CN112016610B - 一种图像特征匹配方法及*** - Google Patents
一种图像特征匹配方法及*** Download PDFInfo
- Publication number
- CN112016610B CN112016610B CN202010863994.5A CN202010863994A CN112016610B CN 112016610 B CN112016610 B CN 112016610B CN 202010863994 A CN202010863994 A CN 202010863994A CN 112016610 B CN112016610 B CN 112016610B
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- rough
- feature
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 35
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像特征匹配方法及***,二者均能:读入待进行特征匹配的第一、第二图像;对读入的两张图像上的特征点进行粗匹配;采用GMS算法对上述粗匹配进行降噪;对所读入的两张图像上的特征点再次进行粗匹配;根据再次进行粗匹配时获取到的粗匹配特征点对,恢复上述降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;汇集上述降噪后得到的粗匹配特征点对及上述得到的恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;使用RANSAC算法对汇集后的粗匹配降噪,降噪后得到的粗匹配为第一、第二图像的特征匹配;其中,所涉及的两次粗匹配采用的匹配器不同。本发明用于提高采用GMS降噪的图像特征匹配的准确性。
Description
技术领域
本发明涉及计算机视觉和模式识别领域,具体涉及一种图像特征匹配方法及***。
背景技术
一直以来,特征匹配是计算机视觉和模式识别领域中的一个基础而又重要的工作,它是基准图像上特征点与待匹配图像上特征点之间的匹配,适于解决计算机视觉和模式识别应用中的许多问题,如图像配准(比如医学图像配准)、物体识别、运动目标的检测与跟踪、手写体识别、飞行器导航和姿态测定等。特征匹配的准确性非常重要。
目前,为了消除特征匹配中的错误匹配,人们提出了许多有效的去除错误匹配的策略(即匹配降噪),如GMS算法、重采样策略、统计回归策略和图匹配策略。与其他方法相比,GMS是一种基于网格运动统计的快速鲁棒的特征匹配方法,它将高匹配数量转换为高匹配质量,可以迅速剔除错误的匹配,已成为用于消除特征匹配中的错误匹配的常用方法之一。但对于GMS算法降噪来说,正确匹配的特征点对附近往往存在一些错误匹配点对,有时甚至是数目较多,而在正确匹配的特征点对附近的错误匹配点对数目大于GMS中预设的相关阈值时,GMS不会将附近的这些错误匹配去除,因此,GMS的最终结果中往往会含有一定量的错误匹配。
而在采用GMS算法消除特征匹配中的错误匹配时,尤其是在提取的特征点数相对较少时,往往在正确匹配的特征点附近会出现匹配点对数量相对较少的现象,继而容易出现GMS将这些正确匹配当作错误匹配剔除的现象,从而易造成GMS的最终结果中的正确匹配在总匹配中的数量占比降低,影响特征匹配的准确性。
为此,本发明提供一种图像特征匹配方法及***,用于解决上述问题。
发明内容
针对现有技术的上述不足,本发明提供一种图像特征匹配方法及***,用于提高采用GMS降噪的图像特征匹配的准确性。
第一方面,本发明提供一种图像特征匹配方法,包括步骤:
S1:读入待进行特征匹配的第一图像和第二图像;
S2:对读入的两张图像上的特征点进行粗匹配;
S3:采用GMS算法对上述粗匹配进行降噪;
S4:对读入的两张图像上的特征点再次进行粗匹配;
S5:根据步骤S4中获取到的粗匹配特征点对,恢复步骤S3中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
S6:汇集步骤S3中降噪后得到的粗匹配特征点对及步骤S5中所得到的各恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
S7:使用RANSAC算法对汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配;
其中,步骤S2中的粗匹配与步骤S4中再次进行的粗匹配,分别采用不同的匹配器。
进一步地,步骤S2的实现方法为:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
进一步地,步骤S4的实现方法为:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对即为步骤S4中粗匹配获取到的粗匹配特征点对,其中N为预先设定的正整数。
进一步地,步骤S5的实现方法为:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将步骤S4中获取到的每个粗匹配特征点对均转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将步骤S3中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
第二方面,本发明提供一种图像特征匹配***,包括:
目标图像读取单元,用于读入待进行特征匹配的第一图像和第二图像;
第一粗匹配单元,用于对读入的两张图像上的特征点进行粗匹配;
第一降噪单元,用于采用GMS算法对第一粗匹配单元的粗匹配进行降噪;
第二粗匹配单元,用于对读入的两张图像上的特征点再次进行粗匹配;
正确匹配增量单元,用于根据第二粗匹配单元中获取到的粗匹配特征点对,恢复第一降噪单元中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
粗匹配汇集单元,用于汇集第一降噪单元中降噪后得到的粗匹配特征点对及正确匹配增量单元所得到的各恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
第二降噪单元,用于使用RANSAC算法对粗匹配汇集单元中得到的汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配;
其中,第一粗匹配单元与第二粗匹配单元,分别采用不同的匹配器用于各自的粗匹配。
进一步地,所述的第一粗匹配单元,按照以下方式对目标图像读取单元中读入的第一图像和第二图像上的特征点进行粗匹配:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
进一步地,所述的第二粗匹配单元,按照以下方式对目标图像读取单元读入的第一图像和第二图像上的特征点再次进行粗匹配:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对,即为第二粗匹配单元进行粗匹配得到的粗匹配特征点对,其中N为预先设定的正整数。
进一步地,所述的正确匹配增量单元,按照以下方式获取恢复的错误剔除的粗匹配特征点对:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将第二粗匹配单元中获取到的每个粗匹配特征点对均转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将第一降噪单元中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
本发明的有益效果在于:
(1)本发明提供的图像特征匹配方法及***,均对读入的两张图像上的特征点进行两种不同的粗匹配,且能够对其中的一种粗匹配采用GMS算法降噪,然后可基于另一种粗匹配得到的粗匹配特征点对恢复GMS降噪时错误剔除的粗匹配特征点对,可见本发明能够增加正确匹配的特征点附近的匹配点对数,继而可提高正确匹配在总匹配数中所占的比例,从而有助于提高采用GMS降噪的图像特征匹配的准确性。
(2)本发明提供的图像特征匹配方法及***,均能够汇集GMS降噪后得到的粗匹配特征点对以及每个所得到的恢复的错误剔除的粗匹配特征点对得到汇集后的粗匹配,然后使用RANSAC算法对汇集后的粗匹配进行降噪提纯,继而得到所读入的第一图像和第二图像的特征匹配点对,这在一定程度上有助于进一步减少正确匹配的特征点附近的错误匹配点对的数目,从而减少错误匹配在总匹配中的占比,继而进一步增加了正确匹配在总匹配中的占比,可见进一步有助于提高采用GMS降噪的图像特征匹配的准确性。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的***的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
图1是本发明一个实施例的图像特征匹配方法的示意性流程图。其中,图1执行主体可以为一种终端或***。
如图1所示,该图像特征匹配方法包括:
步骤110:读入待进行特征匹配的第一图像和第二图像;
步骤120:对读入的两张图像上的特征点进行粗匹配;
步骤130:采用GMS算法对上述粗匹配进行降噪;
步骤140:对读入的两张图像上的特征点再次进行粗匹配;
步骤150:根据步骤140中获取到的粗匹配特征点对,恢复步骤130中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
步骤160:汇集步骤130中降噪后得到的粗匹配特征点对及步骤150中所得到的各恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
步骤170:使用RANSAC算法对汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配。
其中,步骤120中的粗匹配与步骤140中再次进行的粗匹配,分别采用不同的匹配器。
可选地,作为本发明的一个实施例,步骤120的实现方法包括步骤:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
可选地,作为本发明的一个实施例,步骤140的实现方法包括步骤:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对,即为所述步骤140中获取到的粗匹配特征点对,其中N为预先设定的正整数。
可选地,作为本发明的一个实施例,步骤150的实现方法包括步骤:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将步骤140中获取到的每个粗匹配特征点对分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将步骤130中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
为了便于对本发明的理解,下面以本发明图像特征匹配方法的原理,结合实施例中对图像特征点进行匹配的过程,对本发明提供的图像特征匹配方法做进一步的描述。
具体的,所述图像特征匹配方法包括:
步骤P1:读入待进行特征匹配的第一图像和第二图像。
具体地,采用opencv库函数cv2.imread()读取待进行特征匹配的两张图像:第一图像A和第二图像B。
步骤P2:对步骤P1中读入的两张图像(即第一图像A和第二图像B)上的特征点进行粗匹配。
其中,该步骤P2基于ORB(Oriented FAST and Rotated BRIEF)算法,对所读入的两张图像的特征点进行粗匹配,具体实现方法步骤为:
首先,采用orb.detectAndCompute()函数,对步骤P1中读入的两张图像提取特征点并进行描述;
然后,采用BFMatcher(BruteForcematcher)匹配器,对所提取与描述的第一图像A和第二图像B上的特征点进行匹配,得到该两张图像的初步的粗匹配,即得到一组粗匹配特征点对。
之后执行步骤P3。
步骤P3:采用GMS算法对上述得到的初步的粗匹配进行降噪。
Grid-based Motion Statistics(GMS)算法通过网格划分、运动统计特性的方法可剔除错误匹配(即降噪),以此提高匹配准确性。
采用GMS算法对上述步骤P2中得到的初步的粗匹配进行降噪,得到GMS降噪结果,即得到一组降噪后的粗匹配特征点对。
步骤P4:对步骤P1中读入的两张图像上的特征点再次进行粗匹配。该步骤具体采用如下方式进行实现:
首先,采用SURF(Speeded Up Robust Features)算法检测第一图像A及第二图像B上的特征点;
之后,采用DLCO(Descriptor Learning Using Convex Optimisation)描述子,对第一图像A及第二图像B上检测到的特征点进行描述;
然后,采用opencv中的Knnmatch()函数(匹配器),对上述检测并描述的第一图像A上的特征点及第二图像B上的特征点进行粗匹配得到一组粗匹配特征点对,分别记为二次粗匹配特征点对;
然后,将所有二次粗匹配特征点对,按照二次粗匹配特征点对中特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对,即为步骤P4对步骤P1中读入的两张图像上的特征点再次进行粗匹配获取到的所有粗匹配特征点对。
需要说明的是,所述N的优选取值范围为若N取值大于则会将二次粗匹配特征点对中许多质量较差的匹配保留,不利于后续恢复匹配;若N取值小于则对后续恢复匹配几乎无效,达不到相应的恢复效果。具体实现时,N的取值可以由本领域技术人员依据实际情况,参照上述优选取值范围进行确定。
步骤P5:根据步骤P4中获取到的粗匹配特征点对,恢复步骤P3中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对。具体实现步骤包括:
采用相同的图像网格划分方式(比如,可以是将图像划分成50×50个网格,也可以是将图像划分成20×20个网格,还可以是将图像划分成80×80个网格,也可以是本领域技术人员依据实际需要采用的其他网格划分方式),分别将第一图像A和第二图像B分割成网格图像,得到第一图像A对应的第一网格图像G1,并得到第二图像B对应的第二网格图像G2;
将步骤P4中获取到的每个粗匹配特征点对分别转化为第一网格图像G1和第二网格图像G2中相应网格之间的匹配,得到一组网格对,组成集合Q;
将步骤P3中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像G1和第二网格图像G2中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
其中,所述判定为位于集合Q中的目标网格对对应的粗匹配特征点对,即为判定为位于集合Q中的目标网格对所对应的步骤P3中降噪时剔除的粗匹配特征点对中的各相关粗匹配特征点对。
其中,对于判定为不在\不位于集合Q中的目标网格对对应的粗匹配特征点对,直接删除即可。
步骤P6:汇集经步骤P3中降噪后得到的粗匹配特征点对及步骤P5中所得到的各个恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配。
步骤P7:使用RANSAC算法对汇集后的粗匹配进行降噪提纯,得到降噪提纯的粗匹配(即得到RANSAC算法降噪后的粗匹配),该降噪提纯的粗匹配即为所述第一图像A和所述第二图像B的特征匹配。至此,完成所述第一图像A和所述第二图像B的特征匹配。
综上,可见本发明以GMS算法为基础,采取两种粗匹配及结合RANSAC提纯的思想,不仅可以在一定程度上增加正确匹配的数目,还可在一定程度上减少正确匹配附近的错误匹配,可见在一定程度上既增加了正确匹配的数量,又增加了正确匹配在总匹配中所占的比例,可见一定程度上有助于提高采用GMS降噪的图像特征匹配的准确性与鲁棒性。
图2是本发明所述图像特征匹配***的一个实施例。
如图2示,该***200包括:
目标图像读取单元201,用于读入待进行特征匹配的第一图像和第二图像;
第一粗匹配单元202,用于对读入的两张图像上的特征点进行粗匹配;
第一降噪单元203,用于采用GMS算法对第一粗匹配单元202的粗匹配进行降噪;
第二粗匹配单元204,用于对读入的两张图像上的特征点再次进行粗匹配;
正确匹配增量单元205,用于根据第二粗匹配单元204中获取到的粗匹配特征点对,恢复第一降噪单元203中降噪时错误剔除的所有的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
粗匹配汇集单元206,用于汇集第一降噪单元203中降噪后得到的粗匹配特征点对及正确匹配增量单元205所得到的各个恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
第二降噪单元207,用于使用RANSAC算法对粗匹配汇集单元206中得到的汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配;
其中,第一粗匹配单元202与第二粗匹配单元204,分别采用不同的匹配器用于各自的粗匹配。
可选地,所述的第一粗匹配单元202,按照以下方式对目标图像读取单元201中读入的第一图像和第二图像上的特征点进行粗匹配:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
可选地,所述的第二粗匹配单元204,按照以下方式对目标图像读取单元201读入的第一图像和第二图像上的特征点再次进行粗匹配:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对,即为第二粗匹配单元204进行粗匹配得到的粗匹配特征点对,其中N为预先设定的正整数。
可选地,作为本发明的一个实施例,所述的正确匹配增量单元205,按照以下方式获取恢复的错误剔除的粗匹配特征点对:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将第二粗匹配单元204中获取到的每个粗匹配特征点对均转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将第一降噪单元203中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种图像特征匹配方法,其特征在于,包括步骤:
S1:读入待进行特征匹配的第一图像和第二图像;
S2:对读入的两张图像上的特征点进行粗匹配;
S3:采用GMS算法对上述粗匹配进行降噪;
S4:对读入的两张图像上的特征点再次进行粗匹配;
S5:根据步骤S4中获取到的粗匹配特征点对,恢复步骤S3中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
S6:汇集步骤S3中降噪后得到的粗匹配特征点对及步骤S5中所得到的各恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
S7:使用RANSAC算法对汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配;
其中,步骤S2中的粗匹配与步骤S4中再次进行的粗匹配,分别采用不同的匹配器;
步骤S5的实现方法为:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将步骤S4中获取到的每个粗匹配特征点对均转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将步骤S3中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
2.根据权利要求1所述的图像特征匹配方法,其特征在于,步骤S2的实现方法为:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
3.根据权利要求1所述的图像特征匹配方法,其特征在于,步骤S4的实现方法为:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对即为步骤S4中粗匹配获取到的粗匹配特征点对,其中N为预先设定的正整数。
5.一种图像特征匹配***,其特征在于,包括:
目标图像读取单元,用于读入待进行特征匹配的第一图像和第二图像;
第一粗匹配单元,用于对读入的两张图像上的特征点进行粗匹配;
第一降噪单元,用于采用GMS算法对第一粗匹配单元的粗匹配进行降噪;
第二粗匹配单元,用于对读入的两张图像上的特征点再次进行粗匹配;
正确匹配增量单元,用于根据第二粗匹配单元中获取到的粗匹配特征点对,恢复第一降噪单元中降噪时错误剔除的粗匹配特征点对,得到恢复的错误剔除的粗匹配特征点对;
粗匹配汇集单元,用于汇集第一降噪单元中降噪后得到的粗匹配特征点对及正确匹配增量单元所得到的各恢复的错误剔除的粗匹配特征点对,得到汇集后的粗匹配;
第二降噪单元,用于使用RANSAC算法对粗匹配汇集单元中得到的汇集后的粗匹配进行降噪,得到降噪后的粗匹配,该降噪后的粗匹配即为所述第一图像和所述第二图像的特征匹配;
其中,第一粗匹配单元与第二粗匹配单元,分别采用不同的匹配器用于各自的粗匹配;
所述的正确匹配增量单元,按照以下方式获取恢复的错误剔除的粗匹配特征点对:
采用相同的图像网格划分方式,分别将所述第一图像和第二图像分割成网格图像,得到第一图像对应的第一网格图像,并得到第二图像对应的第二网格图像;
将第二粗匹配单元中获取到的每个粗匹配特征点对均转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到一组网格对,组成集合Q;
将第一降噪单元中降噪时剔除的每一个粗匹配特征点对,分别转化为第一网格图像和第二网格图像中相应网格之间的匹配,得到对应数量的网格对,分别记为目标网格对;
判断每个目标网格对是否位于集合Q中;
获取所有判定为位于集合Q中的目标网格对对应的粗匹配特征点对并进行恢复,得到各个恢复的错误剔除的粗匹配特征点对。
6.根据权利要求5所述的图像特征匹配***,其特征在于,所述的第一粗匹配单元,按照以下方式对目标图像读取单元中读入的第一图像和第二图像上的特征点进行粗匹配:
采用ORB算法对第一图像及第二图像进行特征点提取与描述;
采用BFMatcher匹配器对第一图像及第二图像上的特征点进行粗匹配。
7.根据权利要求5所述的图像特征匹配***,其特征在于,所述的第二粗匹配单元,按照以下方式对目标图像读取单元读入的第一图像和第二图像上的特征点再次进行粗匹配:
采用SURF算法检测第一图像及第二图像上的特征点;
采用DLCO描述子,对第一图像及第二图像上检测到的特征点进行描述;
采用opencv中的Knnmatch()函数,对第一图像上的特征点及第二图像上的特征点再次进行粗匹配、并将得到的各粗匹配均记为二次粗匹配特征点对;
将所有二次粗匹配特征点对,按照二次粗匹配特征点对中两特征点之间的欧式距离从小到大的顺序进行排序,获取排在前N位的二次粗匹配特征点对,该获取到的排在前N位的二次粗匹配特征点对,即为第二粗匹配单元进行粗匹配得到的粗匹配特征点对,其中N为预先设定的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863994.5A CN112016610B (zh) | 2020-08-25 | 2020-08-25 | 一种图像特征匹配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863994.5A CN112016610B (zh) | 2020-08-25 | 2020-08-25 | 一种图像特征匹配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016610A CN112016610A (zh) | 2020-12-01 |
CN112016610B true CN112016610B (zh) | 2022-05-31 |
Family
ID=73505927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863994.5A Active CN112016610B (zh) | 2020-08-25 | 2020-08-25 | 一种图像特征匹配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016610B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680516A (zh) * | 2015-01-08 | 2015-06-03 | 南京邮电大学 | 一种图像优质特征匹配集的获取方法 |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
CN108550166A (zh) * | 2018-03-26 | 2018-09-18 | 北京航空航天大学 | 一种空间目标图像匹配方法 |
CN109086795A (zh) * | 2018-06-27 | 2018-12-25 | 上海理工大学 | 一种图像误匹配精确剔除方法 |
CN109376744A (zh) * | 2018-10-17 | 2019-02-22 | 中国矿业大学 | 一种surf和orb相结合的图像特征匹配方法及装置 |
CN109886878A (zh) * | 2019-03-20 | 2019-06-14 | 中南大学 | 一种基于由粗到精配准的红外图像拼接方法 |
CN109949348A (zh) * | 2019-01-22 | 2019-06-28 | 天津大学 | 一种基于超像素运动统计的误匹配去除方法 |
CN110443295A (zh) * | 2019-07-30 | 2019-11-12 | 上海理工大学 | 改进的图像匹配与误匹配剔除算法 |
-
2020
- 2020-08-25 CN CN202010863994.5A patent/CN112016610B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680516A (zh) * | 2015-01-08 | 2015-06-03 | 南京邮电大学 | 一种图像优质特征匹配集的获取方法 |
CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
CN108550166A (zh) * | 2018-03-26 | 2018-09-18 | 北京航空航天大学 | 一种空间目标图像匹配方法 |
CN109086795A (zh) * | 2018-06-27 | 2018-12-25 | 上海理工大学 | 一种图像误匹配精确剔除方法 |
CN109376744A (zh) * | 2018-10-17 | 2019-02-22 | 中国矿业大学 | 一种surf和orb相结合的图像特征匹配方法及装置 |
CN109949348A (zh) * | 2019-01-22 | 2019-06-28 | 天津大学 | 一种基于超像素运动统计的误匹配去除方法 |
CN109886878A (zh) * | 2019-03-20 | 2019-06-14 | 中南大学 | 一种基于由粗到精配准的红外图像拼接方法 |
CN110443295A (zh) * | 2019-07-30 | 2019-11-12 | 上海理工大学 | 改进的图像匹配与误匹配剔除算法 |
Non-Patent Citations (9)
Title |
---|
GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence;JiaWang Bian等;《2017 IEEE Conference on Computer Vision and Pattern Recognition》;20171231;第2828-2837页 * |
ORB: an effi cient alternative to SIFT or SURF;Ethan Rublee等;《2011 IEEE International Conference on Computer Vision》;20111231;第2564-2571页 * |
SURF和RANSAC的特征图像匹配;王卫兵等;《哈尔滨理工大学学报》;20180228;第23卷(第1期);第117-121页 * |
UNMANNED AERIAL VEHICLE IMAGE MATCHING BASED ON IMPROVED RANSAC ALGORITHM AND SURF ALGORITHM;Xianguang LI等;《International Conference on Geomatics in the Big Data Era (ICGBD)》;20191117;第67-70页 * |
基于改进ORB和网格运动统计的图像匹配算法;罗守品等;《传感器与微***》;20191231;第38卷(第7期);第125-127页 * |
基于改进网格运动统计特征的图像匹配算法;朱成德等;《计算机应用》;20190810;第39卷(第8期);第2396-2401页 * |
基于点云几何特征的错误匹配点对剔除算法;张少杰等;《计算机工程》;20190430;第45卷(第4期);第163-168页 * |
融合GMS与VCS+GC-RANSAC的图像配准算法;丁辉等;《计算机应用》;20200410;第40卷(第4期);第1138-1143页 * |
融合SIFT-ORB-MRANSAC的特征点匹配算法研究;荣桂兰等;《新余学院学报》;20190228;第24卷(第1期);第33-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112016610A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180101710A1 (en) | Method and apparatus for recognizing fingerprint ridge point | |
US8712114B2 (en) | Elegant solutions for fingerprint image enhancement | |
CN102722731A (zh) | 一种基于改进sift算法的高效图像匹配方法 | |
WO2023103372A1 (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
CN108647597B (zh) | 一种手腕识别方法、手势识别方法、装置和电子设备 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN103761768A (zh) | 一种三维重建的立体匹配方法 | |
WO2016011640A1 (zh) | 基于手部图像纹理的身份识别方法 | |
CN112016610B (zh) | 一种图像特征匹配方法及*** | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
CN112926516A (zh) | 一种鲁棒的手指静脉图像感兴趣区域提取方法 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
CN115359249B (zh) | 一种手掌图像roi区域提取方法及*** | |
JP4020202B2 (ja) | 縞状パターン抽出システムおよび縞状パターン抽出方法 | |
CN112288049B (zh) | 基于模板匹配和限制连通域指针定位的指针表读数方法 | |
CN109977890B (zh) | 一种动作识别的方法及其识别*** | |
CN105989351B (zh) | 一种指纹图像背景分割的方法 | |
Su et al. | Skew detection for Chinese handwriting by horizontal stroke histogram | |
CN104573633B (zh) | 一种指静脉仿生纹理和线状纹理的匹配及识别方法 | |
Ramos et al. | Analysis and improvements of fingerprint enhancement from gabor iterative filtering | |
Leborgne et al. | Extracting noise-resistant skeleton on digital shapes for graph matching | |
CN113222864B (zh) | 基于限幅滤波的图像边缘去噪方法及装置、设备 | |
CN112613421B (zh) | 人脸图片降维特征分析比对方法 | |
Wu et al. | Moving-object Detection Based on Shadow Removal and Prospect Reconstruction | |
Satria et al. | Fingerprint Enhancement using Iterative Contextual Filtering for Fingerprint Matching |
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 |