CN111104922A - 一种基于有序抽样的特征匹配算法 - Google Patents
一种基于有序抽样的特征匹配算法 Download PDFInfo
- Publication number
- CN111104922A CN111104922A CN201911396208.9A CN201911396208A CN111104922A CN 111104922 A CN111104922 A CN 111104922A CN 201911396208 A CN201911396208 A CN 201911396208A CN 111104922 A CN111104922 A CN 111104922A
- Authority
- CN
- China
- Prior art keywords
- point
- matching
- optimal
- point pairs
- pair
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于有序抽样的特征匹配算法,先通过特征点描述子向量余弦相似度计算出双向最优匹配点对,再根据特征点的相关性把粗匹配下得到的双向最优点对进行排序,然后选择相关性相近的t个点对计算一个变换矩阵,然后对双向最优点对进行变换得到匹配的点对数;迭代计算变换矩阵,直到找到一个最佳变换矩阵,然后对所有的点对进行变换得到最终匹配结果。本发明能够计算出更加精准稳定的单应矩阵,从而在匹配点对时效果更好,可确保对一对图像进行多次匹配时得到的匹配结果相同,避免出现原本可以匹配的图像在某次匹配中判断为图像不匹配的情况。
Description
技术领域
本发明涉及一种特征匹配算法,具体是一种基于有序抽样的特征匹配算法,属于特征匹配技术领域。
背景技术
目前,在指纹识别领域,普遍的存在一个问题,特征点匹配准确率低。在一副指纹图像中可能会有多个局部区域很相似,导致指纹特征点的描述子向量就会非常相似,在特征匹配阶段就变的困难。在遇到包括含有噪声、畸变等质量低的指纹图像时,效果会更差,匹配精度更低。
业界现有的特征点匹配方案主要是从描述子向量的汉明距离计算匹配的,记待匹配的两幅图像分别为注册图像和输入图像。具体方案如下:
记fpctX1,fpctX2,...,fpctXn为注册图像提取的n个特征点;
记iptY1,iptY2,...,iptYm为输入图像提取的m个特征点;
(1)计算输入图像中每个特征点iptYq描述子向量与注册图像中所有特征点fpctX描述子向量的汉明距离,取出最小距离mindis的一对点(iptYq,fpctXp),1≤p≤n,1≤q≤m和次小距离secdis的一对点(iptYq,fpctXt),1≤t≤n,1≤q≤m。若mindis<threshold*secdis,则认为距离最小点对(iptYq,fpctXp)是一对匹配点。最终,得到匹配点对集合kpsList。
(2)通过RANSAC(Random Sample Consensus的缩写,它是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法)方法对匹配点对集合kpsList中的错误匹配点对进行剔除。通过随机选点迭代计算单应矩阵,剔除不满足该单应矩阵变换关系的点对,直到找到一个最佳单应矩阵。
(3)通过单应矩阵将注册图像提取的所有特征点坐标映射到输入图像坐标系下,计算在局部区域内余弦相似度cosine最大且点对欧式距离和特征点主方向偏差在给定阈值范围内的点对,记为一对匹配点对。最终得到所有的匹配点对。
在实际操作过程中,上述方法存在如下问题:
(1)由于指纹图像局部区域相似性较大且图片会有畸变,往往存在很多假匹配点对比真匹配点对的汉明距离更小,因此通过描述子向量汉明距离的方式计算匹配点对的准确率较低。
(2)RANSAC方法是一种随机抽样,每次的选点的结果不一致。首先迭代次数无法控制,其次因为是随机选择,每次选取计算单应矩阵的点可能不同,从而导致每次匹配结果可能不同。对相同的一对图像进行匹配,多次实验可能得到不同的匹配结果,甚至原本可以匹配的图像在某次匹配中判断为图像不匹配。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于有序抽样的特征匹配算法,能够计算出更加精准稳定的单应矩阵,从而在匹配点对时效果更好。
为了实现上述目的,本发明采用如下技术方案:一种基于有序抽样的特征匹配算法,记待匹配的两幅图像分别为注册图像和输入图像,fpctX1,fpctX2,...,fpctXn为注册图像提取的n个特征点;iptY1,iptY2,...,iptYm为输入图像提取的m个特征点;其特征在于,整个特征匹配算法具体包括如下步骤:
S1、计算全局单向最优点对:计算注册图像中的每个特征点描述子向量与输入图像中所有特征点描述子向量的余弦相似度cosine,并记录余弦相似度cosine值最大的一对点(fpctXp,iptYq),1≤p≤n,1≤q≤m为单向最优点对,最终得到注册图像指向输入图像的全局单向最优点对List1,记点对个数Count1;同理,计算输入图像指向注册图像的全局单向最优点对List2,记点对个数Count2;
S2、计算全局双向最优点对:基于以上得到的两个全局单向最优点对List1、List2计算全局双向最优点对List3,记点对个数为Count3;
S3、双向最优点对排序:根据特征点之间的相关性对全局双向最优点对List3进行排序;
S4、单应矩阵:取出t个最相关的双向最优点对计算出一个单应矩阵,并计算此单应矩阵的畸变值confid,4≤t≤Count3;通过此单应矩阵对List3中所有的注册图像点坐标进行映射,统计满足该单应矩阵变换关系的双向最优点对个数sum;遍历List3集合,多次选点计算不同的单应矩阵;
1)若当前计算的单应矩阵下满足变换关系的点对个数sum比之前记录的sum大,则保留当前计算的单应矩阵,并更新sum与confid的值;
2)若当前计算的单应矩阵下满足变换关系的点对个数sum与之前记录的sum相等,并且畸变值confid比之前的畸变值confid小,则保留当前计算的单应矩阵,并更新sum与confid;
最终,计算得到了一个最优的单应矩阵;
S5、特征点匹配:通过最优的单应矩阵将注册图像提取的所有特征点坐标映射到输入图像坐标系下,计算在局部区域内余弦相似度cosine最大且点对欧式距离和特征点主方向偏差在给定阈值范围内的点对,记为一对匹配点对;最终得到所有的匹配点对;
S6、计算得分:根据匹配的点对数进行打分,保留匹配得分作为此注册图像与输入图像的匹配得分。
所述步骤S2中双向最优点对是指若全局单向最优点对List1中存在点对(fpctXi,iptYj),且全局单向最优点对List2存在点对(iptYj,fpctXi),则把点对(fpctXi,iptYj)记录为一对双向最优点对,其中,1≤i≤n,1≤j≤m;全局双向最优点对List3是指所有双向最优点对的集合。
与现有的技术相比,本发明先通过特征点描述子向量余弦相似度计算出双向最优匹配点对,再根据特征点的相关性把粗匹配下得到的双向最优点对进行排序,然后选择相关性相近的t个点对计算一个变换矩阵,然后对双向最优点对进行变换得到匹配的点对数;迭代计算变换矩阵,直到找到一个最佳变换矩阵,然后对所有的点对进行变换得到最终匹配结果。本发明能够计算出更加精准稳定的单应矩阵,从而在匹配点对时效果更好,可确保对一对图像进行多次匹配时得到的匹配结果相同,避免出现原本可以匹配的图像在某次匹配中判断为图像不匹配的情况。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明实施中的技术方案进行清楚,完整的描述,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种基于有序抽样的特征匹配算法,记待匹配的两幅图像分别为注册图像和输入图像,fpctX1,fpctX2,...,fpctXn为注册图像提取的n个特征点;iptY1,iptY2,...,iptYm为输入图像提取的m个特征点;整个特征匹配算法包括如下步骤:
S1、计算全局单向最优点对:计算注册图像中的每个特征点描述子向量与输入图像中所有特征点描述子向量的余弦相似度cosine,并记录余弦相似度cosine值最大的一对点(fpctXp,iptYq),1≤p≤n,1≤q≤m为单向最优点对,最终得到注册图像指向输入图像的全局单向最优点对List1,记点对个数Count1;同理,计算输入图像指向注册图像的全局单向最优点对List2,记点对个数Count2;其中,全局单向最优点对List1是指所有注册图像指向输入图像的单向最优点对集合,Count1=n;全局单向最优点对List2是指所有输入图像指向注册图像的单向最优点对集合,Count2=m;
S2、计算全局双向最优点对:基于以上得到的两个全局单向最优点对List1、List2计算全局双向最优点对List3,记点对个数为Count3;其中,双向最优点对是指若全局单向最优点对List1中存在点对(fpctXi,iptYj),且全局单向最优点对List2存在点对(iptYj,fpctXi),则把点对(fpctXi,iptYj)记录为一对双向最优点对,其中,1≤i≤n,1≤j≤m;全局双向最优点对List3是指所有双向最优点对的集合;
S3、双向最优点对排序:根据特征点(指双向最优点对集合里的点)之间的相关性对全局双向最优点对List3进行排序;
S4、单应矩阵:取出t个最相关的双向最优点对计算出一个单应矩阵,并计算此单应矩阵的畸变值confid,4≤t≤Count3;通过此单应矩阵对List3中所有的注册图像点坐标进行映射,统计满足该单应矩阵变换关系的双向最优点对个数sum;遍历List3集合,多次选点计算不同的单应矩阵,例如有六个点对,排序后为1,2,3,4,5,6,t取4,则有以下几个选点方式:1,2,3,4;1,2,3,5;1,2,3,6;2,3,4,5;2,3,4,6;3,4,5,6;
1)若当前计算的单应矩阵下满足变换关系的点对个数sum比之前记录的sum大,则保留当前计算的单应矩阵,并更新sum与confid的值;
2)若当前计算的单应矩阵下满足变换关系的点对个数sum与之前记录的sum相等,并且畸变值confid比之前的畸变值confid小,则保留当前计算的单应矩阵,并更新sum与confid;
最终,计算得到了一个最优的单应矩阵;
S5、特征点匹配:通过最优的单应矩阵将注册图像提取的所有特征点坐标映射到输入图像坐标系下,计算在局部区域内余弦相似度cosine最大且点对欧式距离和特征点主方向偏差在给定阈值范围内的点对,记为一对匹配点对;最终得到所有的匹配点对;
S6、计算得分:根据匹配的点对数进行打分,保留匹配得分作为此注册图像与输入图像的匹配得分。
综上所述,本发明通过特征点描述子向量余弦相似度计算出双向最优匹配点对,再根据特征点的相关性把粗匹配下得到的双向最优点对进行排序,然后选择相关性相近的t个点对计算一个变换矩阵,然后对双向最优点对进行变换得到匹配的点对数;迭代计算变换矩阵,直到找到一个最佳变换矩阵,然后对所有的点对进行变换得到最终匹配结果。本发明能够计算出更加精准稳定的单应矩阵,从而在匹配点对时效果更好,可确保对一对图像进行多次匹配时得到的匹配结果相同,避免出现原本可以匹配的图像在某次匹配中判断为图像不匹配的情况。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于有序抽样的特征匹配算法,记待匹配的两幅图像分别为注册图像和输入图像,fpctX1,fpctX2,...,fpctXn为注册图像提取的n个特征点;iptY1,iptY2,...,iptYm为输入图像提取的m个特征点;其特征在于,整个特征匹配算法具体包括如下步骤:
S1、计算全局单向最优点对:计算注册图像中的每个特征点描述子向量与输入图像中所有特征点描述子向量的余弦相似度cosine,并记录余弦相似度cosine值最大的一对点(fpctXp,iptYq),1≤p≤n,1≤q≤m为单向最优点对,最终得到注册图像指向输入图像的全局单向最优点对List1,记点对个数Count1;同理,计算输入图像指向注册图像的全局单向最优点对List2,记点对个数Count2;
S2、计算全局双向最优点对:基于以上得到的两个全局单向最优点对List1、List2计算全局双向最优点对List3,记点对个数为Count3;
S3、双向最优点对排序:根据特征点之间的相关性对全局双向最优点对List3进行排序;
S4、单应矩阵:取出t个最相关的双向最优点对计算出一个单应矩阵,并计算此单应矩阵的畸变值confid,4≤t≤Count3;通过此单应矩阵对List3中所有的注册图像点坐标进行映射,统计满足该单应矩阵变换关系的双向最优点对个数sum;遍历List3集合,多次选点计算不同的单应矩阵;
1)若当前计算的单应矩阵下满足变换关系的点对个数sum比之前记录的sum大,则保留当前计算的单应矩阵,并更新sum与confid的值;
2)若当前计算的单应矩阵下满足变换关系的点对个数sum与之前记录的sum相等,并且畸变值confid比之前的畸变值confid小,则保留当前计算的单应矩阵,并更新sum与confid;
最终,计算得到了一个最优的单应矩阵;
S5、特征点匹配:通过最优的单应矩阵将注册图像提取的所有特征点坐标映射到输入图像坐标系下,计算在局部区域内余弦相似度cosine最大且点对欧式距离和特征点主方向偏差在给定阈值范围内的点对,记为一对匹配点对;最终得到所有的匹配点对;
S6、计算得分:根据匹配的点对数进行打分,保留匹配得分作为此注册图像与输入图像的匹配得分。
2.根据权利要求1所述的一种基于特征点拓扑结构的特征匹配算法,其特征在于,所述步骤S2中双向最优点对是指若全局单向最优点对List1中存在点对(fpctXi,iptYj),且全局单向最优点对List2存在点对(iptYj,fpctXi),则把点对(fpctXi,iptYj)记录为一对双向最优点对,其中,1≤i≤n,1≤j≤m;全局双向最优点对List3是指所有双向最优点对的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396208.9A CN111104922B (zh) | 2019-12-30 | 2019-12-30 | 一种基于有序抽样的特征匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396208.9A CN111104922B (zh) | 2019-12-30 | 2019-12-30 | 一种基于有序抽样的特征匹配算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104922A true CN111104922A (zh) | 2020-05-05 |
CN111104922B CN111104922B (zh) | 2022-03-08 |
Family
ID=70424943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911396208.9A Active CN111104922B (zh) | 2019-12-30 | 2019-12-30 | 一种基于有序抽样的特征匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104922B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022073249A1 (zh) * | 2020-10-10 | 2022-04-14 | 南京轩宁信息技术有限公司 | 一种基于双向最优匹配点对的图像匹配方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033639A1 (en) * | 1997-12-31 | 2001-10-25 | Martin Larry J. | Controller for use with communications systems for converting a voice message to a text message |
US20070217676A1 (en) * | 2006-03-15 | 2007-09-20 | Kristen Grauman | Pyramid match kernel and related techniques |
CN107766875A (zh) * | 2017-09-14 | 2018-03-06 | 中山大学 | 一种为有向有序多类不平衡数据分类的样本合成方法 |
US20180150939A1 (en) * | 2016-11-29 | 2018-05-31 | Industrial Technology Research Institute | Image processing method and image system for transportation |
CN108446568A (zh) * | 2018-03-19 | 2018-08-24 | 西北大学 | 一种去趋势分析差分隐私保护的直方图数据发布方法 |
CN109214246A (zh) * | 2017-07-04 | 2019-01-15 | 清华大学深圳研究生院 | 基于全局方向信息的指纹检索方法 |
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 |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 |
-
2019
- 2019-12-30 CN CN201911396208.9A patent/CN111104922B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010033639A1 (en) * | 1997-12-31 | 2001-10-25 | Martin Larry J. | Controller for use with communications systems for converting a voice message to a text message |
US20070217676A1 (en) * | 2006-03-15 | 2007-09-20 | Kristen Grauman | Pyramid match kernel and related techniques |
US20180150939A1 (en) * | 2016-11-29 | 2018-05-31 | Industrial Technology Research Institute | Image processing method and image system for transportation |
CN109214246A (zh) * | 2017-07-04 | 2019-01-15 | 清华大学深圳研究生院 | 基于全局方向信息的指纹检索方法 |
CN107766875A (zh) * | 2017-09-14 | 2018-03-06 | 中山大学 | 一种为有向有序多类不平衡数据分类的样本合成方法 |
CN108446568A (zh) * | 2018-03-19 | 2018-08-24 | 西北大学 | 一种去趋势分析差分隐私保护的直方图数据发布方法 |
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 |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 |
Non-Patent Citations (2)
Title |
---|
司宣斌: "失真指纹的检测与纠正", 《IEEE 模式分析和机器智能汇刊》 * |
董炜,陈卫征等: "基于可分性测度的模糊隶属函数确定方法", 《控制与决策》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022073249A1 (zh) * | 2020-10-10 | 2022-04-14 | 南京轩宁信息技术有限公司 | 一种基于双向最优匹配点对的图像匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111104922B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
US8798357B2 (en) | Image-based localization | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN113869293A (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN108846855A (zh) | 目标跟踪方法及设备 | |
CN106709870B (zh) | 一种近景影像直线段匹配方法 | |
CN113838058B (zh) | 一种基于小样本分割的医学图像自动标注方法及系统 | |
CN108335327B (zh) | 摄像机姿态估计方法和摄像机姿态估计装置 | |
CN105551022A (zh) | 一种基于形状交互矩阵的图像错误匹配检验方法 | |
CN111738319B (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN111104922B (zh) | 一种基于有序抽样的特征匹配算法 | |
CN109284409B (zh) | 基于大规模街景数据的图片组地理定位方法 | |
JP2008224641A (ja) | カメラ姿勢推定システム | |
US20050089225A1 (en) | Method for aligning gesture features of image | |
CN111144338B (zh) | 一种基于特征点拓扑结构的特征匹配算法 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN115810030A (zh) | 目标跟踪方法、装置、设备、存储介质和程序产品 | |
CN114723791A (zh) | 特征点匹配方法、装置、电子设备和存储介质 | |
US20230360262A1 (en) | Object pose recognition method based on triangulation and probability weighted ransac algorithm | |
CN104462458A (zh) | 大数据系统的数据挖掘方法 | |
CN111160466B (zh) | 一种基于直方图统计的特征匹配算法 | |
CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 |
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 |