4、以第η級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第一待匹配區(qū)域的第η級(jí)三角形向第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)單向匹配(正向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，循環(huán)次數(shù)m = m+1 ;
[0055]步驟1-5、判斷循環(huán)次數(shù)m是否不小于預(yù)設(shè)循環(huán)次數(shù)Hitl并且第η級(jí)三角形的大小Tn是否均小于三角形大小閾值Ttl,當(dāng)循環(huán)次數(shù)m不小于預(yù)設(shè)循環(huán)次數(shù)并且第η級(jí)三角形的大小均小于三角形大小閾值時(shí)，得到正向同名像點(diǎn)群，然后結(jié)束第六步，否則返回執(zhí)行步驟1_3 ο
[0056]第七步、分別以第二待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的子區(qū)域向第一待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)單向匹配(逆向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配的特征點(diǎn)，從而匹配出第一待匹配區(qū)域和第二待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)。
[0057]第八步、以各個(gè)子區(qū)域內(nèi)已匹配出來(lái)的同名像點(diǎn)和子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)，分別在第一待匹配區(qū)域的各個(gè)子區(qū)域和第二待匹配區(qū)域的各個(gè)子區(qū)域內(nèi)構(gòu)建Delaunay三角形，并將該Delaunay三角形作為第一級(jí)三角形，多個(gè)第一級(jí)三角形共同形成
第一級(jí)三角網(wǎng)絡(luò)。
[0058]第九步、以第八步所得第一級(jí)三角網(wǎng)絡(luò)中的各個(gè)第一級(jí)三角形為初始約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)單向匹配(逆向匹配)和第η’級(jí)三角形的構(gòu)建，最終得到逆向同名像點(diǎn)群。
[0059]其中，如圖3所示，第九步具體包括如下分步驟:
[0060]步驟2-1、設(shè)定預(yù)設(shè)循環(huán)次數(shù)和三角形大小閾值；
[0061]步驟2-2、以第八步所得第一級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的第一級(jí)三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)單向匹配(逆向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的各個(gè)第一級(jí)三角形的同名像點(diǎn)，三角形的級(jí)別η’設(shè)定1，循環(huán)次數(shù)m’的值設(shè)定為O;
[0062]步驟2-3、使得三角形的級(jí)別η’ = η’ +1，利用第η_1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η’級(jí)三角形；[0063]步驟2-4、以第η’級(jí)三角形為約束條件，利用最近鄰距離算法進(jìn)行由第二待匹配區(qū)域的第η級(jí)三角形向第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)單向匹配(逆向匹配)，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，使循環(huán)次數(shù)m’ =Hii +1 ；
[0064]步驟2-5、判斷循環(huán)次數(shù)m’是否不小于預(yù)設(shè)循環(huán)次數(shù)m’^并且第η’級(jí)三角形的大小Τ’η是否均小于三角形大小閾值T’^，當(dāng)循環(huán)次數(shù)m’不小于預(yù)設(shè)循環(huán)次數(shù)并且第η’級(jí)三角形的大小均小于三角形大小閾值時(shí)，得到逆向同名像點(diǎn)群，然后結(jié)束第九步，否則返回執(zhí)行步驟2-3。
[0065]因?yàn)橥跋駥?duì)通過(guò)SIFT算子可以檢測(cè)非常密集的特征點(diǎn)，目視觀察發(fā)現(xiàn)會(huì)有大量的同名像點(diǎn)，經(jīng)過(guò)子區(qū)域和三角網(wǎng)約束匹配的同名像點(diǎn)并通過(guò)RANSAC算子剔除誤匹配點(diǎn)之后，仍然有很多同名像點(diǎn)沒(méi)有匹配成功。因此，可以通過(guò)逆向匹配，即以同名影像對(duì)中的另外一副圖像為基準(zhǔn)進(jìn)行特征點(diǎn)的逆向匹配。
[0066]第十步、保留正向同名像點(diǎn)群和逆向同名像點(diǎn)群中相匹配的同名像點(diǎn)結(jié)果，即得到最終匹配的同名像點(diǎn)結(jié)果。
[0067]按照本實(shí)施例提到的方法，采用滑坡模擬平臺(tái)下高速相機(jī)拍攝的立體影像數(shù)據(jù)驗(yàn)證其可行性。當(dāng)不采用本實(shí)施例的方法時(shí)而采用基于灰度相似度匹配方法，整個(gè)滑坡體僅正確匹配出422對(duì)同名像點(diǎn)，并且滑坡體的下部?jī)H匹配出12個(gè)同名像點(diǎn)。使用本實(shí)施例的方法，以子區(qū)域和循環(huán)構(gòu)建的三角網(wǎng)為約束條件，先后利用同名影像對(duì)作為基準(zhǔn)影像，按照SIFT算法進(jìn)行匹配并多次循環(huán)RANSAC算法剔除誤匹配點(diǎn)。經(jīng)過(guò)測(cè)試該數(shù)據(jù)，結(jié)果顯示，同名影像對(duì)中可較均勻地匹配出同名像點(diǎn)4552個(gè)，匹配數(shù)目是以前的10倍，大大提高了正確匹配點(diǎn)數(shù)。
[0068]綜上所述，在成像模型、外界環(huán)境等因素的影響下，高速相機(jī)所獲取的影像數(shù)據(jù)質(zhì)量較差，若直接采用SIFT和RANSAC算法，出現(xiàn)成功匹配出的同名像點(diǎn)少、分布不均等結(jié)果；而本實(shí)施例采用按子區(qū)域和三角網(wǎng)為約束條件多次循環(huán)RANSAC算法并且進(jìn)行同名影像對(duì)的雙向匹配，得到同名像點(diǎn)數(shù)據(jù)多且分布均勻，并且降低了誤匹配點(diǎn)，在近景攝影立體影像匹配及三維立體模型重建等方面具有重要的應(yīng)用價(jià)值。
[0069]上述的對(duì)實(shí)施例的描述是為便于該【技術(shù)領(lǐng)域】的普通技術(shù)人員能理解和使用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對(duì)這些實(shí)施例做出各種修改，并把在此說(shuō)明的一般原理應(yīng)用到其他實(shí)施例中而不必經(jīng)過(guò)創(chuàng)造性的勞動(dòng)。因此，本發(fā)明不限于上述實(shí)施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，不脫離本發(fā)明范疇所做出的改進(jìn)和修改都應(yīng)該在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種面向近景攝影立體影像數(shù)據(jù)特征點(diǎn)的匹配方法，其特征在于:包括如下步驟: (1)、采用平行攝影的方式對(duì)待匹配場(chǎng)景進(jìn)行拍攝，選擇同一時(shí)刻兩個(gè)相機(jī)分別拍攝的兩幅圖像作為第一幅圖像和的第二幅圖像，在所述第一幅圖像中選取第一待匹配區(qū)域，在所述第二幅圖像中并選取與所述第一待匹配區(qū)域?qū)?yīng)的第二待匹配區(qū)域； (2)、利用SIFT算法分別檢測(cè)所述第一待匹配區(qū)域的特征點(diǎn)和所述第二待匹配區(qū)域的特征點(diǎn)，以所述第一待匹配區(qū)域內(nèi)的特征點(diǎn)為基準(zhǔn)分別將所述第一待匹配區(qū)域和所述第二待匹配區(qū)域分割為多個(gè)一一對(duì)應(yīng)的子區(qū)域； (3)、分別以所述第一待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由所述第一待匹配區(qū)域的子區(qū)域向所述第二待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)正向匹配，最終匹配出各個(gè)子區(qū)域的同名像點(diǎn)； (4)、以所述第一待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)和位于所述子區(qū)域邊緣上的特征點(diǎn)作為三角形的三個(gè)頂點(diǎn)分割子區(qū)域并構(gòu)建三角網(wǎng)絡(luò)； (5)、以步驟(4)所得三角網(wǎng)絡(luò)中的各個(gè)三角形為約束條件，利用最近鄰距離算法進(jìn)行由所述第一待匹配區(qū)域的三角形向所述第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)正向匹配，得到正向同名像點(diǎn)群； (6)、分別以所述第二待匹配區(qū)域的各個(gè)子區(qū)域?yàn)榧s束條件，利用最近鄰距離算法進(jìn)行由所述第二待匹配區(qū)域的子區(qū)域向所述第一待匹配區(qū)域的對(duì)應(yīng)子區(qū)域的特征點(diǎn)逆向匹配，最終匹配出各個(gè)子區(qū)域的同名像點(diǎn)； (7)、以所述第二待匹配區(qū)域的各個(gè)子區(qū)域的同名像點(diǎn)和位于所述子區(qū)域邊緣上的特征點(diǎn)作為三角形的三個(gè)頂點(diǎn)分割子區(qū)域并構(gòu)建三角網(wǎng)絡(luò)； (8)、以步驟(7)所得三角網(wǎng)絡(luò)中的各個(gè)三角形為約束條件，利用最近鄰距離算法進(jìn)行由所述第二待匹配區(qū)域的三角形向所述第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)循環(huán)逆向匹配，得到逆向同名像點(diǎn)群； (9)、根據(jù)所述正向同名像點(diǎn)群和所述逆向同名像點(diǎn)群得到正確匹配的同名像點(diǎn)結(jié)果。
2.根據(jù)權(quán)利要求1所述的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，其特征在于:在步驟(2)中，根據(jù)所述第一待匹配區(qū)域和所述第二待匹配區(qū)域各自的坡度和坡向并把所述第一待匹配區(qū)域和所述第二待匹配區(qū)域目視相同的特征點(diǎn)作為子區(qū)域的分割點(diǎn)，把所述第一待匹配區(qū)域和所述第二待匹配區(qū)域完整地分割成數(shù)個(gè)對(duì)應(yīng)的子區(qū)域。
3.根據(jù)權(quán)利要求2所述的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，其特征在于:所述第一待匹配區(qū)域或者所述第二待匹配區(qū)域各自的相鄰子區(qū)域間有部分重疊。
4.根據(jù)權(quán)利要求2所述的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，其特征在于:步驟(5)中的所述特征點(diǎn)循環(huán)正向匹配包括: 第一步、設(shè)定預(yù) 設(shè)循環(huán)次數(shù)和三角形大小閾值； 第二步、將步驟(4)所得三角網(wǎng)絡(luò)中的各個(gè)三角形作為第一級(jí)三角形，以所述第一級(jí)三角形為約束條件，利用所述最近鄰距離算法進(jìn)行由所述第一待匹配區(qū)域的第一級(jí)三角形向所述第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)正向匹配，得到各個(gè)所述第一級(jí)三角形的同名像點(diǎn)，η設(shè)定為I, m設(shè)定為O ; 第三步、η = η+1，利用第η-1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的所述分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η級(jí)三角形；第四步、以所述第η級(jí)三角形為約束條件，利用所述最近鄰距離算法進(jìn)行由所述第一待匹配區(qū)域的所述第η級(jí)三角形向所述第二待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)正向匹配，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，m = m+1 ；第五步、判斷m是否不小于所述預(yù)設(shè)循環(huán)次數(shù)并且第η級(jí)三角形的大小是否均小于所述三角形大小閾值，當(dāng)m不小于所述預(yù)設(shè)循環(huán)次數(shù)并且所述第η級(jí)三角形的大小均小于所述三角形大小閾值時(shí)，得到正向同名像點(diǎn)群，否則返回執(zhí)行第三步， 其中，η為三角形的級(jí)別，m為循環(huán)次數(shù)。
5.根據(jù)權(quán)利要求2所述的面向近景攝影立體影像數(shù)據(jù)的特征點(diǎn)匹配方法，其特征在于:步驟(8)中的所述特征點(diǎn)循環(huán)逆向匹配包括: 第一步、設(shè)定預(yù)設(shè)循環(huán)次數(shù)和三角形大小閾值； 第二步、將步驟(7)所得三角網(wǎng)絡(luò)中的各個(gè)三角形作為第一級(jí)三角形，以所述第一級(jí)三角形為約束條件，利用所述最近鄰距離算法進(jìn)行由所述第二待匹配區(qū)域的第一級(jí)三角形向所述第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)逆向匹配，得到各個(gè)所述第一級(jí)三角形的同名像點(diǎn)，η’設(shè)定為I, m’設(shè)定為O ; 第三步、η’ = η’ +1’，利用第η’ -1級(jí)三角形中正確匹配的同名像點(diǎn)與子區(qū)域的所述分割點(diǎn)作為三角形的三個(gè)頂點(diǎn)構(gòu)建第η’級(jí)三角形； 第四步、以所述第η’級(jí)三角形為約束條件，利用所述最近鄰距離算法進(jìn)行由所述第二待匹配區(qū)域的所述第η’級(jí)三角形向所述第一待匹配區(qū)域的對(duì)應(yīng)三角形的特征點(diǎn)逆向匹配，并通過(guò)多次循環(huán)RANSAC算法剔除誤匹配特征點(diǎn)，得出正確匹配的同名像點(diǎn)，m’ =m' +1 ； 第五步、判斷m’是否不 小于所述預(yù)設(shè)循環(huán)次數(shù)并且第η’級(jí)三角形的大小是否均小于所述三角形大小閾值，當(dāng)m’不小于所述預(yù)設(shè)循環(huán)次數(shù)并且所述第η’級(jí)三角形的大小均小于所述三角形大小閾值時(shí)，得到逆向同名像點(diǎn)群，否則返回執(zhí)行第三步， 其中，η’為三角形的級(jí)別，m’為循環(huán)次數(shù)。
【文檔編號(hào)】G06T7/00GK103927785SQ201410162951
【公開(kāi)日】2014年7月16日 申請(qǐng)日期:2014年4月22日 優(yōu)先權(quán)日:2014年4月22日
【發(fā)明者】喬剛, 米環(huán), 馮甜甜 申請(qǐng)人:同濟(jì)大學(xué)