保持空间结构的图像特征点匹配方法
【技术领域】
[0001] 本发明设及模式识别与计算机视觉领域，尤其设及一种保持空间结构的图像特征 点匹配方法。
【背景技术】
[0002] 在计算机视觉应用中，图像间匹配的常用方法是先从各个图像中提取出特征点， 并用描述子表征各特征点，然后通过比较描述子的相似程度，对不同图像的特征点进行匹 配。
[0003] 图像特征点提取和表征的输出的结果是图像特征点的位置和描述子，它是图像特 征点匹配的前一步。SIFT(尺度不变特征转换）是一种经典的图像特征点提取和表征方法， 主要步骤包括构建尺度空间，检测和过滤高斯差分极值点，分配方向值生成描述子等。
[0004] 图像特征点匹配是实现图像检索、=维重建、图像配准与融合、目标识别与跟踪等 多种应用的关键步骤之一。常用的匹配方法是对一个图像上的每个特征点，在另一个图像 中找出与之描述子相似度最高的特征点，然后统计相似度大于经验阔值的匹配点个数，用 来度量图像的相似程度。运种方法没有考虑特征点的位置关系，容易导致一个目标上的特 征点被匹配到多个目标等错误。
【发明内容】
[0005] 为了解决现阶段图像匹配方法未考虑特征点位置关系而容易导致错误的问题，本 发明提供一种保持空间结构的图像特征点匹配方法，该方法在特征点匹配过程中融入了空 间结构的匹配，提高了特征点匹配的准确性。
[0006] 本发明实施例提供一种保持空间结构的图像特征点匹配方法，包括步骤：提取和 表征出待匹配的图像I、II的特征点；构建图像I、II的特征点的描述子距离矩阵；构建图 像I、II的特征点的坐标距离矩阵；归一化图像I、II的特征点的坐标距离矩阵；用归一化 的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优化所述描述子距离 矩阵；根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。
[0007] 上述实施例中，所述"构建图像1、11的特征点的描述子距离矩阵"步骤中，设N表 示图像I中提取到的特征点数，S康示图像I中第i个特征点的描述子，i = 1... N ;设M表 示图像II中提取到的特征点数，t，表示图像II中第j个特征点的描述子，j = 1... M ;设 D(NXM的矩阵）表示图像I和图像II的特征点的描述子距离矩阵，D中第i行第j列的元 素町，表示图像I中第i个特征点与图像II中第j个特征点的描述子距离，其计算方法为 DiJ = M S i_t j I I。
[000引上述实施例中，所述"构建图像I、II的特征点的坐标距离矩阵"步骤中，设Pi和 Pk分别表示图像I中第i个和第k个特征点的坐标，k= 1...N，设# (NXN的矩阵）表示 图像I中特征点的坐标距离矩阵，其各元素为
[0009]
[0010] 设P郝P I分别表示图像II中第j个和第I个特征点的坐标，I = I. . . M，设;根' (MXM的矩阵）表示图像II中特征点的坐标距离矩阵，其各元素为
[0011]
[0012] 其中，a为经验值，a控制了实际坐标距离对结构距离加权的权值的影响程度。
[0013] 上述实施例中，所述"归一化图像I、II的特征点的坐标距离矩阵"步骤中，使# 每行加和、每列加和都为1，归一化后图像I的特征点的坐标距离矩阵为
[0014]
[0015] 归一化后，W将作为匹配时图像I各特征点结构距离加和的权值，即对于图像I中 的第i个特征点Si, Wik表示了第k个特征点S k对S 1的权值，图像I中除S义外所有特征 点对Si的权值加和为1 ;
[0016] 使妒每行加和、每列加和都为1，归一化后图像II的特征点的坐标距离矩阵为
[0017]
阳01引归一化后，W'将作为匹配时图像II各特征点结构距离加和的权值，即对于图像II 中的第j个特征点t，，表示了第1个特征点t拥t,的权值，图像II中除t,之外所有特 征点对tj的权值加和为1。
[0019] 上述实施例中，所述"用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描 述子结构距离迭代优化所述描述子距离矩阵"步骤中，设C(NXM的矩阵）表示图像I和图 像II的特征点的描述子结构距离矩阵，其初始值为C = D，C中第i行第j列的元素 Cii表 示图像I中第i个特征点与图像II中第j个特征点的描述子结构距离，对于所有i和j，即 i = 1. . . N, j = 1. . . M,计算并更新
[0020]
阳02U 其中， 阳02引Tk表示图像I中第k个特征点与图像II中最佳匹配的特征点的描述子结构距离， 取值区间是1到M之间的整数，对于k = 1. .. N，
[0023]
[0024] r康示图像II中第1个特征点与图像I中最佳匹配的特征点的描述子结构距离， 取值区间是I到N之间的整数，对于I = 1...M， 阳O巧]
[00%] 上述实施例中，所述"根据迭代优化后的描述子距离矩阵的元素变化及迭代次数 判定并输出匹配度"步骤中，如果迭代优化前后C中没有元素发生变化，或者迭代次数达到 预设的最大次数，则统计T和r中小于预设的最大匹配阔值的元素个数之和，作为图像I 和图像II的匹配度进行输出。
[0027] 上述实施例中，所述"根据迭代优化后的描述子距离矩阵的元素变化及迭代次数 判定并输出匹配度"步骤中，如果迭代优化前后C中有元素发生变化且迭代次数未达到预设 的最大次数，则再次执行前述"用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描 述子结构距离迭代优化所述描述子距离矩阵"的步骤，直至迭代优化前后C中没有元素发生 变化，或者迭代次数达到预设的最大次数，再统计T和r中小于预设的最大匹配阔值的元 素个数之和，作为图像I和图像II的匹配度进行输出。
[002引上述实施例中，所述"提取和表征出待匹配的图像I、II的特征点"的步骤采用尺 度不变特征转换算法进行。
[0029] 上述实施例中，该尺度不变特征转换算法包括步骤：尺度空间极值检测、关键点定 位、方向确定W及关键点描述。
[0030] 上述实施例中，所述度空间极值检测是在尺度空间通过高斯微分函数来检测潜在 的对于尺度和旋转不变的兴趣点；所述关键点定位是在兴趣点位置上确定关键点的位置和 尺度；所述方向确定是指基于图像局部的梯度方向给每个关键点分配方向；所述关键点描 述是在每个关键点的领域内测量图像局部的梯度，最终用一个特征向量来表达。
[0031] 本发明的上述保持空间结构的图像特征点匹配方法，在特征点匹配过程中，除了 描述子的直接比较，还加入了基于位置关系的结构距离计算，使得匹配结果能够保持空间 结构；将特征点之间的位置距离作为权值，对于每个特征点，其周围较近的其他特征点对该 点的匹配有较大影响，较远特征点只有较小影响，如此设计既融入了空间结构的匹配、又保 证了全局匹配的正确性；并且该方法容易通过矩阵乘法等线性运算近似实现，算法效率高。
【具体实施方式】
[0032] 下面结合【具体实施方式】对本发明的技术方案作进一步更详细的描述。显然，所描 述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例， 本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于 本发明保护的范围。
[0033] 本发明实施例提供的保持空间结构的图像特征点匹配方法，包括步骤：
[0034] 提取和表征出待匹配的图像I、II的特征点；
[0035] 构建图像I、II的特征点的描述子距离矩阵；
[0036] 构建图像I、II的特征点的坐标距离矩阵；
[0037] 归一化图像I、II的特征点的坐标距离矩阵；
[0038] 用归一化的坐标距离矩阵及图像I、II最佳匹配特征点的描述子结构距离迭代优 化所述描述子距离矩阵；
[0039] 根据迭代优化后的描述子距离矩阵的元素变化及迭代次数判定并输出匹配度。 W40] 本实施例中，在进行所述"提取和表征出待匹配的图像1、11的特征点"的步骤时， 优先义用SIFT (尺度不变特征转换（Scale-invariant fea1:ure transform, SIFT)算法作 为特征点提取和表征的方法。
[0041] 该SIFT算法大致有尺度空间极值检测、关键点定位、方向确定W及关键点描述四 个步骤。具体的，该SIFT算法包括步骤：在尺度空间通过高斯微分函数来检测潜在的对于 尺度和旋转不变的兴趣点；在兴趣点位置上，确定关键点的位置和尺度；基于图像局部的 梯度方向，给每个关键点分配方向；在每个关键点的领域内测量图像局部的梯度，最终用一 个特征向量来表达。
[0042] 本实施例中，在进行所述"构建图像1、11的特征点的描述子距离矩阵"的步骤时， 设N表示图像I中提取到的特征点数，S康示图像I中第i个特征点的描述子，i = 设M表示图像II中提取到的特征点数，t,表示图像II中第j个特征点的描述子，j = 1. . .M ; 设D (NXM的矩阵）表示图像I和图像II的特征点的描述子距离矩阵，D中第i行第j列 的元素 Du表示图像I中第i个特征点与图像II中第j个特征点的描述子距离，其计算方 法为 Dij= I I S i-tj I I。
[0043] 本实施例中，在进行所述"构建图像1、11的特征点的坐标距离矩阵"的步骤时，设 P郝P k分别表示图像I中第i个和第k个特征点的坐标，k = 1. . . N，设# (NXN的矩阵） 表示图像I中特征点的坐标距离矩阵，其各元素为
[0044]
柳例设P郝P 1分别表示图像II中第j