保持空間結(jié)構(gòu)的圖像特征點匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設及模式識別與計算機視覺領(lǐng)域，尤其設及一種保持空間結(jié)構(gòu)的圖像特征 點匹配方法。
【背景技術(shù)】
[0002] 在計算機視覺應用中，圖像間匹配的常用方法是先從各個圖像中提取出特征點， 并用描述子表征各特征點，然后通過比較描述子的相似程度，對不同圖像的特征點進行匹 配。
[0003] 圖像特征點提取和表征的輸出的結(jié)果是圖像特征點的位置和描述子，它是圖像特 征點匹配的前一步。SIFT(尺度不變特征轉(zhuǎn)換）是一種經(jīng)典的圖像特征點提取和表征方法， 主要步驟包括構(gòu)建尺度空間，檢測和過濾高斯差分極值點，分配方向值生成描述子等。
[0004] 圖像特征點匹配是實現(xiàn)圖像檢索、=維重建、圖像配準與融合、目標識別與跟蹤等 多種應用的關(guān)鍵步驟之一。常用的匹配方法是對一個圖像上的每個特征點，在另一個圖像 中找出與之描述子相似度最高的特征點，然后統(tǒng)計相似度大于經(jīng)驗闊值的匹配點個數(shù)，用 來度量圖像的相似程度。運種方法沒有考慮特征點的位置關(guān)系，容易導致一個目標上的特 征點被匹配到多個目標等錯誤。

【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)階段圖像匹配方法未考慮特征點位置關(guān)系而容易導致錯誤的問題，本 發(fā)明提供一種保持空間結(jié)構(gòu)的圖像特征點匹配方法，該方法在特征點匹配過程中融入了空 間結(jié)構(gòu)的匹配，提高了特征點匹配的準確性。
[0006] 本發(fā)明實施例提供一種保持空間結(jié)構(gòu)的圖像特征點匹配方法，包括步驟：提取和 表征出待匹配的圖像I、II的特征點；構(gòu)建圖像I、II的特征點的描述子距離矩陣；構(gòu)建圖 像I、II的特征點的坐標距離矩陣；歸一化圖像I、II的特征點的坐標距離矩陣；用歸一化 的坐標距離矩陣及圖像I、II最佳匹配特征點的描述子結(jié)構(gòu)距離迭代優(yōu)化所述描述子距離 矩陣；根據(jù)迭代優(yōu)化后的描述子距離矩陣的元素變化及迭代次數(shù)判定并輸出匹配度。
[0007] 上述實施例中，所述"構(gòu)建圖像1、11的特征點的描述子距離矩陣"步驟中，設N表 示圖像I中提取到的特征點數(shù)，S康示圖像I中第i個特征點的描述子，i = 1... N ;設M表 示圖像II中提取到的特征點數(shù)，t，表示圖像II中第j個特征點的描述子，j = 1... M ;設 D(NXM的矩陣）表示圖像I和圖像II的特征點的描述子距離矩陣，D中第i行第j列的元 素町，表示圖像I中第i個特征點與圖像II中第j個特征點的描述子距離，其計算方法為 DiJ = M S i_t j I I。
[000引上述實施例中，所述"構(gòu)建圖像I、II的特征點的坐標距離矩陣"步驟中，設Pi和 Pk分別表示圖像I中第i個和第k個特征點的坐標，k= 1...N，設# (NXN的矩陣）表示 圖像I中特征點的坐標距離矩陣，其各元素為
[0009]
[0010] 設P郝P I分別表示圖像II中第j個和第I個特征點的坐標，I = I. . . M，設;根' (MXM的矩陣）表示圖像II中特征點的坐標距離矩陣，其各元素為
[0011]
[0012] 其中，a為經(jīng)驗值，a控制了實際坐標距離對結(jié)構(gòu)距離加權(quán)的權(quán)值的影響程度。
[0013] 上述實施例中，所述"歸一化圖像I、II的特征點的坐標距離矩陣"步驟中，使# 每行加和、每列加和都為1，歸一化后圖像I的特征點的坐標距離矩陣為
[0014]
[0015] 歸一化后，W將作為匹配時圖像I各特征點結(jié)構(gòu)距離加和的權(quán)值，即對于圖像I中 的第i個特征點Si, Wik表示了第k個特征點S k對S 1的權(quán)值，圖像I中除S義外所有特征 點對Si的權(quán)值加和為1 ;
[0016] 使妒每行加和、每列加和都為1，歸一化后圖像II的特征點的坐標距離矩陣為
[0017]
陽01引歸一化后，W'將作為匹配時圖像II各特征點結(jié)構(gòu)距離加和的權(quán)值，即對于圖像II 中的第j個特征點t，，表示了第1個特征點t擁t,的權(quán)值，圖像II中除t,之外所有特 征點對tj的權(quán)值加和為1。
[0019] 上述實施例中，所述"用歸一化的坐標距離矩陣及圖像I、II最佳匹配特征點的描 述子結(jié)構(gòu)距離迭代優(yōu)化所述描述子距離矩陣"步驟中，設C(NXM的矩陣）表示圖像I和圖 像II的特征點的描述子結(jié)構(gòu)距離矩陣，其初始值為C = D，C中第i行第j列的元素 Cii表 示圖像I中第i個特征點與圖像II中第j個特征點的描述子結(jié)構(gòu)距離，對于所有i和j，即 i = 1. . . N, j = 1. . . M,計算并更新
[0020]
陽02U 其中， 陽02引Tk表示圖像I中第k個特征點與圖像II中最佳匹配的特征點的描述子結(jié)構(gòu)距離， 取值區(qū)間是1到M之間的整數(shù)，對于k = 1. .. N，
[0023]
[0024] r康示圖像II中第1個特征點與圖像I中最佳匹配的特征點的描述子結(jié)構(gòu)距離， 取值區(qū)間是I到N之間的整數(shù)，對于I = 1...M， 陽O巧]
[00%] 上述實施例中，所述"根據(jù)迭代優(yōu)化后的描述子距離矩陣的元素變化及迭代次數(shù) 判定并輸出匹配度"步驟中，如果迭代優(yōu)化前后C中沒有元素發(fā)生變化，或者迭代次數(shù)達到 預設的最大次數(shù)，則統(tǒng)計T和r中小于預設的最大匹配闊值的元素個數(shù)之和，作為圖像I 和圖像II的匹配度進行輸出。
[0027] 上述實施例中，所述"根據(jù)迭代優(yōu)化后的描述子距離矩陣的元素變化及迭代次數(shù) 判定并輸出匹配度"步驟中，如果迭代優(yōu)化前后C中有元素發(fā)生變化且迭代次數(shù)未達到預設 的最大次數(shù)，則再次執(zhí)行前述"用歸一化的坐標距離矩陣及圖像I、II最佳匹配特征點的描 述子結(jié)構(gòu)距離迭代優(yōu)化所述描述子距離矩陣"的步驟，直至迭代優(yōu)化前后C中沒有元素發(fā)生 變化，或者迭代次數(shù)達到預設的最大次數(shù)，再統(tǒng)計T和r中小于預設的最大匹配闊值的元 素個數(shù)之和，作為圖像I和圖像II的匹配度進行輸出。
[002引上述實施例中，所述"提取和表征出待匹配的圖像I、II的特征點"的步驟采用尺 度不變特征轉(zhuǎn)換算法進行。
[0029] 上述實施例中，該尺度不變特征轉(zhuǎn)換算法包括步驟：尺度空間極值檢測、關(guān)鍵點定 位、方向確定W及關(guān)鍵點描述。
[0030] 上述實施例中，所述度空間極值檢測是在尺度空間通過高斯微分函數(shù)來檢測潛在 的對于尺度和旋轉(zhuǎn)不變的興趣點；所述關(guān)鍵點定位是在興趣點位置上確定關(guān)鍵點的位置和 尺度；所述方向確定是指基于圖像局部的梯度方向給每個關(guān)鍵點分配方向；所述關(guān)鍵點描 述是在每個關(guān)鍵點的領(lǐng)域內(nèi)測量圖像局部的梯度，最終用一個特征向量來表達。
[0031] 本發(fā)明的上述保持空間結(jié)構(gòu)的圖像特征點匹配方法，在特征點匹配過程中，除了 描述子的直接比較，還加入了基于位置關(guān)系的結(jié)構(gòu)距離計算，使得匹配結(jié)果能夠保持空間 結(jié)構(gòu)；將特征點之間的位置距離作為權(quán)值，對于每個特征點，其周圍較近的其他特征點對該 點的匹配有較大影響，較遠特征點只有較小影響，如此設計既融入了空間結(jié)構(gòu)的匹配、又保 證了全局匹配的正確性；并且該方法容易通過矩陣乘法等線性運算近似實現(xiàn)，算法效率高。
【具體實施方式】
[0032] 下面結(jié)合【具體實施方式】對本發(fā)明的技術(shù)方案作進一步更詳細的描述。顯然，所描 述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例， 本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都應屬于 本發(fā)明保護的范圍。
[0033] 本發(fā)明實施例提供的保持空間結(jié)構(gòu)的圖像特征點匹配方法，包括步驟：
[0034] 提取和表征出待匹配的圖像I、II的特征點；
[0035] 構(gòu)建圖像I、II的特征點的描述子距離矩陣；
[0036] 構(gòu)建圖像I、II的特征點的坐標距離矩陣；
[0037] 歸一化圖像I、II的特征點的坐標距離矩陣；
[0038] 用歸一化的坐標距離矩陣及圖像I、II最佳匹配特征點的描述子結(jié)構(gòu)距離迭代優(yōu) 化所述描述子距離矩陣；
[0039] 根據(jù)迭代優(yōu)化后的描述子距離矩陣的元素變化及迭代次數(shù)判定并輸出匹配度。 W40] 本實施例中，在進行所述"提取和表征出待匹配的圖像1、11的特征點"的步驟時， 優(yōu)先義用SIFT (尺度不變特征轉(zhuǎn)換（Scale-invariant fea1:ure transform, SIFT)算法作 為特征點提取和表征的方法。
[0041] 該SIFT算法大致有尺度空間極值檢測、關(guān)鍵點定位、方向確定W及關(guān)鍵點描述四 個步驟。具體的，該SIFT算法包括步驟：在尺度空間通過高斯微分函數(shù)來檢測潛在的對于 尺度和旋轉(zhuǎn)不變的興趣點；在興趣點位置上，確定關(guān)鍵點的位置和尺度；基于圖像局部的 梯度方向，給每個關(guān)鍵點分配方向；在每個關(guān)鍵點的領(lǐng)域內(nèi)測量圖像局部的梯度，最終用一 個特征向量來表達。
[0042] 本實施例中，在進行所述"構(gòu)建圖像1、11的特征點的描述子距離矩陣"的步驟時， 設N表示圖像I中提取到的特征點數(shù)，S康示圖像I中第i個特征點的描述子，i = 設M表示圖像II中提取到的特征點數(shù)，t,表示圖像II中第j個特征點的描述子，j = 1. . .M ; 設D (NXM的矩陣）表示圖像I和圖像II的特征點的描述子距離矩陣，D中第i行第j列 的元素 Du表示圖像I中第i個特征點與圖像II中第j個特征點的描述子距離，其計算方 法為 Dij= I I S i-tj I I。
[0043] 本實施例中，在進行所述"構(gòu)建圖像1、11的特征點的坐標距離矩陣"的步驟時，設 P郝P k分別表示圖像I中第i個和第k個特征點的坐標，k = 1. . . N，設# (NXN的矩陣） 表示圖像I中特征點的坐標距離矩陣，其各元素為
[0044]
柳例設P郝P 1分別表示圖像II中第j