一种基于特征点局部特征剔除误匹配特征点方法技术

本发明专利技术公开了一种基于特征点局部特征剔除误匹配特征点方法，其包括以下步骤：SIFT特征点检测，利用构建的高斯尺度空间，进行极值点检测，获取关键点；特征点匹配，基于获取的关键点描述符信息，利用欧式距离计算第一幅图像中的点距离第二幅图像中最近距离和次近距离，最近距离越小，则匹配程度越高；基于特征点局部特征值剔除误匹配特征点方法，采用宽松阈值的比率测试为粗剔除，剔除少量误匹配特征点，保证足量匹配正确的特征点；分别在两幅匹配图像中构建局部坐标系，根据点集中匹配的特征点在局部坐标系下特征值的相似度，剔除误匹配，实现精剔除。本发明专利技术有效的剔除SIFT算法匹配结果中的误匹配，可获得准确度高的点集。

A method of eliminating mismatched feature points based on local feature points

The invention discloses a method of eliminating mismatched feature points based on local feature points of feature points, which comprises the following steps: SIFT feature point detection, using the constructed Gaussian scale space to detect extreme points and obtain key points; feature point matching, based on the acquired key point descriptor information, using European distance to calculate the point distance in the first image and the shortest distance in the second image The smaller the nearest distance is, the higher the matching degree is; based on the local eigenvalues of feature points, the method of eliminating mismatched feature points is adopted, and the ratio of loose threshold is tested as rough elimination, a small number of mismatched feature points are eliminated, so as to ensure that the correct feature points are matched adequately; local coordinate systems are constructed in two matching images respectively, and the feature points matched in the point set are locally located The similarity of the eigenvalues under the standard system can eliminate the mismatches and realize the precise elimination. The invention can effectively eliminate the mismatching in the SIFT algorithm matching result and obtain a point set with high accuracy.

【技术实现步骤摘要】
一种基于特征点局部特征剔除误匹配特征点方法
本专利技术涉及一种剔除误匹配特征点的方法，尤其是涉及基于特征点局部特征值的剔除误匹配特征点的方法。
技术介绍
特征点匹配是计算机视觉领域中很多应用的基础，在图像配准、图像拼接、三维重建、目标识别中都起到重要作用。在三维重建中，匹配点对的正确直接决定着相机投影矩阵的求解，而三维点坐标的计算则是根据匹配特征点以及相机投影矩阵进行的，所以特征点的匹配直接决定了三维模型的精度，在三维重建过程中，特征点的匹配起着决定性作用。在图像拼接、图像配准时，需要根据匹配的特征点求解图像的几何变换模型实现图像的配准，特征点匹配的准确度决定着图像拼接、配准的精度。使用特征点匹配可分为三步：特征点检测、构建特征点描述子、特征点描述子进行匹配。常用的特征点提取算法有SIFT、SUFR、ORB、Harris等，而SIFT算法由于图像缩放、旋转、和仿射变换都具有良好的不变性，稳定性强、匹配精度高而受到广泛应用；但是在匹配时，由于图像缺乏纹理信息，存在相似纹理区域时会造成误匹配，影响到算法的应用。针对误匹配的特征点，最常采用的方法是随机抽样一致性算法(RANSAC)及其一系列改进的算法，根据基础矩阵或者单应性矩阵通过对初始点集进行迭代，选择出符合特定矩阵的匹配点最多的点集作为最终的匹配点集，因此初始点集匹配的正确率越高则迭代的速度越快，同时，当初始点集中误匹配的特征点较多时，采用RANSAC依然会有明显的误匹配特征点没有被有效剔除。因此对初始点集进行处理，提高匹配正确率是很有意义的。传统方法中采用比率测试获得初始匹配点集，即特征向量的最近邻与次近邻的比值小于阈值时，则为同名点，但是匹配的结果受阈值的影响较大，当阈值过松，会出现误匹配点遗漏，没有有效剔除，阈值过严，会将匹配正确的特征点剔除。因此，现有技术有待于更进一步的改进和发展。
技术实现思路
鉴于上述现有技术的不足，本专利技术针对该问题，提出了基于特征点局部特征值剔除误匹配特点方法，该方法包括粗剔除和精剔除两个过程。在粗剔除过程中采用宽松阈值的比率测试为粗剔除，剔除少量误匹配特征点，同时保证足量匹配正确的特征点；在精剔除过程中，分别在两幅匹配图像中构建相似局部坐标系，根据点集中匹配的特征点在局部坐标系下特征值的相似度，剔除误匹配，实现精剔除。为解决上述技术问题，本专利技术方案包括：一种基于特征点局部特征剔除误匹配特征点方法，其包括以下步骤：A、SIFT特征点检测，利用高斯卷积核对图像做不同尺度参数的模糊处理以及降采样构建高斯尺度空间，将高斯尺度空间中相邻图层相减构建差分高斯尺度空间；在高斯差分空间中将像素点与8邻域的点、相邻两个层面9×2共26个点进行比较，进行极值点检测，获取关键点。B、特征点匹配，基于获取的关键点描述符信息，利用欧式距离计算第一幅图像中的点距离第二幅图像中最近距离和次近距离，最近距离越小，则匹配程度越高，因此以最近距离匹配的结果为粗匹配特征点集，然后利用比率测试方法进行剔除。C、基于特征点局部特征值剔除误匹配特征点方法，该方法包括粗剔除和精剔除两个过程，粗剔除，采用宽松阈值的比率测试为粗剔除，剔除少量误匹配特征点，同时保证足量匹配正确的特征点；精剔除，分别在两幅匹配图像中构建相似局部坐标系，根据点集中匹配的特征点在局部坐标系下特征值的相似度，剔除误匹配，实现精剔除。所述的特征匹配方法，其中，步骤A具体的还包括：为了获取稳定的关键点，采用三维二次函数对关键点进行拟合，去除低对比度和边缘处不稳定的点。所述的特征匹配方法，其中，所述步骤C具体的包括：粗剔除，对于一组图像I1(x，y)和I2(x，y)，采用SIFT算法进行特征点检测，并使用暴力群举算法计算粗匹配特征点集，基于该点集，采用固定阈值为Thred1的比率测试方法对粗匹配点集进行处理，保证有足量匹配正确的特征点时，剔除部分误匹配特征点。构建局部直角坐标系，为了快速、准确地从粗剔除后的点集中筛选出3对匹配正确的特征点构建正交直角坐标系，在图像I1(x，y)和I2(x，y)中通过距离约束和角度约束构建相似三角形，通过三角形相似性原理提取匹配正确的特征点。计算特征点局部特征值，计算粗匹配的特征点在其局部坐标系中的坐标，计算匹配点对之间的欧式距离，考虑到坐标的计算误差，则当欧式距离小于特定阈值Thred2时，即为匹配正确的特征点。本专利技术提供的一种基于特征点局部特征值剔除误匹配特征点方法。该方法以高阈值比率测试得到的结果为初始匹配点集，基于三角形相似性原理，从该特征点集中筛选出3个匹配正确的特征点对，利用其分别在基准图像和实测图像中构建局部直角坐标系，根据匹配的特征点对在不同坐标系下局部特征值的相似度剔除误匹配；本专利技术有效的剔除SIFT算法匹配结果中的误匹配，准确度较高，降低了匹配正确的特征点被误剔除的概率，可获得准确度高的点集。附图说明图1是本专利技术中特征点局部特征剔除误匹配特征点方法的流程示意图。具体实施方式本专利技术提供了一种特征点局部特征剔除误匹配特征点方法，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供了一种特征点局部特征剔除误匹配特征点方法，如图1所示的，其包括以下步骤：步骤101：SIFT特征点检测，利用高斯卷积核对图像做不同尺度参数的模糊处理以及降采样构建高斯尺度空间，将高斯尺度空间中相邻图层相减构建差分高斯尺度空间；在高斯差分空间中将像素点与8邻域的点、相邻两个层面9×2共26个点进行比较，进行极值点检测，获取关键点，为了获取稳定的关键点，采用三维二次函数对关键点进行拟合，去除低对比度和边缘处不稳定的点；步骤102：特征点匹配，基于获取的关键点描述符信息，利用欧式距离计算第一幅图像中的点距离第二幅图像中最近距离和次近距离，最近距离越小，则匹配程度越高，因此以最近距离匹配的结果为粗匹配特征点集，然后利用比率测试方法进行剔除；即计算最近距离与次近距离的比值：当T小于固定阈值时，则认为这对点是匹配特征点，其中ND为最近距离，NND为次近距离。步骤103：该过程包括粗剔除和精剔除两个过程，在粗剔除过程中，采用阈值较大的比率测试方法，保留足量匹配正确的特征点，基于粗剔除后的点集，选择3个匹配正确的特征点对，分别在两幅图像中通过史密斯正交变换，建立局部相似坐标系，计算粗剔除点集中的匹配特征点在局部坐标系中的坐标，利用坐标构建特征值，根据匹配正确的特征点在坐标系中特征值相等的原理剔除误匹配特征点，达到精剔除的目的。在本专利技术的另一较佳实施例中，所述步骤101具体的包括：以上过程获取的关键点具有尺度不变性，但是不具有旋转不变性，因此利用图像的局部特征对提取的特征点分配一个基准方向，以直方图中最大值作为关键点的主方向，峰值大于主方向的80％的方向为辅方向，同时在关键点尺度空间内4×4的窗口中计算8个方向的梯度信息，构建128维的特征向量，并对特征向量归一化构建描述符信息。更进一步的，所述步骤103具体的还包括：构建局部直角坐标系，为了快速、准确地从粗剔除后的点集中筛选出3对匹配正确的特征点构建正交直角坐标系，在图像I1(x，y)和I2(x，y)中通过距离约束和角度约束构建相似三本文档来自技高网...

【技术保护点】
1.一种基于特征点局部特征剔除误匹配特征点的方法，其包括以下步骤：A、SIFT特征点检测，利用高斯卷积核对图像做不同尺度参数的模糊处理以及降采样构建高斯尺度空间，将高斯尺度空间中相邻图层相减构建差分高斯尺度空间；在高斯差分空间中将像素点与8邻域的点、相邻两个层面9×2共26个点进行比较，进行极值点检测，获取关键点。B、特征点匹配，基于获取的关键点描述符信息，利用欧式距离计算第一幅图像中的点距离第二幅图像中最近距离和次近距离，最近距离越小，则匹配程度越高，因此以最近距离匹配的结果为粗匹配特征点集，然后利用比率测试方法进行剔除。C、基于特征点局部特征值剔除误匹配特征点方法，该方法包括粗剔除和精剔除两个过程，粗剔除，采用宽松阈值的比率测试为粗剔除，剔除少量误匹配特征点，同时保证足量匹配正确的特征点；精剔除，分别在两幅匹配图像中构建相似局部坐标系，根据点集中匹配的特征点在局部坐标系下特征值的相似度，剔除误匹配，实现精剔除。

【技术特征摘要】
1.一种基于特征点局部特征剔除误匹配特征点的方法，其包括以下步骤：A、SIFT特征点检测，利用高斯卷积核对图像做不同尺度参数的模糊处理以及降采样构建高斯尺度空间，将高斯尺度空间中相邻图层相减构建差分高斯尺度空间；在高斯差分空间中将像素点与8邻域的点、相邻两个层面9×2共26个点进行比较，进行极值点检测，获取关键点。B、特征点匹配，基于获取的关键点描述符信息，利用欧式距离计算第一幅图像中的点距离第二幅图像中最近距离和次近距离，最近距离越小，则匹配程度越高，因此以最近距离匹配的结果为粗匹配特征点集，然后利用比率测试方法进行剔除。C、基于特征点局部特征值剔除误匹配特征点方法，该方法包括粗剔除和精剔除两个过程，粗剔除，采用宽松阈值的比率测试为粗剔除，剔除少量误匹配特征点，同时保证足量匹配正确的特征点；精剔除，分别在两幅匹配图像中构建相似局部坐标系，根据点集中匹配的特征点在局部坐标系下特征值的相似度，剔除误匹配，实现精剔除。2.根据权利要求1所述的特征匹配方法，其特征在于，所述步骤A具体的包括：为了获取稳定的关键点，采...

【专利技术属性】
技术研发人员：余振军，孙林，夹尚丰，
申请(专利权)人：青岛星科瑞升信息科技有限公司，
类型：发明
国别省市：山东,37