CN111160466B - 一种基于直方图统计的特征匹配算法 - Google Patents
一种基于直方图统计的特征匹配算法 Download PDFInfo
- Publication number
- CN111160466B CN111160466B CN201911393828.7A CN201911393828A CN111160466B CN 111160466 B CN111160466 B CN 111160466B CN 201911393828 A CN201911393828 A CN 201911393828A CN 111160466 B CN111160466 B CN 111160466B
- Authority
- CN
- China
- Prior art keywords
- calculating
- pair
- matching
- point
- optimal point
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于直方图统计的特征匹配算法,先对粗匹配下得到的双向最优点对的主方向投票计算出图像旋转角度,并剔除旋转角度不符合的点对。然后根据剩下的双向最优点对旋转后的坐标投票,计算得到X、Y方向的平移量。根据得到的图像旋转角度以及X、Y方向的平移量计算一个旋转平移矩阵,对所有点进行变换,剔除不符合变换关系的点,得到最终结果。本发明能够计算出更加精准稳定的旋转平移矩阵,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,具体是一种基于直方图统计的特征匹配算法,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:
(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直方图统计的特征匹配算法,能够计算出更加精准稳定的旋转平移矩阵,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:一种基于直方图统计的特征匹配算法,记待匹配的两幅图像分别为注册图像和输入图像,为注册图像提取的n个特征点;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值最大的一对点为单向最优点对,其中,,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,计算得到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;
S3、计算旋转角度:以5度为单位将(0,360)度划分为72个bins,计算每一对双向最优点对的主方向差值并进行投票,投在主方向差值对应的bins上;所有双向最优点对投完后将得到有最大值的bins对应的角度记为旋转角度ori;若出现多个具有最大值的bins,则记录各个具有最大值的bins对应的角度,记为集合Listori;
S4、计算平移量dx,dy:
3)同理,对disX,disY使用投票法计算X,Y方向的平移距离dx,dy;当dx,dy有多个时,记录并保留各个dx,dy;
S6、特征点匹配:取步骤S5中的旋转平移矩阵对注册图像中所有的特征点进行旋转平移变换,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;
S7、计算匹配得分并保留:根据每次匹配的点对数进行打分,并保留相应的匹配得分;判断是否还有dx,dy尚未计算,若有,则跳转至步骤S5;若无,则判断Listori中是否还有旋转角度尚未计算,若有,则跳转至步骤S4;否则,直接进入下一步;
S8、计算所有得分中最大的分数:比较所有匹配得分,保留最大的匹配得分作为此注册图像与输入图像的匹配得分,匹配结束。
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,且全局单向最优点对List2存在点对,则把点对记录为一对双向最优点对,其中,;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,本发明先对粗匹配下得到的双向最优点对的主方向投票计算出图像旋转角度,并剔除旋转角度不符合的点对。然后根据剩下的双向最优点对旋转后的坐标投票,计算得到X、Y方向的平移量。根据得到的图像旋转角度以及X、Y方向的平移量计算一个旋转平移矩阵,对所有点进行变换,剔除不符合变换关系的点,得到最终结果。本发明能够计算出更加精准稳定的旋转平移矩阵,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。
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值最大的一对点为单向最优点对,其中,,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,计算得到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,且全局单向最优点对List2存在点对,则把点对记录为一对双向最优点对,其中,;全局双向最优点对List3是指所有双向最优点对的集合;
S3、计算旋转角度:以5度为单位将(0,360)度划分为72个bins,计算每一对双向最优点对的主方向差值并进行投票,投在主方向差值对应的bins上;所有双向最优点对投完后将得到有最大值的bins对应的角度记为旋转角度ori;若出现多个具有最大值的bins,则记录各个具有最大值的bins对应的角度,记为集合Listori;
S4、计算平移量dx,dy:
3)同理,对disX,disY使用投票法计算X,Y方向的平移距离dx,dy;当dx,dy有多个时,记录并保留各个dx,dy;
S6、特征点匹配:取步骤S5中的旋转平移矩阵对注册图像中所有的特征点进行旋转平移变换,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;
S7、计算匹配得分并保留:根据每次匹配的点对数进行打分,并保留相应的匹配得分;判断是否还有dx,dy尚未计算,若有,则跳转至步骤S5;若无,则判断Listori中是否还有旋转角度尚未计算,若有,则跳转至步骤S4;否则,直接进入下一步;
S8、计算所有得分中最大的分数:比较所有匹配得分,保留最大的匹配得分作为此注册图像与输入图像的匹配得分,匹配结束。
综上所述,本发明先对粗匹配下得到的双向最优点对的主方向投票计算出图像旋转角度,并剔除旋转角度不符合的点对。然后根据剩下的双向最优点对旋转后的坐标投票,计算得到X、Y方向的平移量。根据得到的图像旋转角度以及X、Y方向的平移量计算一个旋转平移矩阵,对所有点进行变换,剔除不符合变换关系的点,得到最终结果。本发明能够计算出更加精准稳定的旋转平移矩阵,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)
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值最大的一对点为单向最优点对,其中,,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,计算得到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;
S3、计算旋转角度:以5度为单位将(0,360)度划分为72个bins,计算每一对双向最优点对的主方向差值并进行投票,投在主方向差值对应的bins上;所有双向最优点对投完后将得到有最大值的bins对应的角度记为旋转角度ori;若出现多个具有最大值的bins,则记录各个具有最大值的bins对应的角度,记为集合Listori;
S4、计算平移量dx,dy:
3)同理,对disX,disY使用投票法计算X,Y方向的平移距离dx,dy;当dx,dy有多个时,记录并保留各个dx,dy;
S6、特征点匹配:取步骤S5中的旋转平移矩阵对注册图像中所有的特征点进行旋转平移变换,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;
S7、计算匹配得分并保留:根据每次匹配的点对数进行打分,并保留相应的匹配得分;判断是否还有dx,dy尚未计算,若有,则跳转至步骤S5;若无,则判断Listori中是否还有旋转角度尚未计算,若有,则跳转至步骤S4;否则,直接进入下一步;
S8、计算所有得分中最大的分数:比较所有匹配得分,保留最大的匹配得分作为此注册图像与输入图像的匹配得分,匹配结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393828.7A CN111160466B (zh) | 2019-12-30 | 2019-12-30 | 一种基于直方图统计的特征匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393828.7A CN111160466B (zh) | 2019-12-30 | 2019-12-30 | 一种基于直方图统计的特征匹配算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160466A CN111160466A (zh) | 2020-05-15 |
CN111160466B true CN111160466B (zh) | 2022-02-22 |
Family
ID=70559055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911393828.7A Active CN111160466B (zh) | 2019-12-30 | 2019-12-30 | 一种基于直方图统计的特征匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160466B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2068271A2 (en) * | 2007-12-07 | 2009-06-10 | Sony Corporation | Detection of an object in an image |
CN103325143A (zh) * | 2013-06-13 | 2013-09-25 | 华南理工大学 | 基于模型匹配的标记点自动注册方法 |
WO2013161182A1 (en) * | 2012-04-23 | 2013-10-31 | Sony Corporation | Image processing apparatus, image processing method, and program |
CN103942572A (zh) * | 2014-05-07 | 2014-07-23 | 中国标准化研究院 | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 |
CN107220596A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于级联纠错机制的人体姿态估计方法 |
CN107463917A (zh) * | 2017-08-16 | 2017-12-12 | 重庆邮电大学 | 一种基于改进的ltp与二维双向pca融合的人脸特征提取方法 |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及系统 |
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 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7949186B2 (en) * | 2006-03-15 | 2011-05-24 | Massachusetts Institute Of Technology | Pyramid match kernel and related techniques |
DE102009027275A1 (de) * | 2009-06-29 | 2010-12-30 | Robert Bosch Gmbh | Bildverarbeitungsverfahren für ein Fahrerassistenzsystem eines Kraftfahrzeugs zur Detektion und Klassifikation wenigstens eines Teils wenigstens eines vorgegebenen Bildelements |
US9557836B2 (en) * | 2011-11-01 | 2017-01-31 | Microsoft Technology Licensing, Llc | Depth image compression |
EP2672423A1 (en) * | 2012-06-08 | 2013-12-11 | Realeyes OÜ | Method and apparatus for locating features of an object using deformable models |
TWI521448B (zh) * | 2014-03-18 | 2016-02-11 | Univ Yuan Ze | Vehicle identification system and method |
US9697437B2 (en) * | 2015-05-18 | 2017-07-04 | Facebook, Inc. | Logo detection |
CN106778457A (zh) * | 2015-12-11 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 可提高指纹识别率的指纹识别方法及系统 |
US10242442B2 (en) * | 2016-10-27 | 2019-03-26 | International Business Machines Corporation | Detection of outlier lesions based on extracted features from skin images |
CN108805214B (zh) * | 2018-06-19 | 2021-07-23 | 太原学院 | 一种基于模糊加权直方图的相似图像匹配方法和系统 |
CN110111248B (zh) * | 2019-03-15 | 2023-03-24 | 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 |
CN110211043B (zh) * | 2019-05-11 | 2023-06-27 | 复旦大学 | 一种用于全景图像拼接的基于网格优化的配准方法 |
-
2019
- 2019-12-30 CN CN201911393828.7A patent/CN111160466B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2068271A2 (en) * | 2007-12-07 | 2009-06-10 | Sony Corporation | Detection of an object in an image |
WO2013161182A1 (en) * | 2012-04-23 | 2013-10-31 | Sony Corporation | Image processing apparatus, image processing method, and program |
CN103325143A (zh) * | 2013-06-13 | 2013-09-25 | 华南理工大学 | 基于模型匹配的标记点自动注册方法 |
CN103942572A (zh) * | 2014-05-07 | 2014-07-23 | 中国标准化研究院 | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 |
CN107220596A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于级联纠错机制的人体姿态估计方法 |
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 |
CN107463917A (zh) * | 2017-08-16 | 2017-12-12 | 重庆邮电大学 | 一种基于改进的ltp与二维双向pca融合的人脸特征提取方法 |
CN108596867A (zh) * | 2018-05-09 | 2018-09-28 | 五邑大学 | 一种基于orb算法的图片校正方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于梯度径向夹角直方图的异源图像匹配;李壮 等;《测绘学报》;20110630;第40卷(第3期);第318页-第325页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111160466A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577815B (zh) | 一种人脸对齐方法和系统 | |
CN108416342B (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
CN110111248B (zh) | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 | |
CN110942515A (zh) | 基于点云的目标物体三维计算机建模方法和目标识别方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN103954280A (zh) | 一种快速和高鲁棒性自主恒星识别方法 | |
WO2015131468A1 (en) | Method and system for estimating fingerprint pose | |
CN110544202B (zh) | 一种基于模板匹配与特征聚类的视差图像拼接方法及系统 | |
CN111898428A (zh) | 一种基于orb的无人机特征点匹配方法 | |
CN109241901A (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
WO2017107865A1 (zh) | 图像检索系统、服务器、数据库及相关的方法 | |
CN111967337A (zh) | 一种基于深度学习和无人机影像的管道线变化检测方法 | |
CN110942473A (zh) | 一种基于特征点网格化匹配的运动目标跟踪检测方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN109840529B (zh) | 一种基于局部敏感置信度评估的图像匹配方法 | |
CN113095385B (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
US7295707B2 (en) | Method for aligning gesture features of image | |
CN111160466B (zh) | 一种基于直方图统计的特征匹配算法 | |
CN111104922B (zh) | 一种基于有序抽样的特征匹配算法 | |
CN111144338B (zh) | 一种基于特征点拓扑结构的特征匹配算法 | |
CN110766728A (zh) | 基于深度学习的组合图像特征精确匹配算法 | |
CN104156952A (zh) | 一种抵抗形变的图像匹配方法 | |
CN114170450A (zh) | 一种基于区域一致性和gms的图像特征匹配方法 | |
CN108090396A (zh) | 一种指纹匹配方法和装置 |
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 |