CN109325510B - 一种基于网格统计的图像特征点匹配方法 - Google Patents
一种基于网格统计的图像特征点匹配方法 Download PDFInfo
- Publication number
- CN109325510B CN109325510B CN201810844212.6A CN201810844212A CN109325510B CN 109325510 B CN109325510 B CN 109325510B CN 201810844212 A CN201810844212 A CN 201810844212A CN 109325510 B CN109325510 B CN 109325510B
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- model
- inlier
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于网格统计的图像特征点匹配方法,包括以下步骤:1、通过最近邻匹配得到初始匹配集M;2、对原图和待匹配图像进行网格化,将每张图像分成N*N个网格;3、遍历集合M中的每一对匹配mi={pi,p’i},如果pi属于原图中第j个网格,p’i属于待匹配图像中的第k个网格,则网格对Gj,k对应计数加1;4、对网格对集合G按计数值排序,选取前m个中的匹配点组成样本集I;5、从I中任意取d个匹配,计算模型H,并进行预检验;6、用I中剩余的匹配对模型H进行检验,如果误差小于阈值α,则将其加入集合Iinlier;7、进行迭代,重复步骤5和6的操作,并更新Iinlier;8、迭代结束,得到最优集合Iinlier,利用Iinlier计算最优模型H。本发明提出的方法相比于传统方法,具有计算效率高,对初始集不敏感等优点。
Description
技术领域
本发明涉及数字图像处理和计算机视觉领域,具体涉及一种基于网格统计的图像特征点快速匹配方法。
背景技术
近年来,图像特征点的匹配被广泛应用于计算机视觉和模式识别等研究领域的各种任务中。作为很多任务的展开基础,图像特征点的匹配速度、精确度和鲁棒性显得尤为重要。目前,对于有效地提取图像中稳定的特征,已经有了大量的研究。比如,经典的尺度不变特征变换(SIFT)算法,以及一系列的改进算法,如ASIFT、PCA-SIFT、ORB等。但受限于特征点检测的精度、光照变化等因素,匹配的结果始终存在一定的错误信息。能否效地剔除这些错误的匹配,对后续任务的展开影响较大。
David Lowe提出了一种快速近似最近邻算法(FLANN),其基本思想是找出待匹配图像中特征点的最近邻和次近邻匹配点,设定一个合理的阈值,如果最近邻和次近邻距离的比值小于阈值,则认为匹配正确。由于该算法思想简单,实现较为容易,在一些精度要求较低的任务中比较流行。但对于一些精度要求较高的任务,该算法的缺点就较为明显。利用图像之间的几何约束估计图像之间的模型参数,从而对匹配进行提纯是目前主流的做法。通常,模型参数估计方法主要分为3类:线性法、迭代法和鲁棒法。线性法是一种快速模型估计方法,但易受误匹配的影响。迭代法通常采用梯度下降的方式获取模型最优解,是一种精度较高的模型估计方法,但该算法计算量大因而时效性差,且对误匹配信息敏感。鲁棒法是指去除外点对模型参数估计的影响。其中应用最为广泛的有极大似然估计(M-estimation)、最小中值(LMedS)和随机抽样一致性(RANSAC)3种算法。M-estimation通过引入鲁棒性权值建立加权目标函数,在一定程度上实现了对错误信息的排异,但该算法需要一个模型参数的初始估计,且易受错误信息的影响。LMedS算法通过最小化余差平方中值来实现对参数模型的估计,当测试数据中的错误信息比例超过50%时,该算法与M-estimation均无法正常工作,而RANSAC算法由于其具有算法结构简单、易于实现、鲁棒性强等优势,已广泛应用于模型参数估计问题中。
经典的RANSAC算法在外点比率较大时算法效率低下,且算法的结果受初始化的影响较大。
发明内容
本发明的目的是针对现有技术的不足,在具体分析传统的RANSAC法的缺陷之后,提供了一种基于网格统计的图像特征点匹配方法,在保证较高的精度和鲁棒性的情况下,大大减少了运算量,提高了图像特征点匹配的速度。
本发明的目的可以通过如下技术方案实现:
一种基于网格统计的图像特征点匹配方法,所述方法包括以下步骤:
S1、获得原图的初始特征点P={pi|i=1,2,3,…,n}和待匹配图像的初始匹配点P’={p’i|i=1,2,3,…,n},以及初始匹配关系集M={mi|i=1,2,3,…,n},其中,mi={pi,p’i};
S2、对原图和待匹配图像进行网格化,将每张图像划分成N*N个网格,并形成网格对集合G={Gj,k|j,k=1,2,…,N*N},其中j为原图的网格索引,k为对应的待匹配图像的网格索引,并初始化计数集合C={cj,k=0|j,k=1,2,…,N*N};
S3、遍历集合M中的每一对匹配点对mi={pi,p’i},如果pi属于第j个网格,p’i属于第k个网格,则cj,k计数加1;
S4、对网格对集合G中的元素按cj,k值从大到小排序,取前m个元素中的匹配点对组成样本集I;
S5、开始迭代,从样本集I中任意取d个匹配点对:
S5.1取前d-1个匹配点对,计算模型H;
S5.2用第d个匹配点对对模型H进行预检验,如果误差小于阈值α,则进行步骤S6操作;否则,重新进行步骤S5,进入下一次迭代;
S6、用样本集I中剩余的匹配点对对模型H进行检验,如果误差小于阈值β,则将其加入集合Iinlier;
S7、进行下一次迭代,重复步骤S5和步骤S6的操作;对于每一次迭代操作,如果得到的集合Iinlier中的元素个数大于上一次的集合Iinlier中的元素个数,则更新集合Iinlier;
S8、迭代结束,得到集合Iinlier,利用集合Iinlier计算最优模型H,利用得到的最优模型H对其它图像的特征点进行匹配。
进一步地,步骤S5中计算模型H的具体过程为:利用前d-1个匹配点对,通过联立d-1个方程,求解原图和待匹配图像之间的单应矩阵参数,模型H即为单应矩阵,对应两幅图像间的变换关系。
进一步地,所述方法中特征点的检测采用SIFT算法,初始匹配关系集M通过最近邻匹配获得。
进一步地,步骤S5中的d取值为5。
进一步地,步骤S5和步骤S6中采用不同的阈值α与阈值β,且有α≥β。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提供的图像特征点匹配方法,基于网格统计的概念,计算量小,相比于传统方法,计算速度明显提高;同时本发明的最终结果对于初始化集合不敏感,执行结果较为稳定,计算出的模型与真实结果更加接近。
附图说明
图1为本发明实施例基于网格统计的图像特征点匹配方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于网格统计的图像特征点匹配方法,所述方法的流程图如图1所示,包括以下步骤:
S1、采用SIFT算法获得原图的初始特征点P={pi|i=1,2,3,…,n}和待匹配图像的初始匹配点P’={p’i|i=1,2,3,…,n},并通过最近邻匹配获得其初始匹配关系集M={mi|i=1,2,3,…,n},其中,mi={pi,p’i};
S2、对原图和待匹配图像进行网格化,将每张图像划分成N*N个网格,(对于将图像具体划分成多少个网格,视图像大小而定,推荐使用40*40的网格)并形成网格对集合G={Gj,k|j,k=1,2,…,N*N},其中j为原图的网格索引,k为对应的待匹配图像的网格索引,并初始化计数集合C={cj,k=0|j,k=1,2,…,N*N};
S3、遍历集合M中的每一对匹配点对mi={pi,p’i},如果pi属于第j个网格,p’i属于第k个网格,则cj,k计数加1;
S4、对网格对集合G中的元素按cj,k值从大到小排序,取前m个元素中的匹配点对组成样本集I;
S5、开始迭代,从样本集I中任意取d个匹配点对,此处d设为5:
S5.1取前d-1个匹配点对,计算模型H;
S5.2用第d个匹配点对对模型H进行预检验,如果误差小于阈值α,此处阈值α
设为5,则进行步骤S6操作;否则,重新进行步骤S5,进入下一次迭代;
其中步骤S5为预检验:只有当计算得到的模型H在另外一个点上的误差满足要求时,才进行下一步的工作;否则,进行下一次的迭代。
S6、用样本集I中剩余的匹配点对对模型H进行检验,如果误差小于阈值β,此处阈值β设为3,则将其加入集合Iinlier;
S7、进行下一次迭代,重复步骤S5和步骤S6的操作;对于每一次迭代操作,如果得到的集合Iinlier中的元素个数大于上一次的集合Iinlier中的元素个数,则更新集合Iinlier;
S8、迭代结束,得到集合Iinlier,利用集合Iinlier计算最优模型H,利用得到的最优模型H对其它图像的特征点进行匹配。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (5)
1.一种基于网格统计的图像特征点匹配方法,其特征在于,所述方法包括以下步骤:
S1、获得原图的初始特征点P={pi|i=1,2,3,…,n}和待匹配图像的初始匹配点P’={p’i|i=1,2,3,…,n},以及初始匹配关系集M={mi|i=1,2,3,…,n},其中,mi={pi,p’i};
S2、对原图和待匹配图像进行网格化,将每张图像划分成N*N个网格,并形成网格对集合G={Gj,k|j,k=1,2,…,N*N},其中j为原图的网格索引,k为对应的待匹配图像的网格索引,并初始化计数集合C={cj,k=0|j,k=1,2,…,N*N};
S3、遍历集合M中的每一对匹配点对mi={pi,p’i},如果pi属于第j个网格,p’i属于第k个网格,则cj,k计数加1;
S4、对网格对集合G中的元素按cj,k值从大到小排序,取前m个元素中的匹配点对组成样本集I;
S5、开始迭代,从样本集I中任意取d个匹配点对:
S5.1取前d-1个匹配点对,计算模型H;
S5.2用第d个匹配点对对模型H进行预检验,如果误差小于阈值α,则进行步骤S6操作;否则,重新进行步骤S5,进入下一次迭代;
S6、用样本集I中剩余的匹配点对对模型H进行检验,如果误差小于阈值β,则将其加入集合Iinlier;
S7、进行下一次迭代,重复步骤S5和步骤S6的操作;对于每一次迭代操作,如果得到的集合Iinlier中的元素个数大于上一次的集合Iinlier中的元素个数,则更新集合Iinlier;
S8、迭代结束,得到集合Iinlier,利用集合Iinlier计算最优模型H,利用得到的最优模型H对其它图像的特征点进行匹配。
2.根据权利要求1所述的基于网格统计的图像特征点匹配方法,其特征在于,步骤S5中计算模型H的具体过程为:利用前d-1个匹配点对,通过联立d-1个方程,求解原图和待匹配图像之间的单应矩阵参数,模型H即为单应矩阵,对应两幅图像间的变换关系。
3.根据权利要求1所述的基于网格统计的图像特征点匹配方法,其特征在于:所述方法中特征点的检测采用SIFT算法,初始匹配关系集M通过最近邻匹配获得。
4.根据权利要求1所述的基于网格统计的图像特征点匹配方法,其特征在于:步骤S5中的d取值为5。
5.根据权利要求1所述的基于网格统计的图像特征点匹配方法,其特征在于:步骤S5和步骤S6中采用不同的阈值α与阈值β,且有α≥β。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844212.6A CN109325510B (zh) | 2018-07-27 | 2018-07-27 | 一种基于网格统计的图像特征点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844212.6A CN109325510B (zh) | 2018-07-27 | 2018-07-27 | 一种基于网格统计的图像特征点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325510A CN109325510A (zh) | 2019-02-12 |
CN109325510B true CN109325510B (zh) | 2021-06-08 |
Family
ID=65264065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810844212.6A Active CN109325510B (zh) | 2018-07-27 | 2018-07-27 | 一种基于网格统计的图像特征点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325510B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415221B (zh) * | 2019-07-12 | 2022-02-08 | 中南大学 | 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法 |
CN110942473A (zh) * | 2019-12-02 | 2020-03-31 | 哈尔滨工程大学 | 一种基于特征点网格化匹配的运动目标跟踪检测方法 |
CN111144489B (zh) * | 2019-12-25 | 2021-01-19 | 视辰信息科技(上海)有限公司 | 匹配对滤除方法、装置、电子设备与存储介质 |
CN112529052A (zh) * | 2020-11-25 | 2021-03-19 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
CN113435479A (zh) * | 2021-06-03 | 2021-09-24 | 湖北大学 | 基于区域特征表达约束的特征点匹配方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024154A (zh) * | 2010-11-26 | 2011-04-20 | 中国科学院遥感应用研究所 | 一种用于图像匹配的控制点均匀化方法 |
CN102542565A (zh) * | 2011-12-12 | 2012-07-04 | 中国科学院遥感应用研究所 | 一种用于包含复杂地形遥感图像的误匹配点剔除方法 |
CN105261042A (zh) * | 2015-10-19 | 2016-01-20 | 华为技术有限公司 | 光流估计的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101618996B1 (ko) * | 2014-12-31 | 2016-05-09 | 인하대학교 산학협력단 | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 |
-
2018
- 2018-07-27 CN CN201810844212.6A patent/CN109325510B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024154A (zh) * | 2010-11-26 | 2011-04-20 | 中国科学院遥感应用研究所 | 一种用于图像匹配的控制点均匀化方法 |
CN102542565A (zh) * | 2011-12-12 | 2012-07-04 | 中国科学院遥感应用研究所 | 一种用于包含复杂地形遥感图像的误匹配点剔除方法 |
CN105261042A (zh) * | 2015-10-19 | 2016-01-20 | 华为技术有限公司 | 光流估计的方法及装置 |
Non-Patent Citations (1)
Title |
---|
GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence;JiaWang Bian et al.;《2017 IEEE Conference on Computer Vision and Pattern Recpgnition (CVPR)》;20170731;第4181-4190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109325510A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN106355577B (zh) | 基于特征状态与全局一致性的快速图像匹配方法及系统 | |
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN110287942B (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN111079785A (zh) | 一种图像识别方法、装置及终端设备 | |
CN106919944A (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
CN107368820B (zh) | 一种精细化手势识别方法、装置及设备 | |
CN109740660A (zh) | 图像处理方法及装置 | |
CN101986295B (zh) | 基于流形稀疏编码的图像聚类的方法 | |
CN105260995B (zh) | 一种图像修复与去噪方法及系统 | |
CN111553215A (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
CN103679193A (zh) | 一种基于freak的高速高密度封装元器件快速定位方法 | |
CN108550166A (zh) | 一种空间目标图像匹配方法 | |
CN111507297B (zh) | 一种基于度量信息矩阵的雷达信号识别方法及系统 | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN114463856B (zh) | 姿态估计模型的训练与姿态估计方法、装置、设备及介质 | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
CN112183596B (zh) | 结合局部网格约束和几何约束的直线段匹配方法与系统 | |
CN111125414B (zh) | 一种无人机遥感图像特定目标自动搜索方法 | |
CN103823889A (zh) | 基于l1范数全局几何一致性检验的错误匹配检测方法 | |
CN108073934A (zh) | 近重复图像检测方法与装置 | |
CN113592013A (zh) | 一种基于图注意力网络的三维点云分类方法 | |
CN110070110B (zh) | 一种自适应阈值图像匹配方法 |
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 |