一种基于向量的SIFT点集平滑匹配方法与流程

本发明涉及图像点集匹配领域，具体是一种基于向量的sift点集平滑匹配方法。

背景技术：

视觉是人类获取外界信息的最重要的方式，而计算机视觉研究的就是如何让计算机有效地获取外界信息，模仿人类视觉的运行原理。图像匹配是计算机视觉研究领域的重要基础之一，也一直是此领域的研究热点问题。图像匹配是指通过寻找图像对之间两两对应关系，建立起多幅图像间的对应关系，从而解决人脸识别、目标识别、图像拼接、三维重建。

如何有效的进行匹配是图像匹配问题的核心研究内容。因此，通过对图像提取特征点，构造点集进行匹配，并在此基础上实现下一步的图像匹配问题，从而获取有效的匹配结果。在实际应用中，由于需要进行图像匹配的图像数据包括各个方面(如人、车等物体、草地、树木等自然景象)，因此，要选择合适的特征点作为输入数据构成待匹配点集。另外由于输入的图像数据存在分辨率、光照、角度等各方面的不同，这使得图像匹配问题变得更加复杂。

近年来，图像匹配技术一直是众多专家学者的研究热点所在，随着图像匹配技术的发展，点集匹配技术也在同步发展。基于角点特征的匹配算法。基于尺度不变特征的匹配算法、针对形状匹配的形状上下文算法等一系列算法都是为了从图像数据中提取出有效的特征点以进行下一步的匹配问题。在初步进行特征点提取、匹配过程后，需要通过算法(如经典的ransac算法)进行消除错误匹配。

本发明采用一种基于向量的sift点集平滑匹配方法有效地消除错误匹配，保证最终的点集及图像匹配效果。在传统的开源库(如opencv)中，提取sift特征点后，采用暴力(brute-force)匹配或者快速最近邻(flann)匹配，确定sift特征点之间的匹配关系。前者通过寻找距离最低的特征点作为匹配的特征点，后者通过近似的方法，找到相对好的最近邻匹配，但是速度更快。本发明引入高斯核函数，将输入空间映射到高维特征空间，避免“维数灾难”问题的出现。而最大期望(em)算法是在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，求得参数的最大似然估计，经常用在机器学习和计算机视觉的数据聚类领域。

技术实现要素：

本发明的目的在于提供一种基于向量的sift点集平滑匹配方法，能够提供最终的点集及图像匹配效果。

为实现上述目的，本发明的技术方案是：一种基于向量的sift点集平滑匹配方法，包括如下步骤：

步骤s1、对待匹配的图片进行预处理，提取图片的sift特征点构造两个点集；

步骤s2、利用开源库初步计算两个点集之间可能存在的关系，通过连接两个点集的特征点对构成向量，用来表示点集映射关系；

步骤s3、计算特征点对之间匹配情况的最大后验概率，利用高斯核函数构造正则化项，通过对应关系和正则化项构造能量函数；

步骤s4、通过em算法迭代计算，在第一步中，利用现有的特征点匹配关系估计值，更新其最大后验概率值；

步骤s5、在第二步中，根据在第一步中求得的对应关系最大后验概率值，最大化能量函数，从而更新对应关系的估计值；

步骤s6、重复迭代进行步骤s4、s5，从而得到最佳对应关系，即两个点集正确匹配结果。

在本发明一实施例中，所述步骤s2中，采用向量的形式表示两点间关系，确定初步对应匹配关系。

在本发明一实施例中，所述步骤s3中，最大后验概率计算公式如下：

其中，pn表示概率，y表示输入图像与输出图像之间的向量关系，x表示输入图像的像素点，f表示x与y之间的映射关系，d,a,γ,σ,π代表事先确定的常数。

在本发明一实施例中，所述步骤s3中，高斯核函数和正则化项公式如下：

其中，κ(·)代表核函数，g(f)代表正则化项，β,λ,γ代表事先确定的常数。

在本发明一实施例中，所述步骤s3中，能量函数公式如下：

其中，代表概率pn的矩阵，代表输入图像与输出图像之间的向量关系的矩阵，λ,γ代表事先确定的常数。

相较于现有技术，本发明具有以下有益效果：本发明方法能够提供最终的点集及图像匹配效果。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于向量的sift点集平滑匹配方法，包括以下步骤：

1)对需要进行匹配的图像数据进行读取、预处理，提取图片的sift特征点构造两个点集；

2)利用开源库初步计算两个点集之间可能存在的关系，通过连接两个点集的特征点对构成向量，用来表示点集映射关系；

3)计算特征点对之间匹配情况的最大后验概利用高斯核函数构造正则化项：使点集匹配更加平滑，具备适用性，通过对应关系和正则化项构造能量函数：

4)通过em算法迭代求解，在第一步(计算期望：e)中，利用现有的特征点匹配关系估计值，更新其最大后验概率值；

5)在第二步(最大化：m)中，根据在e步中求得的对应关系最大后验概率值，最大化能量函数，从而更新对应关系的估计值；

6)重复迭代进行以上两步，从而得到最佳对应关系，即两个点集正确匹配结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。