CN110222699A - 一种基于区域自适应surf的无序图像快速匹配方法 - Google Patents

一种基于区域自适应surf的无序图像快速匹配方法 Download PDF

Info

Publication number
CN110222699A
CN110222699A CN201910438923.8A CN201910438923A CN110222699A CN 110222699 A CN110222699 A CN 110222699A CN 201910438923 A CN201910438923 A CN 201910438923A CN 110222699 A CN110222699 A CN 110222699A
Authority
CN
China
Prior art keywords
surf
image
region
unordered
adaptivity
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.)
Granted
Application number
CN201910438923.8A
Other languages
English (en)
Other versions
CN110222699B (zh
Inventor
张小国
郭恩会
陈刚
王慧青
王庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910438923.8A priority Critical patent/CN110222699B/zh
Publication of CN110222699A publication Critical patent/CN110222699A/zh
Application granted granted Critical
Publication of CN110222699B publication Critical patent/CN110222699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于区域自适应SURF的无序图像快速匹配方法，包括：对无序图像集进行SURF特征点提取与重叠区域划分处理；对处理后的图像利用区域自适应SURF算法提取均匀少量强特征点提并匹配；以强特征点匹配结果作为相似性判断依据对无序图像集进行相似性检测与有序化处理；在有序化处理的基础上实现无序图像集的快速匹配。本发明通过对无序图像集进行相似性检测与有序化处理，减少无序图像由于缺少先验空间分布信息导致的大量无用匹配计算，实现图像集的快速匹配。

Description

一种基于区域自适应SURF的无序图像快速匹配方法
技术领域
本发明属于图像处理技术领域，涉及多幅图像三维重建中图像集特征点匹配技术，具体涉及一种基于区域自适应SURF的无序图像快速匹配方法。
背景技术
特征点匹配是计算机视觉领域中很多应用的基础，在三维重建、场景识别、地图构建以及图像配准中都起到重要的作用。在三维重建中，匹配点对越多重建模型越丰富，匹配点对越准确重建模型相应的越准确，所以特征点匹配结果直接决定了重建模型的好坏。
多幅图像三维重建需要得到满足重建条件的所有图像对之间的匹配特征点，对序列图像（有序图像）进行特征点匹配只需将每幅图像与其相邻的前后四幅图像进行匹配即可，而对于无序图像，由于缺乏先验空间位置与图像顺序信息，需要将每幅图像与其余所有图像进行匹配，带来大量无用匹配计算严重降低了算法的效率。
发明内容
为解决上述问题，本发明公开了一种基于区域自适应SURF的无序图像快速匹配方法，通过对无序图像进行相似性检测，排除无用匹配计算，实现无序图像的快速匹配。
为了达到上述目的，本发明提供如下技术方案：
一种基于区域自适应SURF的无序图像快速匹配方法，包括以下步骤：
步骤1，对无序图像集进行SURF特征点提取与重叠区域划分；
步骤2，通过区域自适应SURF算法提取图像均匀分布的少量强特征点，并对所有图像进行强特征点匹配；
步骤3，统计匹配数量，并以其作为相似性判断依据对统计与每幅图像最相似的五幅图像并记录，实现无序图像集的有序化处理；
步骤4，在上述有序化的基础上，利用步骤1提取的SURF特征点，完成图像集的匹配工作。
作为优选，所述步骤1中重叠区域划分步骤具体包括如下过程：
将图像划分成3×3共9个小区域，每个小区域边界延长包含30个像素点距离，作为重叠区域，以保证划分区域前后提取的特征点一致性。
进一步的，所述步骤2包括如下子步骤：
a，任选一块区域统计区域内SURF特征点数，并确定区域自适应SURF算法提取的区域特征点最大数量T；
b，由默认阈值SURF对区域进行特征点提取，判断其数量N是否大于T，若N小于T，此时的特征点即为区域自适应SURF算法提取的区域特征点；
c，若N大于T，则将阈值加大50，重复进行特征点提取与数量比较，直到N小于T，此时的特征点即为区域自适应SURF算法提取的区域特征点；
d，迭代处理图像9块区域，完成图像区域自适应SURF特征点提取。
进一步的，所述步骤3包括如下子步骤：
a，任选无序图像集中一幅图像作为参考图像，记其余图像为测试图像，将参考图像与所有测试图像进行区域自适应SURF特征点匹配；
b，统计匹配点数量并排序，记录与参考图像匹配点数最多的前五幅图像用来后续匹配；
c，迭代处理图像集所有图像，完成无序图像集有序化处理。
作为优选，所述步骤4中自适应划定邻域的步骤具体包括如下过程：在步骤1的基础上，结合有序化处理结果，将每幅图像与其最相似前五幅进行匹配，实现无序图像三维重建的快速匹配步骤。
本发明的有益效果是：
本发明通过对无序图像进行图像相似性检测与排序，基本消除无序图像的无用匹配计算，提高算法运行效率。经实验验证，对于20幅以上的图像数据，本方法匹配效率较无序图像暴力匹配提升2倍以上，且随着数据量的增加，提升效果更显著。
附图说明
图1为本发明提供的基于自适应邻域测试的误匹配点对剔除方法流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于自适应邻域测试的误匹配点对剔除方法，针对两幅图像进行特征点匹配处理，其流程如图1所示，包括以下步骤：
步骤1，对无序图像集所有图像进行SURF特征点提取与重叠区域划分，其中SURF特征点用于后续匹配；
步骤2，对经过重叠区域划分后的图像进行区域自适应SURF特征点提取，提取每幅图像少量的均匀分布的强特征点，并对图像集所有两两图像进行强特征点匹配。
首先对图像集中一幅图像，选择一个图像重叠区域，统计区域内SURF特征点数量N，以将计算量降低一个数量级为目标，设定区域自适应SURF提取de 区域内的特征点最大数量T为N/100。
其次利用默认阈值SURF算法对区域进行特征点提取，统计数量N，将N与T进行比较，若N小于T，则此时的特征点即为区域自适应SURF算法提取的区域特征点；若N大于T，则需将区域特征点数量进一步减少，即将SURF对比度阈值加大50继续提取区域特征点，比较N与T，直到N小于T为止，此时的特征点即为区域自适应SURF算法提取的强对比度特征点。
再迭代处理图像九块区域，完成此幅图像的区域自适应SURF特征点提取。
然后选取图像集中另一幅图像重复上述步骤，直到完成图像集所有图像的区域自适应SURF特征点提取。
最后对所有两两图像对的区域自适应SURF特征点进行匹配。
步骤3，统计步骤2中匹配点数量，并对每幅图像，将其余图像按匹配数量由多到少排序，记录最多的前五幅用来进行后续的匹配操作，实现无序图像集的有序化处理。
步骤4，在有序化处理的基础上，利用步骤1提取的SURF特征点，将每幅图像与其记录的最相似五幅图像进行匹配，实现无序图像集的快速匹配。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意改进所组成的技术方案。

Claims (5)

1.一种基于区域自适应SURF的无序图像快速匹配方法，其特征在于，包括以下步骤：
步骤1，对无序图像集进行SURF特征点提取与重叠区域划分；
步骤2，通过区域自适应SURF算法提取图像均匀分布的少量强特征点，并对所有图像进行强特征点匹配；
步骤3，统计匹配数量，并以其作为相似性判断依据对统计与每幅图像最相似的五幅图像并记录，实现无序图像集的有序化处理；
步骤4，在上述有序化的基础上，利用步骤1提取的SURF特征点，完成图像集的匹配工作。
2.根据权利要求1所述的基于区域自适应SURF的无序图像快速匹配方法，其特征在于，所述步骤1中重叠区域划分包括如下过程：
将图像划分成3×3共9个小区域，每个小区域边界延长包含30个像素点距离，作为重叠区域，以保证划分区域前后提取的特征点一致性。
3.根据权利要求1所述的基于区域自适应SURF的无序图像快速匹配方法，其特征在于，所述步骤2中区域自适应SURF特征点提取步骤具体包括如下过程：
a，任选一块区域统计区域内SURF特征点数，并确定区域自适应SURF算法提取的区域特征点最大数量T；
b，由默认阈值SURF对区域进行特征点提取，判断其数量N是否大于T，若N小于T，此时的特征点即为区域自适应SURF算法提取的区域特征点；
c，若N大于T，则将阈值加大50，重复进行特征点提取与数量比较，直到N小于T，此时的特征点即为区域自适应SURF算法提取的区域特征点；
d，迭代处理图像9块区域，完成图像区域自适应SURF特征点提取。
4.根据权利要求1所述的基于区域自适应SURF的无序图像快速匹配方法，其特征在于，所述步骤3具体包括如下过程：
a，任选无序图像集中一幅图像作为参考图像，记其余图像为测试图像，将参考图像与所有测试图像进行区域自适应SURF特征点匹配；
b，统计匹配点数量并排序，记录与参考图像匹配点数最多的前五幅图像用来后续匹配；
c：迭代处理图像集所有图像，完成无序图像集有序化处理。
5.根据权利要求1所述的基于区域自适应SURF的无序图像快速匹配方法，其特征在于，所述步骤4具体包括如下过程：在步骤1的基础上，结合有序化处理结果，将每幅图像与其最相似前五幅进行匹配，实现无序图像三维重建的快速匹配步骤。
CN201910438923.8A 2019-05-24 2019-05-24 一种基于区域自适应surf的无序图像快速匹配方法 Active CN110222699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910438923.8A CN110222699B (zh) 2019-05-24 2019-05-24 一种基于区域自适应surf的无序图像快速匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910438923.8A CN110222699B (zh) 2019-05-24 2019-05-24 一种基于区域自适应surf的无序图像快速匹配方法

Publications (2)

Publication Number Publication Date
CN110222699A true CN110222699A (zh) 2019-09-10
CN110222699B CN110222699B (zh) 2023-07-18

Family

ID=67818099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910438923.8A Active CN110222699B (zh) 2019-05-24 2019-05-24 一种基于区域自适应surf的无序图像快速匹配方法

Country Status (1)

Country Link
CN (1) CN110222699B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020136449A1 (en) * 2001-01-20 2002-09-26 Samsung Electronics Co., Ltd. Apparatus and method for extracting object based on feature matching between segmented regions in images
CN108122225A (zh) * 2017-12-18 2018-06-05 辽宁师范大学 基于自适应特征点的数字图像篡改检测方法
CN108664983A (zh) * 2018-05-21 2018-10-16 天津科技大学 一种尺度与特征强度自适应的surf特征点匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020136449A1 (en) * 2001-01-20 2002-09-26 Samsung Electronics Co., Ltd. Apparatus and method for extracting object based on feature matching between segmented regions in images
CN108122225A (zh) * 2017-12-18 2018-06-05 辽宁师范大学 基于自适应特征点的数字图像篡改检测方法
CN108664983A (zh) * 2018-05-21 2018-10-16 天津科技大学 一种尺度与特征强度自适应的surf特征点匹配方法

Also Published As

Publication number Publication date
CN110222699B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
WO2019007004A1 (zh) 用于行人重识别的图像特征提取方法
CN109509211B (zh) 同时定位与建图技术中的特征点提取与匹配方法及系统
US20080240497A1 (en) Method for tracking objects in videos using forward and backward tracking
CN110175506B (zh) 基于并行降维卷积神经网络的行人重识别方法及装置
CN112085017B (zh) 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法
CN102222328A (zh) 一种边缘保持的自然场景图像自适应加权滤波方法
CN109712160B (zh) 基于广义熵结合改进的狮群算法实现图像阈值分割方法
CN104537622A (zh) 单幅图像中去除雨滴影响的方法和系统
CN111383252A (zh) 多相机目标追踪方法、系统、装置及存储介质
TW202101304A (zh) 使用像素通道置亂的卷積神經網路的演算方法與系統
Liu et al. Development of a machine vision algorithm for recognition of peach fruit in a natural scene
CN112614161A (zh) 一种基于边缘置信度的三维物体跟踪方法
Qazi et al. Automated ball tracking in tennis videos
Kang et al. Cascading modular u-nets for document image binarization
CN115082477A (zh) 一种基于去反光效果的半导体晶圆加工质量检测方法
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
WO2010083021A1 (en) Detection of field lines in sports videos
CN114998445A (zh) 一种图像稀疏点立体匹配方法
CN109815763A (zh) 二维码的检测方法、装置和存储介质
CN110222699A (zh) 一种基于区域自适应surf的无序图像快速匹配方法
CN107742115A (zh) 一种基于视频监控的运动目标物检测追踪的方法及系统
CN110322479B (zh) 一种基于时空显著性的双核kcf目标跟踪方法
CN109063774B (zh) 图像追踪效果评价方法、装置、设备及可读存储介质
CN108961322B (zh) 一种适用于降落序列影像的误匹配剔除方法
CN112419407B (zh) 基于云团边缘识别的云团位移矢量计算方法及装置

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