CN104517287A - 一种图像匹配的方法及装置 - Google Patents
一种图像匹配的方法及装置 Download PDFInfo
- Publication number
- CN104517287A CN104517287A CN201410758765.1A CN201410758765A CN104517287A CN 104517287 A CN104517287 A CN 104517287A CN 201410758765 A CN201410758765 A CN 201410758765A CN 104517287 A CN104517287 A CN 104517287A
- Authority
- CN
- China
- Prior art keywords
- point
- initial characteristics
- feature set
- feature
- image
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种图像匹配的方法,包括如下步骤:分别计算配准图像和参考图像的积分图像,并分别构建所述配准图像和参考图像的图像金字塔;分别计算所述配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;计算每一个所述特征点的特征描述子;根据所述特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。本发明还涉及一种实现上述图像匹配的方法的装置。实施本发明的图像匹配的方法的装置,具有以下有益效果:信息量较大、特征点匹配较精确、配准速度较快。
Description
技术领域
本发明涉及图像匹配领域,特别涉及一种图像匹配的方法及装置。
背景技术
快消品企业一般会进行终端的检查,由大量的人员在各个终端进行铺货、陈列、价格、库存等方方面面的检查工作,需要投入大量的人力和资源。这些检查结果一般有几种方式反馈回企业:一种是登记在纸张上,然后再录入企业自身的管理系统中,这种方式费时费力。另一种是通过移动智能设备,开发移动软件,通过软件登记。
目前越来越多的企业是通过第二种方式记录终端检查结果,但是由于终端设备的操作与桌面PC相比还是不方便的,如果能够提供软件供用户实现信息快速的录入,则可以减少大量的时间,给企业节省很多人力成本,同时也能更准确地采集终端图像进行匹配。
图像匹配是指通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系,相似性和一致性的分析,寻求相似影像目标的方法。目前,图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。其中,灰度匹配的基本思想是以统计的观点将图像看成是二维信号,采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数评价它们的相似性以确定同名点。灰度匹配通过利用某种相似性度量,如相关函数、协方差函数、差平方和、差绝对值和等测度极值,判定两幅图像中的对应关系。
最经典的灰度匹配法是归一化的灰度匹配法,其基本原理是逐像素的把一个以一定大小的实时图像窗口的灰度矩阵,与参考图像的所有可能的窗口灰度阵列,按某种相似性度量方法进行搜索比较的匹配方法,从理论上说就是采用图像相关技术。利用灰度信息匹配方法的主要缺陷是计算量太大,因为使用场合一般都有一定的速度要求,所以这些方法很少被使用。现在已经提出了一些相关的快速算法,如幅度排序相关算法,FFT相关算法和分层搜索的序列判断算法等。
特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征),对特征进行参数描述,然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征和空间位置特征等。特征匹配首先对图像进行预处理来提取其高层次的特征,然后建立两幅图像之间特征的匹配对应关系,通常使用的特征基元有点特征、边缘特征和区域特征。特征匹配需要用到许多诸如矩阵的运算、梯度的求解、傅立叶变换和泰勒展开等数学运算。常用的特征提取与匹配方法有:统计方法、几何法、模型法、信号处理法、边界特征法、傅氏形状描述法、几何参数法和形状不变矩法等。
基于图像特征的匹配方法可以克服利用图象灰度信息进行匹配的缺点,由于图像的特征点比像素点要少很多,大大减少了匹配过程的计算量;同时,特征点的匹配度量值对位置的变化比较敏感,可以大大提高匹配的精确程度;而且,特征点的提取过程可以减少噪声的影响,对灰度变化、图像形变以及遮挡等都有较好的适应能力。所以基于图像特征的匹配在实际中的应用越来越广泛,所使用的特征基元有点特征(明显点,角点,边缘点等),边缘线段等。
通过大量的实验和应用证明,目前SURF算法是性能最为鲁棒的局部特征算法。SURF算法由Bay等人提出,它主要分成三部分:1)特征点提取,即在积分图像的基础上,利用方框滤波近似代替二阶高斯滤波,计算待选特征点及其周围点的Hessian值,如果最大,则为特征点。2)特征点描述,即在特征点周围小区域上计算Haar小波,并计算其四种和以构成特征描述。3)利用特征点描述向量进行配准。
对大量的图像数据进行研究发现,当特征区域像素分布简单时,图像旋转、光照变化等会使图像特征点检测率下降。产生这种情况的原因是:1)特征点信息量小。若特征点所包含的信息量越多,在另一幅图像中被检测出来的概率就越高。2)特征点匹配不精确。即参考图像中用某种尺度检测出来的特征集中的两个特征点,可能分别与配准图像中用不同尺度检测出来的两个特征集中的特征点对应。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述特征点信息量小、特征点匹配不精确、配准速度较慢的缺陷,提供一种信息量较大、特征点匹配较精确、配准速度较快的图像匹配的方法及装置。
本发明解决其技术问题所采用的技术方案是:构造一种图像匹配的方法,包括如下步骤:
A)分别计算配准图像和参考图像的积分图像,并分别构建所述配准图像和参考图像的图像金字塔;
B)分别计算所述配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;
C)计算每一个所述特征点的特征描述子;
D)根据所述特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。
在本发明所述的图像匹配的方法中,所述步骤B)进一步包括:
B1)计算所述配准图像和参考图像的图像金字塔中每一层的初始特征点;
B2)计算当前初始特征点的信息量;
B3)判断所述信息量是否大于设定阈值,如是,将所述当前初始特征点进行保留作为特征点,执行步骤B4);否则,将所述当前初始特征点进行舍弃,执行步骤B4);
B4)判断是否还有初始特征点未被计算,如是,返回步骤B1);否则,执行步骤C)。
在本发明所述的图像匹配的方法中,所述步骤B2)进一步包括:
B21)计算某种尺度下当前初始特征点邻域内每一像素点的香农熵;
B22)计算所述当前初始特征点邻域内每一像素点的差值贡献率;
B23)计算所述某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度;
B24)分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到所述当前初始特征点的信息量。
在本发明所述的图像匹配的方法中,所述步骤D)进一步包括:
D1)根据所述特征描述子分别得到所述配准图像和参考图像的每一个尺度的特征集;
D2)按照尺度空间的大小分别对所述配准图像的特征集和参考图像的特征集进行排列;
D3)将所述参考图像的每一尺度的特征集分别与所述配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数;
D4)比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将所述匹配个数最大的特征集对应组作为图像的特征点匹配关系;
D5)计算配准转换矩阵并得到配准结果。
在本发明所述的图像匹配的方法中,所述初始特征点的计算是使用SURF算法进行计算的。
本发明还涉及一种实现上述图像匹配的方法的装置,包括:
积分计算单元:用于分别计算配准图像和参考图像的积分图像,并分别构建所述配准图像和参考图像的图像金字塔;
特征点计算单元:用于分别计算所述配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;
特征描述子计算单元:用于计算每一个所述特征点的特征描述子;
匹配单元:用于根据所述特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。
在本发明所述的实现上述图像匹配的方法的装置中,所述特征点计算单元进一步包括:
初始特征点计算模块:用于计算所述配准图像和参考图像的图像金字塔中每一层的初始特征点;
信息量计算模块:用于计算当前初始特征点的信息量;
阈值判断模块:用于判断所述信息量是否大于设定阈值,如是,将所述当前初始特征点进行保留作为特征点;否则,将所述当前初始特征点进行舍弃;
计算模块:用于判断是否还有初始特征点未被计算。
在本发明所述的实现上述图像匹配的方法的装置中,所述信息量计算模块进一步包括:
香农熵计算模块:用于计算某种尺度下当前初始特征点邻域内每一像素点的香农熵;
差值贡献率计算模块:用于计算所述当前初始特征点邻域内每一像素点的差值贡献率;
旋转不变度计算模块:用于计算所述某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度;
相加模块:用于分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到所述当前初始特征点的信息量。
在本发明所述的实现上述图像匹配的方法的装置中,所述匹配单元进一步包括:
特征集获取模块:用于根据所述特征描述子分别得到所述配准图像和参考图像的每一个尺度的特征集;
排列模块:用于按照尺度空间的大小分别对所述配准图像的特征集和参考图像的特征集进行排列;
特征点匹配计算模块:用于将所述参考图像的每一尺度的特征集分别与所述配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数;
比较模块:用于比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将所述匹配个数最大的特征集对应组作为图像的特征点匹配关系;
配准转换矩阵计算模块:用于计算配准转换矩阵并得到配准结果。
在本发明所述的实现上述图像匹配的方法的装置中,所述初始特征点的计算是使用SURF算法进行计算的。
实施本发明的图像匹配的方法及装置,具有以下有益效果:由于分别计算配准图像和参考图像的积分图像,并分别构建配准图像和参考图像的图像金字塔;将配准图像和参考图像的图像金字塔每一层中的初始特征点的信息量大于设定阈值的初始特征点进行保留作为特征点;并根据计算每一个特征点的特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果,所以其信息量较大、特征点匹配较精确、配准速度较快。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明图像匹配的方法及装置一个实施例中方法的流程图;
图2为所述实施例中分别计算配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点的具体流程图;
图3为所述实施例中计算当前初始特征点的信息量的具体流程图;
图4为所述实施例中根据特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果的具体流程图;
图5为所述实施例中装置的结构示意图。
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作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。
在本发明图像匹配的方法及装置实施例中,其图像匹配的方法的流程图如图1所示。图1中,该图像匹配的方法包括如下步骤:
步骤S01分别计算配准图像和参考图像的积分图像,并分别构建配准图像和参考图像的图像金字塔:本步骤中,分别计算配准图像的积分图像和参考图像的积分图像,并分别构建配准图像的图像金字塔和参考图像的图像金字塔。
步骤S02分别计算配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点:采用SURF算法提取特征点进行匹配时,发现有大量的特征点未进行匹配,对这些未进行匹配的特征点进行分析,发现其所含的信息量较低。因此,本实施例用原SURF算法检测初始特征点,然后计算检测出来的初始特征点的信息量,去掉信息量低的初始特征点。本步骤中,分别计算配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,具体就是每计算出一个初始特征点,计算该初始特征点的信息量,将信息量大于设定阈值的初始特征点进行保留作为特征点,这样可减少特征点的匹配时间,以提高配准速度。值得一提的是,在每一层中使用SURF算法计算初始特征点。
步骤S03计算每一个特征点的特征描述子:本步骤中,计算每一个特征点的特征描述子,同SURF算法一样,在计算特征描述子时,得到64维的描述向量。
步骤S04根据特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果:本步骤中,根据特征描述子进行分特征匹配,得到配准图像和参考图像的每一个尺度的特征集,按尺度大小排列特征集,并计算尺度对应关系,找出相应特征集对,在匹配过程中用RANSAC和最小二乘法去除伪匹配对,得到匹配结果。关于本步骤中如何进行分特征匹配,并去除伪匹配对得到匹配结果,后续会进行详细描述。本发明的图像匹配的方法信息量较大、特征点匹配较精确、配准速度较快。
对于本实施例而言,上述步骤S02还可进一步细化,其细化后的流程图如图2所示。图2中,上述步骤S02进一步包括:
步骤S21计算配准图像和参考图像的图像金字塔中每一层的初始特征点:本步骤中,分别计算配准图像和参考图像的图像金字塔中每一层的初始特征点。
步骤S22计算当前初始特征点的信息量:本步骤中,计算当前初始特征点的信息量,关于如何计算信息量,后续会进行详细描述。
步骤S23判断信息量是否大于设定阈值:本步骤中,判断信息量是否大于设定阈值,如果判断的结果为是,则执行步骤S25;否则,执行步骤S24。
步骤S24将当前初始特征点进行舍弃:如果上述步骤S23的判断结果为否,则执行本步骤。本步骤中,将当前初始特征点进行舍弃。执行完本步骤,执行步骤S26。
步骤S25将当前初始特征点进行保留作为特征点:如果上述步骤S23的判断结果为是,则执行本步骤。本步骤中,将当前初始特征点进行保留作为特征点。执行完本步骤,执行步骤S26。
步骤S26判断是否还有初始特征点未被计算:本步骤中,判断是否还有初始特征点未被计算,如果判断的结果为是,则返回步骤S21继续计算下一个初始特征点;否则,执行步骤S03。本实施例通过先用SURF算法检测出某一特征点,称为初始特征点,再计算初始特征点的信息量,当其信息量大于设定阈值时,将它作为匹配特征点,这样可提高特征点的鲁棒性。
对于本实施例而言,上述步骤S22还可进一步细化,其细化后的流程图如图3所示。图3中,上述步骤S22进一步包括:
步骤S221计算某种尺度下当前初始特征点邻域内每一像素点的香农熵:衡量信息量大小的标准有很多,如梯度、熵和配准度(registrability)等。采用香农熵是较好的信息量大小的衡量标准,然而,香农熵也有其局限性,因它只考虑了像素值离散的情况,没有考虑特征区域像素值的分布情况。因此,本实施例对香农熵作了如下两个方面的改进:1)在一幅图像中,由于待选的特征点是比周围点hessian值大的像素点,特征点邻域是凸邻域,所以特征点邻域中由外向中心方向,离特征点越近,像素值应该越大。2)为使算法更好地适应图像的旋转,特征点应具有旋转不变性。根据以上分析,本实施例对传统的特征点信息量的计算方法进行了改进。本步骤中,计算某种尺度下当前初始特征点(初始特征点记为xi,i为正整数,i=1,2,3,…,n)邻域内每一像素点的香农熵。
步骤S222计算当前初始特征点邻域内每一像素点的差值贡献率:本步骤中,计算当前初始特征点邻域内每一像素点(邻域内的像素点记为yj,j=1,2,3,…,m)的差值贡献率。具体来讲,其计算方式是:对邻域内某一像素点yj,找到yj与当前初始特征点xi的连接线段L,并找到线段上与yj相距1个单位像素的点(记为k,k=1,2,3,…,m)。如果k点与图像上的像素点重合,则以该点的像素值减去yj点的像素值得到差值;如果不是,采用PV插值法计算出k点的像素值,再用计算出来的像素值减去yj点的像素值得到差值。然后,把所有差值的绝对值相加,得到和值为fsum,即fsum=∑|fyj-fzk|,以yj点像素值的差值除以fsum,得到的商即为这点(yj)的差值贡献率。
步骤S223计算某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度:本步骤中,计算某种尺度下xi周围区域内每一像素点yj的旋转不变度。先以中心点xi为圆心找到多个同心圆,计算每一个圆的圆周上所有点像素值的均值,然后计算区域内每一像素点yj的像素值和它所在圆周像素均值的差的绝对值,如果绝对值为0,这点(yj)的旋转不变度为1,否则,旋转不变度为绝对值的倒数。
步骤S224分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到当前初始特征点的信息量:本步骤中,在当前特征点xi邻域中,将前面计算得到的将每一像素点的香农熵、差值贡献率和旋转不变度的乘积,作为yj的信息量,把每一像素点的信息量相加,就得到当前特征点xi的信息量。
对于本实施例而言,上述步骤S04还可进一步细化,其细化后的流程图如图4所示。图4中,上述步骤S04进一步包括:
步骤S41根据特征描述子分别得到配准图像和参考图像的每一个尺度的特征集:SURF匹配算法中判断参考图像(假设有N1个特征点)中第i个特征点是否与配准图像(假设有N2个特征点)中某个特征点匹配,要计算参考图像中第i点与配准图像中所有N2个特征点的欧氏距离并排序,这需要计算1×64向量和64×N2向量的乘积得到1×N2维向量,并对该向量进行排序。当计算参考图像中所有N1个特征点的匹配关系时,需要重复如上操作N1次,当N1和N2都很大时,计算很耗时,算法效率较低。为了提高图像配准精度,就不能存在以下情况,即在参考图像中用某种尺度检测出来的特征集中的两个特征点,其中一个对应配准图像中用某种尺度检测出来的特征集中的某一特征点,而另一个则对应配准图像中用另一种尺度检测出来的特征集中的某一特征点。因此,本实施例对传统的匹配算法进行了改进。
本步骤中,根据特征描述子分别得到配准图像和参考图像的每一个尺度的特征集,具体来讲,根据尺度空间理论,假设在参考图像中形成n1个特征集;在配准图像中形成n2个特征集。
步骤S42按照尺度空间的大小分别对配准图像的特征集和参考图像的特征集进行排列:本步骤中,分别将配准图像的特征集和参考图像的特征集各自按尺度空间从小到大的顺序排列,并分别编号。固定参考图像的排序不动,而配准图像的排序可以沿参考图像的排列方向移动。
步骤S43将参考图像的每一尺度的特征集分别与配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数:本步骤中,让参考图像的1号特征集对应配准图像的n2号特征集,计算此时参考图像1号特征集和配准图像n2号特征集的匹配特征点个数;然后将配准图像特征集向右移动1位,即参考图像1号特征集对应配准图像n2-1号特征集,参考图像2号特征集对应配准图像n2号特征集,计算参考图像1号特征集和配准图像的n2-1号特征集的匹配特征点个数,再计算参考图像2号特征集和配准图像的n2号特征集的匹配特征点个数,并求它们的和作为此种特征集对应关系的匹配特征点个数。以此类推,直到参考图像的n1号特征集对应配准图像的1号特征集,计算参考图像n1号特征集和配准图像1号特征集的匹配特征点个数。值得一提的是,在配准的过程中,使用RANSAC和最小二乘法去除伪匹配对,提高配准的精确度。
步骤S44比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将匹配个数最大的特征集对应组作为图像的特征点匹配关系:本步骤中,比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将该特征点的匹配个数最大的特征集对应组所对应的特征点匹配关系作为图像的特征点匹配关系。
步骤S45计算配准转换矩阵并得到配准结果:本步骤中,计算配准转换矩阵,实现配准。用这种方法可减少特征搜索区域,增加正确匹配数,减少匹配计算时间。
本实施例还涉及一种实现上述图像匹配的方法的装置,其结构示意图如图5所示。图5中,该装置包括积分计算单元1、特征点计算单元2、特征描述子计算单元3和匹配单元4;其中,积分计算单元1用于分别计算配准图像和参考图像的积分图像,并分别构建配准图像和参考图像的图像金字塔;特征点计算单元2用于分别计算配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;特征描述子计算单元3用于计算每一个特征点的特征描述子;匹配单元4用于根据特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。值得一提的是,本实施例中,初始特征点的计算是使用SURF算法进行计算的。本发明的图像匹配的方法信息量较大、特征点匹配较精确、配准速度较快。
本实施例中,特征点计算单元2进一步包括初始特征点计算模块21、信息量计算模块22、阈值判断模块23和计算模块24;其中,初始特征点计算模块21用于计算配准图像和参考图像的图像金字塔中每一层的初始特征点;信息量计算模块22用于计算当前初始特征点的信息量;阈值判断模块23用于判断信息量是否大于设定阈值,如是,将当前初始特征点进行保留作为特征点;否则,将当前初始特征点进行舍弃;计算模块24用于判断是否还有初始特征点未被计算。本实施例通过先用SURF算法检测出某一特征点,称为初始特征点,再计算初始特征点的信息量,当其信息量大于设定阈值时,将它作为匹配特征点,这样可提高特征点的鲁棒性。
本实施例中,信息量计算模块22进一步包括香农熵计算模块221、差值贡献率计算模块222、旋转不变度计算模块223和相加模块224;其中,香农熵计算模块221用于计算某种尺度下当前初始特征点邻域内每一像素点的香农熵;差值贡献率计算模块222用于计算当前初始特征点邻域内每一像素点的差值贡献率;旋转不变度计算模块223用于计算某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度;相加模块224用于分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到当前初始特征点的信息量。
本实施例中,匹配单元4进一步包括特征集获取模块41、排列模块42、特征点匹配计算模块43、比较模块44和配准转换矩阵计算模块45;其中,特征集获取模块41用于根据特征描述子分别得到配准图像和参考图像的每一个尺度的特征集;排列模块42用于按照尺度空间的大小分别对配准图像的特征集和参考图像的特征集进行排列;特征点匹配计算模块43用于将参考图像的每一尺度的特征集分别与配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数;比较模块44用于比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将匹配个数最大的特征集对应组作为图像的特征点匹配关系;配准转换矩阵计算模块45用于计算配准转换矩阵并得到配准结果。用这种方法可减少特征搜索区域,增加正确匹配数,减少匹配计算时间。
总之,在本实施例中,先用SURF算法检测出某一特征点,称为初始特征点,再计算初始特征点的信息量,当其信息量大于设定阈值时,即将它作为匹配特征点,以提高特征点的鲁棒性,然后采用特征子集配准方法,进一步提高配准速度。实验表明,本发明的配准策略可使配准速度比SURF算法的配准速度更快,同时还提高了配准精度。本发明与传统的图像识别相比具有精度更高、识别时间短、系统开销低等优点。在移动终端管理系统中采用本发明的方法,使移动终端管理系统提供了图像识别功能,通过图像识别技术自动采集商品的铺货陈列情况。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像匹配的方法,其特征在于,包括如下步骤:
A)分别计算配准图像和参考图像的积分图像,并分别构建所述配准图像和参考图像的图像金字塔;
B)分别计算所述配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;
C)计算每一个所述特征点的特征描述子;
D)根据所述特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。
2.根据权利要求1所述的图像匹配的方法,其特征在于,所述步骤B)进一步包括:
B1)计算所述配准图像和参考图像的图像金字塔中每一层的初始特征点;
B2)计算当前初始特征点的信息量;
B3)判断所述信息量是否大于设定阈值,如是,将所述当前初始特征点进行保留作为特征点,执行步骤B4);否则,将所述当前初始特征点进行舍弃,执行步骤B4);
B4)判断是否还有初始特征点未被计算,如是,返回步骤B1);否则,执行步骤C)。
3.根据权利要求2所述的图像匹配的方法,其特征在于,所述步骤B2)进一步包括:
B21)计算某种尺度下当前初始特征点邻域内每一像素点的香农熵;
B22)计算所述当前初始特征点邻域内每一像素点的差值贡献率;
B23)计算所述某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度;
B24)分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到所述当前初始特征点的信息量。
4.根据权利要求1至3任意一项所述的图像匹配的方法,其特征在于,所述步骤D)进一步包括:
D1)根据所述特征描述子分别得到所述配准图像和参考图像的每一个尺度的特征集;
D2)按照尺度空间的大小分别对所述配准图像的特征集和参考图像的特征集进行排列;
D3)将所述参考图像的每一尺度的特征集分别与所述配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数;
D4)比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将所述匹配个数最大的特征集对应组作为图像的特征点匹配关系;
D5)计算配准转换矩阵并得到配准结果。
5.根据权利要求4所述的图像匹配的方法,其特征在于,所述初始特征点的计算是使用SURF算法进行计算的。
6.一种实现如权利要求1所述的图像匹配的方法的装置,其特征在于,包括:
积分计算单元:用于分别计算配准图像和参考图像的积分图像,并分别构建所述配准图像和参考图像的图像金字塔;
特征点计算单元:用于分别计算所述配准图像和参考图像的图像金字塔每一层中的初始特征点及其信息量,并将信息量大于设定阈值的初始特征点进行保留作为特征点;
特征描述子计算单元:用于计算每一个所述特征点的特征描述子;
匹配单元:用于根据所述特征描述子进行分特征匹配,用RANSAC和最小二乘法去除伪匹配对得到匹配结果。
7.根据权利要求6所述的实现上述图像匹配的方法的装置,其特征在于,所述特征点计算单元进一步包括:
初始特征点计算模块:用于计算所述配准图像和参考图像的图像金字塔中每一层的初始特征点;
信息量计算模块:用于计算当前初始特征点的信息量;
阈值判断模块:用于判断所述信息量是否大于设定阈值,如是,将所述当前初始特征点进行保留作为特征点;否则,将所述当前初始特征点进行舍弃;
计算模块:用于判断是否还有初始特征点未被计算。
8.根据权利要求7所述的实现上述图像匹配的方法的装置,其特征在于,所述信息量计算模块进一步包括:
香农熵计算模块:用于计算某种尺度下当前初始特征点邻域内每一像素点的香农熵;
差值贡献率计算模块:用于计算所述当前初始特征点邻域内每一像素点的差值贡献率;
旋转不变度计算模块:用于计算所述某种尺度下当前初始特征点周围区域内每一像素点的旋转不变度;
相加模块:用于分别将每一像素点的香农熵、差值贡献率和旋转不变度的乘积进行相加得到所述当前初始特征点的信息量。
9.根据权利要求6至8任意一项所述的实现上述图像匹配的方法的装置,其特征在于,所述匹配单元进一步包括:
特征集获取模块:用于根据所述特征描述子分别得到所述配准图像和参考图像的每一个尺度的特征集;
排列模块:用于按照尺度空间的大小分别对所述配准图像的特征集和参考图像的特征集进行排列;
特征点匹配计算模块:用于将所述参考图像的每一尺度的特征集分别与所述配准图像每一个尺度的特征集进行配准,用RANSAC和最小二乘法去除伪匹配对,并分别计算每一特征集对应组中特征点的匹配个数;
比较模块:用于比较每一特征集对应组中特征点的匹配个数,找出其特征点的匹配个数最大的特征集对应组,并将所述匹配个数最大的特征集对应组作为图像的特征点匹配关系;
配准转换矩阵计算模块:用于计算配准转换矩阵并得到配准结果。
10.根据权利要求9所述的实现上述图像匹配的方法的装置,其特征在于,所述初始特征点的计算是使用SURF算法进行计算的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758765.1A CN104517287A (zh) | 2014-12-10 | 2014-12-10 | 一种图像匹配的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410758765.1A CN104517287A (zh) | 2014-12-10 | 2014-12-10 | 一种图像匹配的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104517287A true CN104517287A (zh) | 2015-04-15 |
Family
ID=52792533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410758765.1A Pending CN104517287A (zh) | 2014-12-10 | 2014-12-10 | 一种图像匹配的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104517287A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146244A (zh) * | 2017-04-11 | 2017-09-08 | 西安电子科技大学 | 基于pbil算法的图像配准方法 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
WO2018137132A1 (en) * | 2017-01-24 | 2018-08-02 | SZ DJI Technology Co., Ltd. | Method and system for feature tracking using image pyramids |
CN111340709A (zh) * | 2020-03-15 | 2020-06-26 | 黎明职业大学 | 一种新的计算机图案拼接方法 |
CN113409372A (zh) * | 2021-06-25 | 2021-09-17 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
CN117349764A (zh) * | 2023-12-05 | 2024-01-05 | 河北三臧生物科技有限公司 | 一种干细胞诱导数据智能分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021666A (ko) * | 2010-08-12 | 2012-03-09 | 금오공과대학교 산학협력단 | 파노라마 영상 생성 방법 |
CN103106688A (zh) * | 2013-02-20 | 2013-05-15 | 北京工业大学 | 基于双层配准方法的室内三维场景重建方法 |
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
-
2014
- 2014-12-10 CN CN201410758765.1A patent/CN104517287A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021666A (ko) * | 2010-08-12 | 2012-03-09 | 금오공과대학교 산학협력단 | 파노라마 영상 생성 방법 |
CN103106688A (zh) * | 2013-02-20 | 2013-05-15 | 北京工业大学 | 基于双层配准方法的室内三维场景重建方法 |
CN103426186A (zh) * | 2013-09-05 | 2013-12-04 | 山东大学 | 一种改进的surf快速匹配方法 |
Non-Patent Citations (1)
Title |
---|
周军太 龙永红: "一种改进SURF算法的图像配准", 《湖南工业大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137132A1 (en) * | 2017-01-24 | 2018-08-02 | SZ DJI Technology Co., Ltd. | Method and system for feature tracking using image pyramids |
US11100652B2 (en) | 2017-01-24 | 2021-08-24 | SZ DJI Technology Co., Ltd. | Method and system for feature tracking using image pyramids |
CN107146244A (zh) * | 2017-04-11 | 2017-09-08 | 西安电子科技大学 | 基于pbil算法的图像配准方法 |
CN107146244B (zh) * | 2017-04-11 | 2019-10-11 | 西安电子科技大学 | 基于pbil算法的图像配准方法 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
CN108210186B (zh) * | 2018-01-29 | 2020-02-25 | 张燕 | 产妇辅助恢复装置 |
CN111340709A (zh) * | 2020-03-15 | 2020-06-26 | 黎明职业大学 | 一种新的计算机图案拼接方法 |
CN113409372A (zh) * | 2021-06-25 | 2021-09-17 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
CN117349764A (zh) * | 2023-12-05 | 2024-01-05 | 河北三臧生物科技有限公司 | 一种干细胞诱导数据智能分析方法 |
CN117349764B (zh) * | 2023-12-05 | 2024-02-27 | 河北三臧生物科技有限公司 | 一种干细胞诱导数据智能分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Sorted random projections for robust rotation-invariant texture classification | |
CN104517287A (zh) | 一种图像匹配的方法及装置 | |
Yao et al. | A new pedestrian detection method based on combined HOG and LSS features | |
US7406200B1 (en) | Method and system for finding structures in multi-dimensional spaces using image-guided clustering | |
CN103218621B (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
Lin et al. | Image retrieval and classification using adaptive local binary patterns based on texture features | |
CN111160120A (zh) | 基于迁移学习的Faster R-CNN物品检测方法 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
Gudigar et al. | Local texture patterns for traffic sign recognition using higher order spectra | |
CN102332086A (zh) | 一种基于双阈值局部二进制模式的人脸识别方法 | |
CN105701495B (zh) | 图像纹理特征提取方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
Yang et al. | BoSR: A CNN-based aurora image retrieval method | |
Huang et al. | Empirical curvelet based fully convolutional network for supervised texture image segmentation | |
Yu et al. | Local part chamfer matching for shape-based object detection | |
Quan et al. | A distinct and compact texture descriptor | |
Paisitkriangkrai et al. | Face detection with effective feature extraction | |
Zhang et al. | Saliency-driven oil tank detection based on multidimensional feature vector clustering for SAR images | |
Liu et al. | An MRF model-based approach to the detection of rectangular shape objects in color images | |
CN104268550A (zh) | 特征提取方法及装置 | |
CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
CN112232334A (zh) | 一种智能售货商品识别检测方法 | |
Dong et al. | Superpixel-based local features for image matching | |
Xiong et al. | A generic object detection using a single query image without training | |
Suri et al. | Robust face detection using circular multi block local binary pattern and integral haar features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 510620, Building 29, building 140-148, South Securities Building, No. 2902-2905 Sports East Road, Guangzhou, Guangdong, Tianhe District Applicant after: SIE CONSULTING CO., LTD. Address before: 510620, Building 29, building 140-148, South Securities Building, No. 2902-2905 Sports East Road, Guangzhou, Guangdong, Tianhe District Applicant before: Guangzhou Sai Yi Information technology Co., Ltd |
|
COR | Change of bibliographic data | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150415 |
|
WD01 | Invention patent application deemed withdrawn after publication |