一种利用RANSAC消除Brisk关键点错误匹配点对的方法与流程

技术特征：
1.一种利用RANSAC消除Brisk关键点错误匹配点对的方法，其特征包括如下步骤：步骤一、图像预处理：采用高斯平滑滤波对待处理的两幅图像分别进行处理，去除噪声的影响，得到滤波后的平滑图像；步骤二、对步骤一中得到的两幅平滑图像分别进行Brisk(BinaryRobustInvariantScaleKeypoint)关键点检测、描述和匹配，得到两幅图像的对应匹配点对；步骤三、利用RANSAC(RandomSamplingConsensus)对步骤二得到的对应匹配点对进行处理，消除错误匹配点对，最终获得正确的匹配点对；所述步骤二中，对得到的两幅平滑图像分别进行Brisk(BinaryRobustInvariantScaleKeypoint)关键点检测、描述和匹配的方法为：步骤(21)、尺度空间特征点检测：使用AGAST(AdaptiveandGenericAcceleratedSegmentTest)进行特征提取，尺度不变性是获得高质量特征点的前提，因此，不只在图像平面搜索最大值，同时在尺度空间内用FAST分数s作为显著性测量值，所述FAST是FeaturesfromAcceleratedSegmentTest，尺度空间金字塔包括n个octaves，第i个octave用ci表示，每个octave包含n个intra-octavesdi，i＝{0,1,2,...,n-1},n＝4，octave是原始图像渐进半采样形成，di存在于ci与ci+1之间，第一个intra-octave由原始图像以1.5的采样因子降采样得到，其余的di由连续半采样得来，如果t表示尺度，那么t(ci)＝2i，t(di)＝2i·1.5，Brisk算法采用FAST9-16提取特征点的方法如下，所述FAST9-16是指在需要在16个像素的圆上至少有连续9个像素的灰度值比中心像素灰度值更大或更小：步骤(211)、对每一个octave和每一层intra-octave应用FAST9-16，取相同的阈值T来分辨潜在的感兴趣区域；步骤(212)、对步骤(211)得到的潜在感兴趣区域的点进行非极大值抑制：首先，问题点需要满足极大值条件，即在同层中八邻域的FASTscores最大，s定义为极大值是考虑到此点是图像角点；其次，同层和上下层的scores都应比此点的scores小，由此得到满足极大值条件的感兴趣点和所在层的尺度；步骤(213)、检查步骤(212)得到的感兴趣点所在层上的patch，由于相邻层离散程度不同，需要在patch边缘进行插值，至此得到一系列具有亚像素精度和浮点尺度的关键点集；步骤(22)关键点描述：对于由步骤(21)得到的一系列关键点集，该关键点集由亚像素精确定位和相关浮点尺度组成，Brisk描述子由通过连接简单的灰度比较结果形成的二值串组成，在Brisk中，确定每个关键点的特征方向来获得方位归一化描述子，因此赢得旋转不变性；步骤(23)、描述子匹配：匹配两个Brisk描述子是一个简单的汉明距离的计算，两个描述子中不同的比特位的数量为不相似度的度量；所述步骤三中，利用RANSAC算法对步骤二得到的匹配点对进行处理，消除错误匹配点对的方法为：步骤(31)、随机在步骤二得到的候选匹配点集中选出三对不共线的匹配点对，根据选取出的匹配点对计算仿射变换矩阵M；步骤(32)、针对匹配图像中的所有特征点X，计算仿射变换M·X，选出满足|MX-X'|<ε的点对构成内点，其中X'为对应X的匹配点对，ε为选定的阈值，如果内点数大于预设的阈值a，使用这些内点在最小二乘意义下重新计算变换矩阵M，再次更新内点数目，若内点数目小于t，返回步骤(31)；步骤(33)、经过N次迭代后，如果最大内点集合内包含的点的个数趋于稳定收敛且大于t，则可根据内点集合计算变换矩阵M，算法结束；否则，若最大内点集合内包含的点的个数不再改变且小于阈值a，则算法失败；所述步骤(22)中，对于由步骤(21)得到的一系列关键点集，该关键点集由亚像素精确定位和相关浮点尺度组成，Brisk描述子生成方法为：步骤(41)、在每个关键点邻域内使用确定的采样模式，定义N个位置均匀分布在以关键点为圆心的同心圆上，其中小的黑色实心圆表示采样位置；大的虚线圆半径对应于平滑该采样位置的灰度值所用的高斯核的标准差，模式尺度为1，对于图像中一个特定的关键点，考虑所有采样点对集，定义短距离点对和长距离点对；步骤(42)、建立描述子：为了获得旋转和尺度归一化描述子，在关键点周围采用旋转采样模式，通过执行所有短距离点对的灰度比较获得二值比特矢量描述子；利用步骤三所述方法对上述步骤二得到的匹配结果进行错误匹配消除后得到的对应匹配点对均为正确匹配点，从而进一步提高了匹配精度；当图像发生视角、旋转、尺度、模糊变化时，综合利用Brisk以及RANSAC后得到的匹配结果比单一使用Brisk方法更精确，匹配精度更高；为了定量评估匹配算法的性能，对图像进行测试，计算匹配的特征比、正确匹配的特征百分比以及正确匹配的特征点对与所有匹配的特征点对的百分比，所述匹配的特征比为匹配点对与两幅匹配图中检测到的特征点中最小个数之比，所述正确匹配的特征百分比为正确匹配点对与两幅匹配图中检测到的特征点中最小个数之比，可以得出不管图像出现何种变化，均会出现错误匹配点对，经过RANSAC消除错误匹配点对后，进一步提高了匹配精度，为后续用于跟踪应用场景提供了基础；该利用RANSAC消除Brisk关键点错误匹配点对的方法采用基于Brisk(BinaryRobustInvariantScaleKeypoint)的特征点检测、描述和匹配方法，与传统基于sift、surf相比在保持较高质量的同时具有更高的匹配速度；该利用RANSAC消除Brisk关键点错误匹配点对的方法在基于Brisk(BinaryRobustInvariantScaleKeypoint)的特征点检测、描述和匹配的基础上，利用RANSAC(RandomSamplingConsensus)消除关键点错误匹配点对，在保持原有方法高质量和快速的同时，进一步提高了匹配精度；该利用RANSAC消除Brisk关键点错误匹配点对的方法采用基于Brisk(BinaryRobustInvariantScaleKeypoint)的特征点检测、描述和匹配方法，在此基础上利用RANSAC(RandomSamplingConsensus)消除关键点错误匹配点对，对视角变化、尺度、旋转和模糊情况均能适应。