CN102236798B - 一种图像匹配方法及其装置 - Google Patents

Abstract

本发明公开了一种图像匹配方法及其装置，该方法包括：提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集；针对参考匹配点集和目标匹配点集进行多次迭代学习以获得两匹配点集之间的函数关系；分别根据在每次迭代中获得的函数关系，对参考匹配点集进行逐次估计，得到各匹配估计点集，然后计算每个匹配估计点集与目标匹配点集的残差值，以获得各残差点集；根据各残差点集的分布情况，对参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集；将参考匹配点集赋值为参考匹配点集与错误匹配点集的差；判断是否满足预设的结束迭代条件。本发明在大视角下有效地剔除错误匹配，显著提高图像匹配的精度和效率。

Description

一种图像匹配方法及其装置

技术领域

本发明涉及计算机视觉和图像处理领域，尤其涉及图像匹配技术中的消除错误匹配的技术。

背景技术

图像匹配技术作为计算机视觉领域的一项基础工作，广泛应用导航、地图、地形识别、环境监测和生理病变研究等领域。图像匹配重要的是在建立两图像间的点对点的对应关系，或对某种感兴趣的特征建立关联。现有匹配算法中，由于图像的视角变化，光照变化等影响，不可避免会出现错误的匹配点。这些错误的匹配点，对正确估计图像变换模型参数，获取图像深度信息，建立图像三维模型都会产生很大的影响，导致后续的图像对齐配准、拼接及物体识别等任务出现较大的困难和错误。在图像匹配中，去除错误匹配点，保留正确匹配点，是建立匹配的重要的不可缺少的环节。

在现有匹配算法中，主要分为基于相关匹配算法和基于特征的匹配算法。基于相关的匹配算法，只能在图像间发生平移时有效，虽然其方法匹配率高，但是需要处理的信息量很大，计算复杂而且容易出错，很难达到实时匹配的要求，而且对图像间的细微差别很敏感，一个很小的变化都有可能对匹配的结果产生较大的影响，所以该算法看噪声及其他抗干扰的能力比较差。基于特征的匹配算法，通过提取具有平移，旋转，尺度，光照，视点等变换具有不变性的特征进行匹配，该算法具有很好的稳定性和适用性。

主要的特征匹配算法有尺度不变特征变换(Scale Invariant FeatureTransform，简称SIFT)算法及其衍生算法。其算法包括特征检测和特征匹配两个步骤。SIFT算子对尺度变化，旋转，尺度缩放，部分三维视角变化和光照变化保持不变，公认为稳定性、适应性较强的局部特征匹配算子。

SIFT算法产生的匹配点，是根据兴趣点的周边领域信息，采用特征向量(特征描述符)距离比率来确定的。其前提条件，一是图像存在灰度梯度显著变化的兴趣点，二是兴趣点的周边在两图像间基本保持不变。该方法对图像中存在多个局部相似结构，极易出现错误匹配，例如随着摄像视角的增大(如宽基线摄影测量)，图像的局部区域出现很大的变化，该算法随着视角增大，其误匹配率也会显著增高。实践表明，当视点角度超过25°～30°时，匹配准确率大为下降，误匹配率都将低于50％。因此去除误匹配点在特征匹配中必不可少，对提高匹配正确率和匹配效率有重要意义。

现有去除错误匹配点的算法主要有，随机采样一致性算法(Randomsample consensus，RANSAC)和利用极线几何约束算法(Epipolar lineconstraints)。这两种算法都需利用特征点集的内在约束关系，要估计单应性矩阵(Homography)或基础矩阵(Fundamental matrix)，估计精度受错误匹配率影响很大。RANSAC算法的前提是建立在大样本的基础之上，并假定匹配只符合一个平面约束，得到存在符合这一约束的最大集合。其算法迭代次数受错误匹配率影响很大，错误匹配率越大，迭代的次数越大，但是实际中错误匹配率都需要假定。RANSAC虽然可以去除误匹配，但同时也去除了较多原本正确的匹配点对，即损失的正确匹配率较高，这在大视角变化时，尤为显著，其去除误匹配的效率很低，有效的匹配数目过少，不能满足图像匹配的要求。

发明内容

本发明所要解决的技术问题是提供一种在大视角变化下的有效的去除错误匹配点的图像匹配方法及其装置。

根据本发明的一方面，提供了一种图像匹配方法。该图像匹配方法包括：步骤一，提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集；步骤二，通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，在每次迭代中获得所述参考匹配点集和所述目标匹配点集的函数关系；步骤三，分别根据在各次迭代中所获得所述参考匹配点集和所述目标匹配点集的各所述函数关系，对所述参考匹配点集进行逐次估计，得到各匹配估计点集，并针对每个所述匹配估计点集，计算匹配估计点集中的每个点与所述目标匹配点集中相应的点的残差值，以获得各残差点集；步骤四，根据各所述残差点集的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集；步骤五，将所述参考匹配点集赋值为所述参考匹配点集与所述错误匹配点集的差，并根据所述参考匹配点集获得相应的所述目标匹配点集；步骤六，判断是否满足预设的结束迭代条件，如果判断为是，参考各所述错误匹配点集来进行所述参考图像与所述目标图像之间的图像匹配，反之，则返回所述步骤二。

根据本发明另一方面的图像匹配方法，根据尺度不变特征变换算法提取参考图像与目标图像各自的特征初始匹配点集。

根据本发明另一方面的图像匹配方法，在所述步骤二中，通过相关向量机RVM来进行所述迭代学习。

根据本发明另一方面的图像匹配方法，所述结束迭代条件是：迭代次数大于预设最大迭代次数。

根据本发明另一方面的图像匹配方法，还包括：

在所述步骤四中，根据各所述残差点集和所述参考匹配点集中各个点的各所述残差序列的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集，其中，

各所述残差点集中对应于所述参考匹配点集中的同一个点的残差值，构成该点的所述残差序列。

根据本发明另一方面的图像匹配方法，还包括：

所述步骤二还包括：

根据各所述函数关系分别获得参考匹配点集的各噪声水平；以及

基于各所述函数关系得到最佳函数关系；

在第一次筛选中，根据各所述噪声水平来设定误匹配判别阈值，基于所述误匹配判别阈值对所述参考匹配点集进行筛选，将各所述残差点集中残差值大于所述误匹配判别阈值的点判别为潜在误匹配点，以获得潜在误匹配点集；以及

在第二次筛选中，根据所述潜在误匹配点的残差序列与所述最佳函数关系之间的相似度系数，对所述潜在误匹配点集进行筛选，将所述潜在误匹配点集中相似度系数小于预设相似度阈值的点判别为错误匹配点，以获得错误匹配点集。

根据本发明另一方面的图像匹配方法，还包括：

所述步骤二还包括：

通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，从所述参考匹配点集中去除冗余的参考匹配点，以获得回归预测数据；以及基于所述最佳函数关系得到回归预测数据的噪声水平；根据所述回归预测数据的噪声水平来设定结束迭代条件。

根据本发明的另一方面，还提供了一种图像匹配装置，其中，所述图像匹配装置包括如下模块：

提取模块(21)，其提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集；

迭代模块(22)，其获取错误匹配点集；以及

匹配模块(23)，所述匹配模块参考所述迭代模块(22)所获取的各所述错误匹配点集来进行所述参考图像与所述目标图像之间的图像匹配；

所述迭代模块(22)通过如下处理来获取错误匹配点集：

通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，在每次迭代中获得所述参考匹配点集和所述目标匹配点集的函数关系；

分别根据在各次迭代中所获得所述参考匹配点集和所述目标匹配点集的各所述函数关系，对所述参考匹配点集进行逐次估计，得到各匹配估计点集，并针对每个所述匹配估计点集，计算匹配估计点集中的每个点与所述目标匹配点集中相应的点的残差值，以获得各残差点集；

根据各所述残差点集的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集；

将所述参考匹配点集赋值为所述参考匹配点集与所述错误匹配点集的差，并根据所述参考匹配点集获得相应的所述目标匹配点集；

判断是否满足预设的结束迭代条件，如果判断为是，进入匹配模块(23)的处理，反之，重复所述迭代模块(22)的上述处理。

根据本发明另一方面的图像匹配装置，其中，所述迭代模块(22)根据各所述残差点集和所述参考匹配点集中各个点的各所述残差序列的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集，其中，

各所述残差点集中对应于所述参考匹配点集中的同一个点的残差值，构成该点的所述残差序列。

根据本发明另一方面的图像匹配装置，其中，所述迭代模块(22)还进行如下处理：

根据各所述函数关系分别获得参考匹配点集的各噪声水平，

基于各所述函数关系得到最佳函数关系；

在第一次筛选中，根据各所述噪声水平来设定误匹配判别阈值，基于所述误匹配判别阈值对所述参考匹配点集进行筛选，将各所述残差点集中残差值大于所述误匹配判别阈值的点判别为潜在误匹配点，以获得潜在误匹配点集；以及

在第二次筛选中，根据所述潜在误匹配点的残差序列与所述最佳函数关系之间的相似度系数，对所述潜在误匹配点集进行筛选，将所述潜在误匹配点集中相似度系数小于预设相似度阈值的点判别为错误匹配点，以获得错误匹配点集。

与现有技术相比，本发明具有以下优点：本发明通过采用迭代相关向量机RVM回归的方法获得(学习)参考匹配点集与目标匹配点集的对应函数关系，用“剥洋葱”的策略，对残差点集进行分析，有效地剔除错误匹配点。本发明克服已有方法需要大量样本、计算效率低、算法稳定性差、不能够在大视角下有效正确去除错误匹配和无法满足实际需要的问题，显著提高图像匹配的精度和效率，尤其在大视角图像匹配情况下具有更好的效果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

虽然在下文中将结合一些示例性实施及使用方法来描述本发明，但本领域技术人员应当理解为并不旨在将本发明限制于这些实施例；反之，旨在覆盖包含在所附的权利要求书所定义的本发明的精神与范围内的所有替代品、修正及等效物。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明第一实施例的图像匹配方法的流程示意图；

图2是根据本发明第二实施例的图像匹配装置的结构示意图；

图3是参考图像在视角为20°、30°、40°、50°和60°的图像变换的灰度图像示意图；

图4是根据本发明方法在视角为60°的图像匹配示意图；

图5是采用本发明的图像匹配方法和其他图像匹配方法的匹配效率性能评价示意图；

图6是采用本发明的图像匹配方法和其他图像匹配方法的匹配精度性能评价示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

第一实施例

图1示出根据本发明第一实施例的图像匹配方法的流程示意图。下面参考图1来说明本实施例的各步骤。

步骤110，提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集，参考匹配点集和目标匹配点集为一一对应关系。具体地，根据尺度不变特征变换算法SIFT以获取SIFT特征初始匹配点集。

更具体地，在该步骤中，两个图像为参考图像和目标图像，令参考图像为I(x，y)，目标图像为I′(x′，y′)，目标图像也称为待匹配图像，其中(x，y)和(x′，y′)分别表示参考图像I和目标图像I′上的点。对参考图像和目标图像建立图像的尺度空间表示，将两个图像进行尺度不变变换处理，通过检测尺度空间极值获取初始关键点，根据SIFT算法中的函数(例如，拟合三维二次函数)，去除低对比度的关键点和不稳定的边缘相应点以确定最佳关键点的位置及其所处尺度。对最佳关键点附加详细的信息，生成特征点。特征点中含有反映图像的重要结构信息，容易与别的像素点区别，特征点可为灰度局部极值点、边缘点、角点和拐点等，特征点可包括3个信息：位置、对应尺度、方向。通过对参考图像和目标图像的特征点进行相似性判定度量，找出相互匹配的特征初始匹配点集，如公式(1)所示。

S＝{(p_i，p′_i)＝(x_i，y_i，x′_i，y′_i)，i＝1，...n}        (1)

其中，p_i、p′_i分别表示参考匹配点集和目标匹配点集；

i表示第i个特征匹配点。

需要说明的是，本实施例中的目标图像是针对参考图像进行了大视角的变换，较优选地，例如参考图像进行20°～60°角度旋转变换。特征点的生成是利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向维数，计算特征点的描述信息而获取的。

步骤120，通过机器学习方法针对步骤110所得的参考匹配点集和目标匹配点集进行迭代学习，在每次迭代中获得参考匹配点集和目标匹配点集的函数关系。

具体地，根据机器学习方法获得(学习)参考匹配点集P(x，y)与目标匹配点集P(x′，y′)的各函数关系(亦称作模型)，亦即，找出x′、y′分别与(x，y)的函数关系，如公式(2)所示为参考匹配点集与目标匹配点集之间的函数关系。

$P(x,y)\stackrel{f}{\→}{P}^{\′}(x^{\′},y^{\′}),P\∈I,P^{\′}\∈I^{\′}---\left(2\right)$

f(x，y)＝(x′，y′)＝(g(x，y)，h(x，y))

本实施例是通过相关向量机(Relevance Vector Machine，简称RVM)进行迭代学习，RVM假设x′与(x，y)、y′与(x，y)的关系符合RVM学习的函数形式，如下式所示，

$\left\{\begin{array}{c}{x}^{\′}=g(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{K}_x(x,y;x_i,y_i)+w_0\\ y^{\′}=h(x,y)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{K}_y(x,y;x_i,y_i)+w_0\\ p\left({x_i}^{\′}\right)=N\left({x_i}^{\′}\right|g(x_i,y_i;w_i),{\mathrm{\σ}}^2)\\ p\left({y_i}^{\′}\right)=N\left({y_i}^{\′}\right|h(x_i,y_i;w_i),{\mathrm{\σ}}^2)\end{array}\right\}---\left(3\right)$

其中，K(·)表示选用的核函数；

p(·)表示概率密度函数；

N(·)表示正态分布密度函数；

w_i表示不同的权重，当w_i非零时，其(x_i，y_i)属于相关向量。

按照公式(3)获得RVM各次迭代所得到的函数关系，根据各函数关系分别获得参考匹配点集的各噪声水平；以及基于各函数关系得到最佳函数关系和回归预测数据的噪声水平β_j。

需要说明的是，相关向量机RVM学习是迭代学习，通过进行多次顺序迭代运算以获得最佳函数关系和回归预测数据的噪声水平，每一次迭代都会更新函数关系(模型)和相应的噪声水平，因此相关向量机RVM学习会产生多个函数关系和多个噪声水平，本实施例中称为各函数关系和各噪声水平。

需要说明的是，回归预测数据的噪声水平为参考匹配点集中的一部分数据的噪声水平，这部分数据是通过机器学习方法针对参考匹配点集和目标匹配点集进行迭代学习，从参考匹配点集中去除冗余的参考匹配点，以获得回归预测数据，然后基于最佳函数关系得到回归预测数据的噪声水平β_j，其中j为第j次迭代。

步骤130，分别根据步骤120在各次迭代中所获得参考匹配点集和目标匹配点集的函数关系，对参考匹配点集进行逐次估计，得到各匹配估计点集，并针对每个匹配估计点集，计算匹配估计点集中的每个点与目标匹配点集中相应的点的残差值，以获得各残差点集。

具体地，根据步骤120中相关向量机RVM所得的各函数关系(模型)分别对各参考匹配点p_i进行估计得到各匹配估计点

计算各匹配估计点

与相应的目标匹配点p_i′的距离残差e_i，形成残差点集e_i，i＝(1，...n)，进行零均值化，如公式(4)所示。

$e_i({{\hat{p}}^{\′}}_i,{p_i}^{\′})\stackrel{\mathrm{def}}{=}d(({\hat{g}}_i(x_i,y_i),{\hat{h}}_i(x_i,y_i)),({x_i}^{\′},{y_i}^{\′}))=\left|\right|({\widehat{x_i}}^{\′},{\widehat{y_i}}^{\′})-({x_i}^{\′},{y_i}^{\′})\left|\right|---\left(4\right)$

其中||  ||表示向量的范数。

需要说明的是，各残差点集中对应于参考匹配点集中的同一个点的残差值，构成该点的残差序列，计算所得残差序列的均值和方差。

更具体地，由于相关向量机RVM学习是迭代学习，每一次迭代都会更新噪声水平和函数关系(模型)，根据每一次迭代生成的函数关系对每一个(共n个)参考匹配点进行估计，生成相应的n个匹配估计点，计算每一次每一个匹配估计点与相应的目标匹配点的残差值，将所得每一点的各次残差值放入每一点的残差序列中，然后计算每一点的残差序列的均值和方差。

步骤140，根据残差序列点集的分布情况，对参考匹配点集进行两次或两次以上筛选以获得错误匹配点集。先根据RVM学习所得的各噪声水平来设定误匹配判别阈值，基于误匹配判别阈值对参考匹配点集进行筛选以获得潜在误匹配点集，再根据所设定的相似度阈值对所得到的潜在误匹配点集进行筛选以获得错误匹配点集。

具体地，第一次筛选是根据步骤120中相关向量机RVM学习所得的各噪声水平σ² _i来设定误匹配判别阈值为3σ_i，基于误匹配判别阈值对参考匹配点集进行筛选。如公式(5)所示，

s_p-bad＝{S|e_i＞3*σ_i}，i＝1，...n        (5)

根据公式(5)对各残差点集进行分类，分为潜在误匹配点集和匹配点集，将各残差点集中残差值大于误匹配判别阈值的点判别为潜在误匹配点，以获得潜在误匹配点集S_p-bad，并将所得潜在误匹配点集用于下一次的筛选。

第二次筛选是通过设定相似度阈值，对第一次筛选所得的潜在误匹配点集进行筛选。

更具体地，通过对潜在误匹配点集进行筛选，筛选出与RVM学习获得的最佳函数关系(模型)最不一致的点集，考察分析每一潜在误匹配点的残差序列，根据每一潜在误匹配点的残差序列的方差的相似性度量，判别残差序列对RVM学习所获得的最佳函数关系的相似度系数，将相似度系数小于设定相似度阈值τ的点判别为本次(第j次)迭代计算的错误匹配点，以获得错误匹配点集S_j-bad，其中S_j-bad∈S_p-bad。

需要说明的是，在第二次筛选时，将残差序列的方差在零点附近的点作为模型稳定点，即伪错误匹配点，并将伪错误匹配点从潜在误匹配点集中分离出来，放入正确匹配点集中。

本实施例可与第二次筛选类似地进行第三次筛选甚至第N(N为大于3的自然数)筛选，以获得更好的正确匹配点集。

步骤150，将参考匹配点集与错误匹配点集的差作为新的参考匹配点集(亦即，将参考匹配点集赋值为参考匹配点集与错误匹配点集的差)，并根据新的参考匹配点集获得相应的新的目标匹配点集。

具体地，将步骤110获得的参考匹配点集去除步骤140所获得的错误匹配点集S_j-bad后的剩余点的集合S_new作为参考匹配点集，用于下一次迭代的新的参考匹配点集。需要说明的是，由于参考匹配点集和目标匹配点集是一一对应关系，根据新的参考匹配点集得到相应的新的目标匹配点集。

所得到新的参考匹配点集可能还包括一些误匹配点，为了进一步提取出更为精确的匹配点集，因此还可进行下一次的迭代计算。

步骤160，判断是否满足预设的结束迭代条件，如果判断为是，则进行步骤170的处理，反之，则返回步骤120。

通过设定迭代次数大于预设最大迭代次数j_max或/和根据步骤120相关向量机RVM学习所得的回归预测数据的噪声水平β_j所设置的结束迭代条件，判断是否进行下一次迭代。

具体地，根据步骤120相关向量机RVM学习所得的回归预测数据的噪声水平β_j，j＝1，...j_max，按照公式(6)所示判断是否结束迭代，若为是，则执行步骤170的处理，否则，返回步骤120，再次执行步骤120至步骤150的处理。

$\mathrm{flagIter}=\left\{\begin{array}{cc}1:& 0.7\≤{\mathrm{\β}}_j/{\mathrm{\β}}_1\≤1.2\\ 0:& \mathrm{otherwise}\end{array}\right\}---\left(6\right)$

需要说明的是，一般经验的结束迭代条件取决于RVM学习的数据误差均方根值，当误差均方根值小于设定的经验阈值时终止迭代。本实施例所设置的最大迭代次数为11次，为提高算法对迭代终止条件的灵敏性，本实施例的误差均方根值用每次迭代学习所得回归预测数据(部分数据)的噪声水平β_j与首次学习所得回归预测数据(部分数据)的噪声水平β₁的比值β_j/β₁代替，该比值表示每次RVM学习结果的“进步”比率。

步骤170，若步骤160的结束迭代条件判断为是，则将步骤110所得到的参考图像的特征初始匹配点集与历次按照从步骤120至步骤150进行迭代所得的各错误匹配点集的差作为总的正确匹配点集，并进行存储。

具体地，将历次所得的各错误点集进行并集运算得到总错误匹配点集

将步骤110所得的参考图像的特征初始匹配点集与总错误点集

进行差集运算，得到总的正确匹配点集S_correct。

需要说明的是，总的正确匹配点集S_correct是通过对参考图像和目标图像的各自特征初始匹配点集进行多次迭代所得到的，通过类似于“剥洋葱”的方法，将错误匹配点从特征初始匹配点集中层层剥离，从而有效地消除错误匹配点，大大提高了匹配正确率。

第二实施例

图2根据本发明的第二实施例的图像匹配装置结构示意图，下面参考图2来说明本实施例的各部分组成。

参考图2本实施例的提取模块(21)以及匹配模块(23)分别执行第一实施例的步骤110步骤170的操作。在此不再详细展开。

本实施例迭代模块(22)执行第一实施例的步骤120、步骤130、步骤140、步骤150和步骤160的操作。在此不再详细展开

真实图像实验效果

为了验证所提方法的有效性，对一具体应用进行了实验研究。

图4左边为参考图像以及右边参考图像经过角度为60°的变换的目标图像，如图可以看出，根据本发明的图像匹配方法进行大视角的匹配，本方法的匹配精度和匹配效率都很高，分别达到97.74％和94.44％。

图5与图6分别为参考图像与参考图像经过角度为20°、30°、40°、50°和60°的目标图像采用随机采样一致性算法(Ransac算法)、邻域相关算法(Correlation算法)以及本发明的图像匹配方法进行图像匹配的性能评价，可以看出在大视角变化下，本发明的方法比其他方法在匹配效率和匹配精度的性能上更好，有效剔除错误匹配点。

本算法伪码流程：

符号说明：

Sequential RVM(DataPoints

S，M∈□，ε∈□⁺)

1 //Keep track of the SIFT matching points we have found

2 S_correct＝{}，S_mis＝{}，S_data＝S     (j＝1)

3 while(！StoppingCondition)

4 //Get a good model with RVM

5 S_j-bad＝SeqRVM(S_data，M，ε)

6 if Satisfactory Model(S_j-bad)

7 S_data＝S_data-S_j-bad

8 S_mis＝S_mis∪{S_j-bad}

9 S_correct＝S-S_mis

10 return S_correct

本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种图像匹配方法，其特征在于，包括：

步骤一，提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集；

步骤二，通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，在每次迭代中获得所述参考匹配点集和所述目标匹配点集的函数关系；

步骤三，分别根据在各次迭代中所获得所述参考匹配点集和所述目标匹配点集的各所述函数关系，对所述参考匹配点集进行逐次估计，得到各匹配估计点集，并针对每个所述匹配估计点集，计算匹配估计点集中的每个点与所述目标匹配点集中相应的点的残差值，以获得各残差点集；

步骤四，根据各所述残差点集的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集；

步骤五，将所述参考匹配点集赋值为所述参考匹配点集与所述错误匹配点集的差，并根据所述参考匹配点集获得相应的所述目标匹配点集；

步骤六，判断是否满足预设的结束迭代条件，如果判断为是，参考各所述错误匹配点集来进行所述参考图像与所述目标图像之间的图像匹配，反之，则返回所述步骤二。

2.根据权利要求1所述的图像匹配方法，其特征在于，

根据尺度不变特征变换算法提取参考图像与目标图像各自的特征初始匹配点集。

3.根据权利要求1所述的图像匹配方法，其特征在于，

在所述步骤二中，通过相关向量机RVM来进行所述迭代学习。

4.根据权利要求1所述的图像匹配方法，其特征在于，

所述结束迭代条件是：迭代次数大于预设最大迭代次数。

5.根据权利要求1所述的图像匹配方法，其特征在于，

在所述步骤四中，根据各所述残差点集和所述参考匹配点集中各个点的各所述残差序列的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集，其中，

各所述残差点集中对应于所述参考匹配点集中的同一个点的残差值，构成该点的所述残差序列。

6.根据权利要求1至5中任一项所述的图像匹配方法，其特征在于，

所述步骤二还包括：根据各所述函数关系分别获得参考匹配点集的各噪声水平；以及基于各所述函数关系得到最佳函数关系；

在步骤四中，在第一次筛选中，根据各所述噪声水平来设定误匹配判别阈值，基于所述误匹配判别阈值对所述参考匹配点集进行筛选，将各所述残差点集中残差值大于所述误匹配判别阈值的点判别为潜在误匹配点，以获得潜在误匹配点集；以及在第二次筛选中，根据所述潜在误匹配点的残差序列与所述最佳函数关系之间的相似度系数，对所述潜在误匹配点集进行筛选，将所述潜在误匹配点集中相似度系数小于预设相似度阈值的点判别为错误匹配点，以获得错误匹配点集。

7.根据权利要求6所述的图像匹配方法，其特征在于，

所述步骤二还包括：通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，从所述参考匹配点集中去除冗余的参考匹配点，以获得回归预测数据；以及基于所述最佳函数关系得到回归预测数据的噪声水平；

在步骤六中，根据所述回归预测数据的噪声水平来设定结束迭代条件。

8.一种图像匹配装置，其特征在于，所述图像匹配装置包括如下模块：

提取模块（21），其提取参考图像与目标图像各自的特征初始匹配点集，分别作为参考匹配点集和目标匹配点集；

迭代模块（22），其获取错误匹配点集；以及

匹配模块（23），所述匹配模块参考所述迭代模块(22)所获取的各所述错误匹配点集来进行所述参考图像与所述目标图像之间的图像匹配；

所述迭代模块（22）通过如下处理来获取错误匹配点集：

通过机器学习方法针对所述参考匹配点集和所述目标匹配点集进行迭代学习，在每次迭代中获得所述参考匹配点集和所述目标匹配点集的函数关系；

分别根据在各次迭代中所获得所述参考匹配点集和所述目标匹配点集的各所述函数关系，对所述参考匹配点集进行逐次估计，得到各匹配估计点集，并针对每个所述匹配估计点集，计算匹配估计点集中的每个点与所述目标匹配点集中相应的点的残差值，以获得各残差点集；

根据各所述残差点集的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集；

将所述参考匹配点集赋值为所述参考匹配点集与所述错误匹配点集的差，并根据所述参考匹配点集获得相应的所述目标匹配点集；

判断是否满足预设的结束迭代条件，如果判断为是，进入匹配模块（23）的处理，反之，重复所述迭代模块(22)的上述处理。

9.根据权利要求8所述的一种图像匹配装置，其特征在于，

所述迭代模块(22)根据各所述残差点集和所述参考匹配点集中各个点的各所述残差序列的分布情况，对所述参考匹配点集进行两次或两次以上筛选，以获得错误匹配点集，其中，

各所述残差点集中对应于所述参考匹配点集中的同一个点的残差值，构成该点的所述残差序列。

10.根据权利要求8或9所述的一种图像匹配装置，其特征在于，

所述迭代模块(22)还进行如下处理：

根据各所述函数关系分别获得参考匹配点集的各噪声水平，

基于各所述函数关系得到最佳函数关系；

在第一次筛选中，根据各所述噪声水平来设定误匹配判别阈值，基于所述误匹配判别阈值对所述参考匹配点集进行筛选，将各所述残差点集中残差值大于所述误匹配判别阈值的点判别为潜在误匹配点，以获得潜在误匹配点集；以及

在第二次筛选中，根据所述潜在误匹配点的残差序列与所述最佳函数关系之间的相似度系数，对所述潜在误匹配点集进行筛选，将所述潜在误匹配点集中相似度系数小于预设相似度阈值的点判别为错误匹配点，以获得错误匹配点集。

Images