CN108550166B - 一种空间目标图像匹配方法 - Google Patents
一种空间目标图像匹配方法 Download PDFInfo
- Publication number
- CN108550166B CN108550166B CN201810251705.9A CN201810251705A CN108550166B CN 108550166 B CN108550166 B CN 108550166B CN 201810251705 A CN201810251705 A CN 201810251705A CN 108550166 B CN108550166 B CN 108550166B
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- matching point
- point pairs
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空间目标图像匹配方法,包括如下步骤:利用GMS匹配算法对空间目标的三视图图像进行粗匹配;引入NFA剔除误匹配点对,避免了人为设置误差阈值影响匹配点对的初步筛选准确度,使得算法的自适应性更强;采用三视图的几何约束对初步筛选匹配点对集进行二次筛选,获取最终的匹配点对。本发明针对空间目标结构自身存在纹理少、结构对称等特点,能够获得数量足够多且匹配精确的匹配点对,有效剔除误匹配点对,提高了匹配精确度。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种空间目标图像匹配方法。
背景技术
近年来,随着传感器技术的提升,空间目标图像的数据量也在增加;如何利用算法从空间目标图像数据中提取所需目标信息成为研究的重点。空间目标图像匹配技术,能够获取图像之间的空间位置关系,是空间目标图像拼接、空间目标三维重建等应用的基础,具有重要意义。
空间目标图像匹配是一个具有挑战性的问题,目前,大多数空间目标图像匹配方法都是直接利用SIFT、ORB等经典特征描述子提取特征点,然后利用特征距离进行粗匹配,最后利用RANSAC剔除误匹配点获得最终匹配点对。由于空间目标结构自身存在如下特点:一是空间目标纹理较少,二是空间目标的结构大多呈现对称结构,导致目前大多使用经典特征描述的空间目标图像匹配算法无法获得充足的匹配点,也容易导致许多误匹配。这些经典的空间目标图像匹配算法难以满足空间目标图像匹配的应用需求。
因此,提供一种对纹理少、结构对称的空间目标图像进行准确匹配的方法是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种空间目标图像匹配方法,通过GMS匹配算法和AC-RANSAC计算获得最终估计模型,能够有效应对少纹理、大基线下的图像匹配,并且引入三视图图像几何约束算法,从而获得数量足够多且匹配精确的匹配点对。为实现上述目的其具体方案如下:
一种空间目标图像匹配方法,包括如下步骤:
步骤1,采集空间目标的三视图图像,即图像1、图像2、图像3,并输入计算机;所述三视图图像为连续拍摄的空间目标的三张图像,图像之间的拍摄角度角度间隔不能太大。
步骤2,利用GMS匹配算法先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,得到粗匹配点对集;
步骤3,利用AC-RANSAC计算获得最终估计模型,并根据所述最终估计模型剔除粗匹配点对集中的误匹配点对,得到初步筛选匹配点对集;
步骤4,利用三视图图像几何约束算法对所述初步筛选匹配点对集进行二次筛选,得到最终匹配点对。
本发明利用GMS(Grid-based Motion Statistics)匹配算法对空间目标图像进行粗匹配,然后利用AC-RANSAC剔除误匹配点对并计算基础矩阵,最后利用三视图对匹配点对进行筛选,获取最终的匹配点对。本发明针对空间目标结构自身存在纹理少、结构对称等特点,能够获得数量足够多且匹配精确的匹配点对,有效剔除误匹配点对,提高了匹配精确度。
优选的,所述步骤2具体包括:
(1)采用GMS匹配算法分别从所述三视图图像中提取ORB特征点,先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,获取匹配点对;
(2)分别将所述三视图图像划分为网格区域,若网格区域内的匹配点对的数量高于设定的匹配点对阈值,则网格区域内的匹配点对为正确匹配点对,否则为错误匹配点对,所有正确匹配点对构成粗匹配点对集。
优选的,所述步骤3中AC-RANSAC具体采用误差阈值算法NFA,计算得到NFA值小于设定误差阈值的最终估计模型,其中
其中n是粗匹配点对集中的所有匹配点对数目;Nsample是估计模型需要的匹配点对;k是假设的内点数目,即最终匹配点的数目;M指代利用Nsample估计出的模型;Nout是Nsample估计出的模型数目,取值为1;ek是所有匹配点在模型M下的第k小的误差值;d是误差的维度,取值为1;α0是粗匹配点对集中随机点对误差在1个像素内的概率。
优选的,所述步骤4具体包括:
分别获取图像1、图像2、图像3上的匹配点P1、P2、P3,其中,P1与P2、P2与P3为两对初步筛选匹配点对;
计算P1在图像2中的极线一,以及P3在图像2中的极线二,得到所述极线一与所述极线二之间的交点坐标;
计算所述交点坐标到P2之间的欧氏距离,选择距离值小于设定距离阈值的匹配点为内点,即最终匹配点。
本发明公开的一种空间目标图像匹配方法,将GMS图像匹配算法引入到空间目标图像匹配,并根据空间目标自身的特殊性加入新的约束,解决了三维空间目标图像少纹理、大基线下的图像匹配精度低的问题。首先,分别对三视图图像进行GMS粗匹配,获取数量较多的粗匹配点对;然后引入NFA剔除误匹配点对,避免了人为设置误差阈值影响匹配点对的初步筛选准确度,使得算法的自适应性更强;最后采用三视图的几何约束对初步筛选匹配点对集进行二次筛选,得到数量足够多且匹配精确的最终匹配点对。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为现有技术中光学遥感图像匹配方法的流程示意图;
图2为本发明公开的一种空间目标图像匹配方法的流程示意图;
图3为本发明公开的一种空间目标图像匹配方法的结果对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种空间目标图像匹配方法,包括如下步骤:
S1,采集空间目标的三视图图像,即图像1、图像2、图像3,并输入计算机;
本发明的目标是对空间目标图像进行匹配。由于本发明引入了三视图的几何约束,因此本发明的输入图像是三幅空间目标图像,分别为空间目标不同角度的视图。三视图的角度间隔的大小取决于算法的边界条件,算法的边界条件与其适用范围和输入图像的质量、参数设置等相关。本实施例的三视图的角度间隔在25度以下。
S2,利用GMS匹配算法先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,得到粗匹配点对集;
具体执行过程如下:
(1)采用GMS匹配算法分别从三视图图像中提取ORB特征点,先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,获取匹配点对;
(2)分别将三视图图像划分为网格区域,若网格区域内的匹配点对的数量高于设定的匹配点对阈值,则网格区域内的匹配点对为正确匹配点对,否则为错误匹配点对,所有正确匹配点对构成粗匹配点对集。
利用GMS进行粗匹配后,会产生大量粗匹配点对,需要进一步提取误匹配点对。
S3,利用AC-RANSAC计算获得最终估计模型,并根据最终估计模型剔除粗匹配点对集中的误匹配点对,得到初步筛选匹配点对集。
AC-RANSAC是RANSAC的变种,其主要作用是为了剔除误匹配点对。经典的RANSAC方法需要人为设置误差阈值,误差阈值直接影响剔除误匹配点对的效果。AC-RANSAC通过引入误差阈值算法NFA(Number of False Alarms)来避免了人为设置误差阈值,使得算法的自适应性更强,
其中
其中n是粗匹配点对集中的所有匹配点对数目;Nsample是估计模型需要的匹配点对,这里需要估计的模型是基本矩阵(fundamental matrix),故而该值可以取7;k是假设的内点数目,即最终匹配点的数目;M指代利用Nsample估计出的模型;Nout是Nsample估计出的模型数目,取值为1;ek是所有匹配点在模型M下的第k小的误差值;d是误差的维度,由于是点到直线距离,所以取值为1;α0是随机点对误差在1个像素内的概率,其独立于估计的模型,本实施例中,可以设置为Pi的面积/(图像2的面积),也即半径为1的圆的面积占图像2总面积的面积比。
随机从匹配点对中选取Nsample个点,并进行模型估计;遍历k值,寻找使得NFA最小的k,并记录相应模型和误差值;反复进行上述两步操作,寻找到一个NFA值小于给定误差阈值的模型。将此模型定为最终估计模型,并根据此模型剔除误匹配点对。利用AC-RANSAC的方法对S2中的两组匹配进行误匹配点对剔除。
S4,利用三视图图像几何约束算法对所述初步筛选匹配点对集进行二次筛选,得到最终匹配点对。
本发明将三视图的几何约束引入到算法中,对匹配点对进一步筛选,以获取更加精确的匹配点对。传统的鲁棒性估计方法通常以点到极线的距离为依据进行内点选择,但是这种方法无法确定匹配点间准确位置的对应关系。而三视图中存在着一个可表达为“点-点-点”的三视图约束对象,可以用来剔除错误匹配点对。三视图约束可以表述为:任何一幅图像上关于空间一点的投影点,与其在另外两幅图像上的匹配点在该图像上的极线交点相同。
具体执行过程如下:
假设图像1、图像2、图像3的三个点分别为P1、P2、P3,且P1与P2,P2与P3为S3中计算出的两对匹配点对。利用S3中计算出的基本矩阵,计算P1在图像2中的极线,同时计算P3在图像2中的极线,并进一步求得两条极线的交点。理论上,该交点应该与P2为同一点。
利用该交点与P2的欧式距离作为判别依据,距离值小于一定距离阈值的即为内点,否则视为误匹配点被剔除。遍历三张图像中的所有匹配点,最终完成对匹配点对的筛选。此时获得的匹配点对即为空间目标图像匹配的最终匹配点。
参见本发明说明书附图3,示出了本发明提供的方法的结果对比示意图,附图3(a)、附图3(b)为采用经典的SIFT特征并配合RANSAC方法获得的匹配效果,分别表示同一空间目标的三视图匹配组,附图3(a)表示图像1与图像2匹配效果,附图3(b)表示图像2与图像3匹配。附图3(c)、附图3(d)为采用本发明方法获得的最终匹配效果。其中匹配点对利用白色直线连接起来,图像左上角注明了匹配点对的个数。由图可知,本发明方法相较经典SIFT特征配合RANSAC方法,能够应对纹理少、结构对称的空间目标图像,获得数量足够多且匹配精确的匹配点对。
以上对本发明所提供的一种空间目标图像匹配方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (4)
1.一种空间目标图像匹配方法,其特征在于:包括如下步骤:
步骤1,采集空间目标的三视图图像,即图像1、图像2、图像3,并输入计算机;三视图图像分别为空间目标不同角度的视图,三视图的角度间隔在25度以下;
步骤2,利用GMS匹配算法先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,得到粗匹配点对集;
步骤3,利用AC-RANSAC计算获得最终估计模型,并根据所述最终估计模型剔除粗匹配点对集中的误匹配点对,得到初步筛选匹配点对集;
步骤4,利用三视图图像几何约束算法对所述初步筛选匹配点对集进行二次筛选,得到最终匹配点对。
2.根据权利要求1所述的一种空间目标图像匹配方法,其特征在于,所述步骤2具体包括:
(1)采用GMS匹配算法分别从所述三视图图像中提取ORB特征点,先对图像1和图像2进行粗匹配,然后对图像2和图像3进行粗匹配,获取匹配点对;
(2)分别将所述三视图图像划分为网格区域,若网格区域内的匹配点对的数量高于设定的匹配点对阈值,则网格区域内的匹配点对为正确匹配点对,否则为错误匹配点对,所有正确匹配点对构成粗匹配点对集。
4.根据权利要求1所述的一种空间目标图像匹配方法,其特征在于,所述步骤4具体包括:
(1)分别获取图像1、图像2、图像3上的匹配点P1、P2、P3,其中,P1与P2、P2与P3为两对初步筛选匹配点对集;
(2)计算P1在图像2中的极线一,以及P3在图像2中的极线二,得到所述极线一与所述极线二之间的交点坐标;
(3)计算所述交点坐标到P2之间的欧氏距离,选择距离值小于设定距离阈值的匹配点为内点,即最终匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251705.9A CN108550166B (zh) | 2018-03-26 | 2018-03-26 | 一种空间目标图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251705.9A CN108550166B (zh) | 2018-03-26 | 2018-03-26 | 一种空间目标图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550166A CN108550166A (zh) | 2018-09-18 |
CN108550166B true CN108550166B (zh) | 2022-04-15 |
Family
ID=63517025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251705.9A Active CN108550166B (zh) | 2018-03-26 | 2018-03-26 | 一种空间目标图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550166B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734854A (zh) * | 2019-10-28 | 2021-04-30 | 天津大学青岛海洋技术研究院 | 一种基于三目极线约束的相机自标定方法 |
CN111161331B (zh) * | 2019-12-25 | 2021-06-29 | 盈嘉互联(北京)科技有限公司 | 一种bim模型和gis模型配准方法 |
CN111291768B (zh) * | 2020-02-17 | 2023-05-30 | Oppo广东移动通信有限公司 | 图像特征匹配方法及装置、设备、存储介质 |
CN112016610B (zh) * | 2020-08-25 | 2022-05-31 | 济南大学 | 一种图像特征匹配方法及*** |
CN112102475B (zh) * | 2020-09-04 | 2023-03-07 | 西北工业大学 | 一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法 |
CN113479105A (zh) * | 2021-07-20 | 2021-10-08 | 钟求明 | 一种基于自动驾驶车辆的智能充电方法及智能充电站 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901490A (zh) * | 2012-09-04 | 2013-01-30 | 北京信息科技大学 | 一种基于动态阈值的图像匹配方法及*** |
CN103761768A (zh) * | 2014-01-22 | 2014-04-30 | 杭州匡伦科技有限公司 | 一种三维重建的立体匹配方法 |
CN106097436A (zh) * | 2016-06-12 | 2016-11-09 | 广西大学 | 一种大场景对象的三维重建方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
-
2018
- 2018-03-26 CN CN201810251705.9A patent/CN108550166B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102901490A (zh) * | 2012-09-04 | 2013-01-30 | 北京信息科技大学 | 一种基于动态阈值的图像匹配方法及*** |
CN103761768A (zh) * | 2014-01-22 | 2014-04-30 | 杭州匡伦科技有限公司 | 一种三维重建的立体匹配方法 |
CN106097436A (zh) * | 2016-06-12 | 2016-11-09 | 广西大学 | 一种大场景对象的三维重建方法 |
CN106203342A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于多角度局部特征匹配的目标识别方法 |
CN107590827A (zh) * | 2017-09-15 | 2018-01-16 | 重庆邮电大学 | 一种基于Kinect的室内移动机器人视觉SLAM方法 |
Non-Patent Citations (2)
Title |
---|
GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence;JiaWang Bian,et al.;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;正文第1-5节 * |
基于最优RANSAC算法的非增加式多视图三维重建;管秋 等;《浙江工业大学学报》;20151031;第43卷(第5期);正文第1-5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108550166A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
WO2022002150A1 (zh) | 一种视觉点云地图的构建方法、装置 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN110310320B (zh) | 一种双目视觉匹配代价聚合优化方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN110942515A (zh) | 基于点云的目标物体三维计算机建模方法和目标识别方法 | |
CN108399627B (zh) | 视频帧间目标运动估计方法、装置和实现装置 | |
CN108960280B (zh) | 一种图片相似度检测方法及*** | |
CN112163588A (zh) | 基于智能进化的异源图像目标检测方法、存储介质及设备 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN116539619B (zh) | 产品缺陷检测方法、***、装置及存储介质 | |
CN109086350B (zh) | 一种基于WiFi的混合图像检索方法 | |
CN116452644A (zh) | 基于特征描述子的三维点云配准方法、装置及存储介质 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN103077528A (zh) | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 | |
CN112614167A (zh) | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
CN113128518B (zh) | 基于孪生卷积网络和特征混合的sift误匹配检测方法 | |
CN114119437A (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
CN107392948B (zh) | 一种分振幅实时偏振成像***的图像配准方法 | |
CN113095385A (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |