线群1A的端点进行坐标表示，得到不同直 线的端点坐标值仍1=^1，711)1'，？12=^2^2)1'}，其中？11=^1^1) 1'表示直线的起点坐 标，Pi2= 示直线的终点坐标；
[0040] 2e)获得所有坐标值中横坐标的最小值X1以及纵坐标的最小值y1:
[0041]
[0042] 其中，以及(Xl,2，yi,2)分别是图像中直线的两个端点坐标；
[0043 ] 2f)获得所有坐标值中横坐标的最大值χ2以及纵坐标的最大值y2:
[0044]
[0045] 2g)将步骤2e)中得到的（X1，yi)以及步骤2f)中得到的（x 2，y2)分别作为矩形的左 上角顶点ViW及右下角顶点V2,利用矩形的两个顶点（VhVs)确立拟合矩形区域，此矩形区 域即为参考图像A中的低秩纹理区域Ua;
[0046] 2h)对步骤2c)得到的待匹配图像B中的直线群1B按照与对参考图像A中的直线群1 A 相同的步骤(2d-2g)，得到待匹配图像B中的低秩纹理区域UB。
[0047] 步骤3,使用变换不变低秩纹理TILT变换计算局部变换矩阵。
[0048] 分别对上述低秩纹理区域UA和UB进行变换不变低秩纹理TILT变换，得到各参考图 像A的局部变换矩阵Ha和待匹配图像B的局部变换矩阵Hb。
[0049] 所述变换不变低秩纹理TILT变换来自21^叫，2.，1^31^，乂.，63116811，4.，&1&，￥· (2011)·TILT:transform invariant low-rank textures . In Computer Vision-ACCV 2010(pp· 314-328) · Springer Berlin Heidelberg，变换不变低秩纹理TILT变换主要步骤 如下：
[0050] 3a)对Ι〇τ进行归一化并计算雅可比矩阵：
[0051]
[0052] 其中，I是输入的低秩纹理区域，τ是初始变换矩阵，VI是关于I的雅可比矩阵，Μ · I f表示矩阵的F范数，V'是卷积运算符。
[0053] 3b)利用步骤3a)得到的雅可比矩阵求解以下凸规划：
[0054]
[0055] 其中，10是恢复得到的低秩纹理，E是输入的低秩纹理区域，I是稀疏干扰部分，Δ τ 是变换矩阵迭代差值，γ是权重因子，Μ · 11*表示矩阵核范数，Μ · I |:表示矩阵1范数；
[0056] 3c)利用步骤3b)中得到的变换矩阵迭代差值Δτ对变换矩阵τ进行迭代计算，即令 τ = τ+Δτ，将得到的τ返回给步骤3b)的凸规划，迭代循环直至核范数| III I*不再变化为止， 此时的τ即为本发明中的局部变换矩阵。
[0057]步骤4,对两幅输入图像进行投影变换校正。
[0058]分别使用局部变换矩阵Ha和Ηβ对两幅输入图像Α和Β进行投影变换，得到校正后的 参考图像y和校正后的待匹配图像V:
[0059] A7 =HaA
[0060] B7 =HbB〇
[0061] 步骤5,对两幅校正后图像进行高斯差分DoG极值点检测。
[0062]分别对上述两幅校正后参考图像#和校正后待匹配图像V进行高斯差分DoG极值 点检测，得到校正后参考图像的特征点集Ω A'以及校正后待匹配图像的特征点集Ω B'。
[0063]步骤6，分别对上述两个特征点集Ω A'和Ω b'中每一特征点建立SIFT描述符和几何 形状描述符。
[0064] 6a)分别对上述检测到的校正后参考图像Y中的特征点集ΩΑ'，以及校正后待匹配 图像V中的特征点集中的每一个特征点进行基于尺度不变特征变换SIFT的特征描述， 得到128维的局部特征描述符La'以及U ;
[0065] 6b)分别对特征点集ΩΑ'以及ΩΒ'中的每一个特征点进行几何形状描述，建立20维 的几何形状描述符GY以及Gw :
[0066] 6bl)以检测得到的高斯差分DoG极值点为中心，在输入图像中构建5个不同尺寸的 同心正方形区域{&|」=1，2...5}，每个正方形区域的边长大小分别为：
[0067]
[0068] 其中v是图像尺寸中长和宽的最大值，μ」是对应的不同大小的正方形边长；
[0069] 6b2)将上述得到的每个正方形区域等分为四个子块区域{Qw| j = l，2，...，5;i = 1，2,3,4}，分割后的四个子块区域仍为正方形，且边长均为
[0070] 6b3)计算每一个子块区域Qj,i内所有像素点的最大曲率ξ(ρ):
[0071] ξ(ρ) =max(Ai(p) ,λ2(ρ)),
[0072] 其中p表示像素点的位置，λΚρ)以及λ2(ρ)是Hessian矩阵He(p)的两个特征值，H e (P)计算如下：
[0073]
[0074] 式中Ixx(p)表示图像I中的像素点p在X方向的二阶偏导，Iyy(p)表示图像I中的像 素点P在y方向的二阶偏导，Ixy(P)表示相应的二阶混合偏导；
[0075] 6b4)根据6b3)的结果计算每一个子块区域Qj, i内所有像素点的最大曲率之和：
[0076]
[0077] 6b5)根据6b4)的结果对检测得到的高斯差分DoG极值点建立20维的几何形状描述 符 G20:
[0078]
[0079]步骤7，构建特征点的新型描述符。
[0080]利用步骤(6)中建立的128维局部特征描述符La'、Lb'以及20维的几何形状描述符 Ga'、Gb'，分别建立校正后参考图像的特征点集ΩΑ'中每一个特征点的特征描述符Da'和校正 后待匹配图像的特征点集Ωκ中每一个特征点的特征描述符Dw :
[0081]
[0082]
[0083]其中0 1是局部特征与几何形状特征之间的权重因子。
[0084]步骤8,特征点描述符的匹配。
[0085] 对上述得到的两个新型特征描述符Da'和Db'进行欧式距离度量，以现有最近邻比 次近邻小于指定阈值的准则来建立参考图像与待匹配图像的匹配点对，完成存在投影变换 的图像之间的匹配：
[0086] 8a)按照下式计算校正后参考图像的特征点集ΩΑ'和校正后待匹配图像的特征点 集Ω κ中特征点描述符之间的欧式距离：
[0087]
[0088] 其中m表示描述符的维度，本发明中πι=158;Ι^=(Γη，η2. . .rim)表示校正后参考 图像Y中特征点的描述符，. .tim)表示校正后待匹配图像V中特征点的描述 符;d(Ri，Ti)表不描述符Ri与描述符Ti之间的欧式距尚；
[0089] 8b)假设特征点Tm是校正后待匹配图像V中离校正后参考图像Y中特征点心最近 的特征点;假设特征点Tk是校正后待匹配图像V中离校正后参考图像Y中的特征点心次近 的特征点，如果满足下式，则认为心和!^是一对正确的匹配点对：
[0090] d(Ri，Tm)/d(Ri，Tk)〈th，
[0091] 反之，Ri和Tm不是一对正确的匹配点对，其中th是判决阈值，th的取值范围在0.7~ 0.8之间。
[0092]本发明的效果可以通过以下仿真进一步说明：
[0093] 1.仿真条件：所有仿真实验都是在Windows XP操作系统下采用Matlab R2008a软 件实现。
[0094] 2.仿真内容：
[0095]仿真 1
[0096]将本发明与现有基于尺度不变特征变换SIFT、基于最大稳定极值区域MSER以及基 于完全仿射不变特征变换ASIF这三种方法对一组人工环境下模拟的投影变换图像的匹配 试验结果进行比较，结果如图2。
[0097]其中：
[0098]图2(a)为输入的参考图像；
[0099] 图2(b)_(h)分别为人工模拟的不同程度投影失真下的待匹配图像；
[0100] 图2(i)为用本发明方法和所述的现有三种方法，对参考图像和在不同投影失真下 的待匹配图像进行匹配的匹配正确率曲线图，其中横坐标表示投影失真程度，纵坐标表示 正确匹配率；
[0101] 图2(j)为用本发明方法和所述的现有三种方法，对参考图像和在不同投影失真下 的待匹配图像进行匹配的特征点重复率曲线图，其中横坐标表示投影失真程度，纵坐标表 示特征点重复率。
[0102] 从图2可以看出，相对于现有基于尺度不变特征变换SIFT、基于最大稳定极值区域 MSER以及基于完全仿射不变特征变换ASIFT，本发明方法能够获得更高的正确匹配率以及 特征点重复率。
[0103] 仿真2,用本发明与现有基于尺度不变特征变换SIFT、基于最大稳定极值区域MSER 以及基于完全仿射不变特征变换ASIF这三种方法对真实场景下拍摄的投影变换图像的匹 配试验结果进行比较，结果如图3