一种基于形状交互矩阵的图像错误匹配检验方法
【技术领域】
[0001] 本发明涉及图像匹配与图像检索领域，尤其涉及一种基于形状交互矩阵（Shape Interaction Matrix，简称SIM)的图像错误匹配检验方法，该方法具有仿射变换不变性，用 于检测一对图像之间局部特征点的错误匹配对。
【背景技术】
[0002] 从给定的两个匹配点集中去除错误匹配对是计算机视觉、模式识别、多媒体领域 中的一项基本问题，其应用广泛，例如从运动恢复结构、图像配准、立体匹配、跟踪、目标识 别以及部分重复图像检索等。在各种应用场景中，首先要做的就是得到点集之间的两两对 应匹配关系。这里的点集既可以是由二维图像中提取到的局部特征点，也可以是三维点云 数据中的提取到的三维关键点。候选点之间的匹配关系，通常需要通过两个假设条件作为 约束来确定，一个是相似性假设，另一个则是空间一致性假设。相似性假设要求匹配对中的 两个点的描述子彼此之间应该尽量相似，而空间一致性假设则要求所有正确匹配对之间应 该满足一个统一的几何变换关系。通常我们用相似性假设作为一个充分条件来选取候选匹 配对的范围，而用空间一致性假设作为一个必要条件来过滤候选匹配对中的错误匹配。造 成错误匹配对的原因，主要包括以下三点：
[0003] (1)两个点集间通常存在未知的几何变换，这些变换可能包括平移变换、旋转变 换、尺度变换、错切变换及投影变换等。
[0004] (2)由于受到如二维图像或三维场景中物体色调、光照、材质、纹理等客观条件的 影响，相应的二维或三维特征检测器检测到的特征，其位置通常存在精度偏差。
[0005] (3)二维图像或三维场景中的内容可能存在相互遮挡，由此引入了许多本身没有 匹配点的干扰特征点。
[0006] 由于错误匹配对的存在，匹配精度有所下降，这成为了制约其诸多应用场景性能 的一个瓶颈。去除错误匹配方法因此需要克服由上述原因带来的强噪声、大量离群点以及 强几何变换以适应复杂的应用场景。为了解决这一问题，人们提出了很多使用空间一致性 假设来检测和去除错误匹配的方法，我们将这些方法归为以下两类:迭代逼近方法与非迭 代过滤方法。
[0007] 第一类方法希望通过交替迭代的方式来同时估计几何变换模型与正确匹配对的 集合。由于估计得到的几何变换模型受离群点所占比例的影响很大，这类方法所面临的主 要困难时如何在离群点比例较高的情况下鲁棒地去除错误匹配点。经典的随机抽样一致性 方法(RANSAC，参见引用文献[1])以及其变种方法最大似然估计抽样一致性方法(MLESAC， 参见引用文献[2])可以在离群点比例相对不高的情况下估计仿射或投影变换模型并去除 错误匹配。一致性函数鉴别法（ICF，参见引用文献[3])以及基于矢量场一致性的三种方法 VFC、Fast-VFC、Spars e-VFC(参见引用文献[4])甚至可以在离群点比例较高的情况下估计 非刚体变换模型并去除错误匹配。这类方法通过迭代的方式能够估计较为复杂的几何变换 模型，却也因此会在计算上较为耗时。
[0008]第二类方法则考虑用一种非迭代的方式，直接利用几何先验知识来过滤错误匹配 点，而无需精确估计几何变换模型。该类方法由于耗时较少，一直以来广泛运用于大规模图 像检索领域来提升检索精度，该领域的研究者也为此提出了很多有效的方法。其中，基于相 似几何变换先验假设的方法有:弱几何一致性法(WGC，参见引用文献[5])、强化弱几何一致 性法(EWGC，参见引用文献[6])、强几何一致性法(SGC，参见引用文献[7])以及成对几何匹 配法(PGM，参见引用文献[8])。上述方法均使用了特征点的主方向及主尺度信息来有效地 过滤错误匹配，但都是从孤立的特征匹配对的角度出发设计的过滤方法。还有一些基于较 强相似变换模型的方法包括:几何编码法(GC，参见引用文献[9])、低秩全局几何一致性法 (LRGGC，参见引用文献[10])以及一范数全局几何一致性法(L1GGC，参见引用文献[11])可 有效利用孤立特征点之间的全局空间信息，利用全局几何信息统一地快速地过滤错误匹 配，但是，当点集之间的几何变换(仿射变换或投影变换)较复杂时，往往达不到良好效果。 [0009]引用文献：
[0010] [1]Μ·Α·Fischler and R.C·Bolles，"Random sample consensus : a paradigm for model fitting with applications to image analysis and automated cartography，'，Communications of the ACM, vol. 24,no. 6 ,pp. 381-395,1981.
[0011] [2]P.H.Torr and A·Zisserman，"MLESAC:A new robust estimator with application to estimating image geometry，''Computer Vision and Image Understanding,vo1.78,no.1,pp.138-156,2000.
[0012] [3]X.Li and Z.Hu，"Rejecting mismatches by correspondence function，'， International Journal of Computer Vision,vol,89,no.1,pp.1-17,2010.
[0013] [4]J.Ma，J.Zhao,J.Tian，A.Yuille，and Z.Tu，"Robust point matching via vector field consensus，'，IEEE Transactions on Image Processing,vol.23, no .4, pp.1706-1721,2014.
[0014] [5]Herve Jegou,Matthijs Douze,and Cordelia Schmid，"Hamming embedding and weak geometric consistency for large scale image search，'，in European Conference on Computer Vision,2008,vol.5302,pp.304-317.
[0015] [6]Wan_Lei Zhao，Xiao Wu，and Chong-Wah Ngo，"On the annotation of web videos by efficient near-duplicate search，'，IEEE Transactions on Multimedia, vol·12，no·5，pp·448-461，2010·
[0016] [7]Junqiang ffang,Jinhui Tang,and Yu-Gang Jiang，"Strong geometrical consistency in large scale partialduplicate image search，'，in Proceedings of the 21st ACM International Conference on Multimedia，2013，pp.633-636.
[0017] [8]X·Li，M·Larson，and A·Hanjalic，"Pairwise geometric matching for large-scale object retrieval，'，in Computer Vision and Pattern Recognition, 2015.
[0018] [9]ffengang Zhou，Houqiang Li，Yijuan Lu,and Qi Tian，"SIFT match verification by geometric coding for large scale partial-duplicate web image search，'，ACM Trans.on Multimedia Comput.Commun.Appl.,vol.9,ηο.1,pp.4:1-4:18, 2013.
[0019] [ 10 ] L · Yang，Y · Lin，Z · Lin，and H.Zha，"Low rank global geometric consistency for partial-duplicate image search，'，in International Conference on Pattern Recognition，2014，pp.3939-3944.
[0020] [11]Y·Lin，C·Xu，L·Yang，Z·Lin，and H·Zha，"11-norm global geometric consistency for part