CN115690439A

CN115690439A - 基于图像平面的特征点聚集方法、装置及电子设备

Info

Publication number: CN115690439A
Application number: CN202211369985.6A
Authority: CN
Inventors: 魏若岩; 王伟杰; 田子悦
Original assignee: HEBEI UNIVERSITY OF ECONOMICS AND BUSINESS
Current assignee: HEBEI UNIVERSITY OF ECONOMICS AND BUSINESS
Priority date: 2022-11-03
Filing date: 2022-11-03
Publication date: 2023-02-03

Abstract

本申请提供一种基于图像平面的特征点聚集方法、装置及电子设备。该方法包括：对待匹配的第一图像和第二图像进行特征点的提取，并基于各特征点的描述子之间的欧式距离进行匹配处理，得到初始匹配对集合U；对匹配处理后的特征点进行近邻点匹配，得到过滤外点后的匹配对集合S；从匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到所述初始匹配对集合U，得到多平面内点集I，并根据多平面内点集I中匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR；根据聚类算法和多平面聚集点集PR分别对第一图像和第二图像中特征点进行聚集，得到平面数据团，并基于平面数据团求取多模型，以实现图像的多模型匹配。

Description

基于图像平面的特征点聚集方法、装置及电子设备

技术领域

本申请涉及图像处理技术领域，尤其涉及一种基于图像平面的特征点聚集方法、装置及电子设备。

背景技术

平面结构在日常学习生活中相当常见，大大小小众多不同形状的平面构成了复杂的场景，了解室内外环境的结构在机器视觉的许多应用中都很重要，例如三维重建、探测器自主着陆、增强现实以及机器人导航等。图像中所提取的特征点遍布全图，过滤不属于图像主要物体平面的特征点和错误匹配对，将剩余特征点基于平面聚集进而实现多模型匹配是研究重点。

现有的特征点提取算法多依赖聚类算法及其改进算法划分平面匹配点，以获得多模型，多模型估计的效率和准确度较低。

发明内容

本申请实施例提供了一种基于图像平面的特征点聚集方法、装置及电子设备，以解决现有基于特征点聚集的多模型估计的效率和准确度较低的问题。

第一方面，本申请实施例提供了一种基于图像平面的特征点聚集方法，包括：

对待匹配的第一图像和第二图像进行特征点的提取，并基于各特征点的描述子之间的欧式距离进行匹配处理，得到初始匹配对集合U；

对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S；

从所述匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到所述初始匹配对集合U，得到多平面内点集I，并根据所述多平面内点集I中所述第一图像和所述第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR；

根据聚类算法和所述多平面聚集点集PR分别对所述第一图像和所述第二图像中特征点进行聚集，得到所述第一图像的第一平面数据团C_L和所述第二图像的第二平面数据团C_R，并基于所述第一平面数据团C_L和所述第二平面数据团C_R求取多模型，以实现图像的多模型匹配。

在一种可能的实现方式中，所述从所述匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到所述初始匹配对集合U，得到多平面内点集I，包括：

在所述匹配对集合S中随机抽取z个匹配对组成集合Z；其中，z∈[6,9]；

根据所述组成集合Z利用最小二乘法计算变换矩阵M_i；

将当前变换矩阵M_i回代所述组成集合Z计算距离误差DE：

其中，DE为匹配对经单应性矩阵H或基础矩阵F变换后的距离误差；

是所述第一图像的匹配点在所述第二图像中的对极线，

是所述第二图像的匹配点在所述第一图像中的对极线；

和

是

的第1项和第2项的平方，

和

是

的第1项和第2项的平方；

若z个匹配对间的距离误差DE均大于距离误差阈值Δ₁，则舍弃；否则，将M_i回代所述初始匹配对集合U，获取距离误差DE小于或等于距离误差阈值Δ₂的匹配对，得到内点集I_i；

重复所述在所述匹配对集合S中随机抽取z个匹配对组成集合Z及其之后的操作，依次计算所述匹配对集合S中每个匹配对局部区域内变换模型所对应的内点集I_i，并将其存储在序列I中，得到多平面内点集I＝{I₁,I₂,...,I_n}；其中，n为内点集个数；所述Δ₂大于所述Δ₁；所述Δ₁∈[1.0,1.5]；Δ₂∈[2.0,5.0]。

在一种可能的实现方式中，所述根据所述多平面内点集I中所述第一图像和所述第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR，包括：

将所述多平面内点集I中第i个子集I_i的所有匹配点根据所属图像分别存储于

即

获得两幅图各自的匹配点集合

其中，k＝L,R,j＝1,2,...,m；

存储第i个子集I_i于所述第一图像的匹配点；

存储第i个子集I_i于所述第二图像的匹配点；

计算

中匹配点到点集重心的距离

其中，

计算各匹配点向重心方向移动的距离|Δd|：

其中，

按照下式移动匹配点，直至匹配点位置变化程度小于阈值ε为止，获得多平面聚集点集PR：

其中，

为第j个匹配点距离重心

的距离；

和

为所述第一图像和所述第二图像中第i个匹配点子集中第j个匹配点；n为匹配子集数目；m为第i个匹配点子集中匹配点数目；

为两幅图中第i个匹配点子集重心；

和

为当两幅图的当前匹配点子集中匹配点横坐标之和和纵坐标之和；

为匹配点横坐标；

为匹配点纵坐标；

为匹配点移位后的坐标；θ为匹配点移动方向角；|Δd|为匹配点向重心移动的距离；若

则移动长度为

否则移动长度为

是距离阈值，根据匹配点到重心距离分布进行设置；α是变化概率；α∈[0,1.0]。

在一种可能的实现方式中，所述根据聚类算法和所述多平面聚集点集PR分别对所述第一图像和所述第二图像中特征点进行聚集，得到所述第一图像的第一平面数据团C_L和所述第二图像的第二平面数据团C_R，包括：

利用meanshift算法对所述多平面聚集点集PR中每个特征点计算meanshift向量

每个特征点以

进行移动，更新特征点位置x_i直至

小于等于距离误差阈值Δ₃为止；

将所述第一图像中特征点聚集为第一平面数据团C_L＝{C_L1,C_L2...,C_Ln}，并将所述第二图像中特征点聚集为第二平面数据团C_R＝{C_R1,C_R2,...,C_Rm}；其中，n为所述第一图像数据团数目，m为所述第二图像数据团数目；h为核半径。

在一种可能的实现方式中，所述基于所述第一平面数据团C_L和所述第二平面数据团C_R求取多模型，包括：

建立存储多个模型的序列M和存储每个模型内点集合的序列G；

计算模型所需的匹配对数量m；最大内点距离误差阈值为Δ；设置判断能接受当前模型的内点数目阈值m_min，若符合当前模型的内点数目不小于m_min，则保存该模型，否则舍弃；

分别在所述第一平面数据团C_L的第i个子集C_Li和所述第二平面数据团C_R的第j个子集C_Rj中抽取m个匹配对，得到当前变换模型M_now，判断M_now在数据团{C_Li,C_Rj}的内点集合G_now的长度是否大于m_min，若不满足则重新抽取匹配；否则，将M_now放入M，将G_now放入G；

在满足第一条件或第二条件中任一条件时结束对数据团{C_Li,C_Rj}抽取匹配操作；

其中，第一条件为：

其中，q为置信率，k为每次迭代匹配对抽样个数，n为对应数据团中匹配对数目，m_now为当前变换矩阵内点数；

第二条件为：

m_now≥m_min

其中，m_now为当前变换矩阵内点数目；m_min为当前模型的内点数目阈值m_min。

在一种可能的实现方式中，所述对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S，包括：

基于K近邻算法为所述第一图像搜索α_L个近邻点，为所述第二图像搜索α_R个近邻点；

确定各匹配点的近邻点交集S_i；

在满足设定条件时调整搜索近邻点的数量，并根据调整后的数量重新搜索近邻点并更新近邻点交集S_i；

合并更新后的近邻点交集S_i，得到匹配对集合S。

在一种可能的实现方式中，在满足设定条件时调整搜索近邻点的数量，包括：

近邻点交集S_i非空时，则计算交集点到所述第一图像的各个匹配点的平均距离

和到所述第二图像的各个匹配点的平均距离

令

若γ≥1，则α_L＝γα_L；否则

其中，i＝1,2,...,n，n是交集长度。

第二方面，本申请实施例提供了一种基于图像平面的特征点聚集装置，包括：

初始匹配模块，用于对待匹配的第一图像和第二图像进行特征点的提取，并基于各特征点的描述子之间的欧式距离进行匹配处理，得到初始匹配对集合U；

过滤模块，用于对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S；

移动模块，用于从所述匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到所述初始匹配对集合U，得到多平面内点集I，并根据所述多平面内点集I中所述第一图像和所述第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR；

聚类模块，用于根据聚类算法和所述多平面聚集点集PR分别对所述第一图像和所述第二图像中特征点进行聚集，得到所述第一图像的第一平面数据团C_L和所述第二图像的第二平面数据团C_R，并基于所述第一平面数据团C_L和所述第二平面数据团C_R求取多模型，以实现图像的多模型匹配。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

本申请实施例提供一种基于图像平面的特征点聚集方法、装置及电子设备，通过对待匹配的第一图像和第二图像进行特征点的提取，经匹配处理得到初始匹配对集合U，基于近邻内点分布一致性的自适应外点过滤方法进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S，然后利用同平面点聚集方法移动匹配点位置，提高同平面点聚集程度，之后利用聚类算法对聚集匹配点进行平面划分，最后根据对应平面匹配对得到多个变换模型，提高了多模型估计的效率和准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的基于图像平面的特征点聚集方法的实现流程图；

图2是本申请另一实施例提供的基于图像平面的特征点聚集方法的实现流程图；

图3是本申请另一实施例提供的基于图像平面的特征点聚集方法的实现流程图；

图4是本申请一具体实施例提供的算法效果图；

图5是本申请一具体实施例提供的本申请方案与其他算法的对比图；

图6是本申请一实施例提供的基于图像平面的特征点聚集装置的结构示意图；

图7是本申请一实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

除非另有说明，术语“多个”表示两个或两个以上。

本申请实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

现有技术中公开了针对图像特征提取的多种特征点提取算法，各种算法在特征点提出过程中有不同的特点。

SIFT等特征点提取算法所提取的特征点遍布全图，三维重建、探测器自主着陆等问题仅处理图片局部区域(比如建筑物、星体等)，提前过滤研究区域外的特征点利于后续操作。RANSAC是特征点过滤的首选方法，在两幅图像的匹配对集合中随机抽取4对或7对匹配点计算变换矩阵，并将其回代到匹配对集合，得到当前矩阵的最优内点集(正确匹配对)，将拥有支持数目最多的变换矩阵作为最终模型，保留该模型对应内点集实现外点(错误匹配对)过滤。算法效率与匹配对集合内点比例相关，选取最小子集计算变换模型存在不是最佳模型参数的可能性。

RANSAC算法的衍生算法NAPSAC算法认为图像中内点距离比外点更近，将均匀随机抽样改为近邻区域随机抽样，使RANSAC算法用于高维数据；PROSAC算法根据相似性度量对匹配对集合排序，并从相似性度量最高的数据子集中半随机抽样，该算法可以在较短时间内找到所有内点，最坏情况与RANSAC相同；LO-RANSAC算法根据不同的误差阈值对内点集重采样以提高变换模型质量；MLESAC算法利用最大似然估计选取最优模型，改进对阈值的敏感性；NG-RANSAC算法将RANSAC与神经网络结合，利用神经网络预测每个匹配对的权重，可以更好地过滤误差较大的外点。对于宽基线和大视角差异的两幅图像，图像间存在多个变换模型，图像不同平面的特征点属于不同变换模型，但多模型计算时存在相同平面内点归属于不同模型内点集的可能。多模型匹配算法有Sequential RANSAC、MultiRANSAC、J-Linkage、T-Linkage、Multi-H、PEARL、AdaLam、GMS和SuperGlue算法等。Sequential RANSAC和Multi RANSAC算法受每个单应性模型较低内点率的影响；J-Linkage和T-Linkage算法在偏好空间中随机选择的聚类分析，根据相关联的内点数目确定平面是否重要；PEARL算法和Multi-H算法将多模型匹配问题转化为全局能量优化问题；AdaLam算法根据每个关键点的最近邻匹配对的Distance Ratio选择种子点，确保种子点的独特性和覆盖率，保证算法高速并行；GMS算法将图片划分为固定大小的网格，统计各个小区域中匹配的特征点数量，以此进行外点过滤，当两幅图像视角差异较大、缩放比例明显时，该方法不适用；SuperGlue算法同时进行特征点匹配和外点过滤，通过自注意力和交叉注意力层提高局部特征差异。

上述多模型匹配算法几乎没有修改多平面特征点位置，仅依赖聚类算法及其改进算法划分平面匹配点，以获得多模型。其实当匹配对集合中内点率较高时，变换模型的每对内点中匹配点到点集重心的距离几乎相同，外点中匹配点到点集重心的距离差异相对较大；距离重心较近的匹配点为同平面点的可能性较大，距离重心较远的匹配点为同平面点的可能性较小。

基于以上同平面正确匹配点分布特点，本申请旨在根据匹配点到点集重心的距离动态调整匹配点位置，提高同平面点的聚集性。图像中各平面点聚集分布，使用聚类算法对匹配点聚类后获得准确率较高的多模型。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

图1是本申请一实施例提供的基于图像平面的特征点聚集方法的实现流程图，如图1所示，该方法包括如下步骤：

S101，对待匹配的第一图像和第二图像进行特征点的提取，并基于各特征点的描述子之间的欧式距离进行匹配处理，得到初始匹配对集合U。

S102，对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S。

S101和S102中，对两幅图像分别进行特征点的提取并描述，通过特征点间欧氏距离得到初始匹配对集合并过滤外点。其中，为得到更具有代表性的特征点与精度高的匹配对，可以根据实际情况选择不同的特征点提取和特征匹配算法。例如：对于短基线图像可以选择Harris角点和AKAZE点，对于宽基线图像选择Sift、Surf特征点。通过分析内外点分布规律，过滤掉局部区域分布不一致的匹配对，保留分布一致内点，从而提高内点率。

S103，从匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到初始匹配对集合U，得到多平面内点集I，并根据多平面内点集I中第一图像和第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR。

其中，对二维图像中的同平面点进行聚集处理，计算各匹配点距离其重心的距离。内点率较高的匹配对集合中，内点中两个匹配点到各自重心的距离几乎相同，外点中两个匹配点到各自重心的距离差距相对较大。距离直方图近似卡方分布，将距离阈值

设置为匹配点到重心距离的均值。匹配点到重心距离越小，属于同一平面可能性越大，向重心移动距离越大，匹配点到重心距离越大，属于同一平面可能性越小，向重心移动距离越小。若匹配点与重心间距离不大于

的匹配点，则该匹配点向重心方向移动长度为原距离，否则该匹配点向重心方向移动长度为原距离的α倍，其中α∈[0,1.0]，随匹配点与重心间距离增大而减小。当匹配点位置变化程度小于阈值ε∈[0,2.0]时停止聚集。

具体的，根据匹配点到点集重心的距离动态移动匹配点位置，当匹配点位置变化程度小于阈值ε时停止迭代，其中，阈值ε为每轮移动前后匹配点间的距离。

S104，根据聚类算法和多平面聚集点集PR分别对第一图像和第二图像中特征点进行聚集，得到第一图像的第一平面数据团C_L和第二图像的第二平面数据团C_R，并基于第一平面数据团C_L和第二平面数据团C_R求取多模型，以实现图像的多模型匹配。

可选的，聚类算法选用meanshift算法。利用meanshift算法划分不同平面数据团，根据两幅图像对应数据团间匹配对计算变换模型，使每个匹配对仅属于一个平面的变换模型，从而得到多模型序列，提高了本申请方案的正确率和运行效率，为后期三维重建及小天体平坦区域的选取提供技术基础。

在本实施例中，通过对待匹配的第一图像和第二图像进行特征点的提取，经匹配处理得到初始匹配对集合U，基于近邻内点分布一致性的自适应外点过滤方法进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S，然后利用同平面点聚集方法移动匹配点位置，提高同平面点聚集程度，之后利用聚类算法对聚集匹配点进行平面划分，最后根据对应平面匹配对得到多个变换模型，提高了多模型估计的效率和准确度。

在一种可能的实现方式中，步骤S102中，对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S，包括：

基于K近邻算法为第一图像搜索α_L个近邻点，为第二图像搜索α_R个近邻点；

确定各匹配点的近邻点交集S_i；

合并更新后的近邻点交集S_i，得到匹配对集合S。

其中，根据近邻交集点到各个匹配点的平均距离的比值γ，自动调整近邻点搜索个数α_L、α_R，提高过滤步骤的自动性。

在一种可能的实现方式中，步骤S102中，在满足设定条件时调整搜索近邻点的数量，包括：

近邻点交集S_i非空时，则计算交集点到第一图像的各个匹配点的平均距离

和到第二图像的各个匹配点的平均距离

令

若γ≥1，则α_L＝α_L；否则

其中，i＝1,2,...,n，n是交集长度。

在一种可能的实现方式中，从匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到初始匹配对集合U，得到多平面内点集I，包括：

在匹配对集合S中随机抽取z个匹配对组成集合Z；其中，z∈[6,9]；

根据组成集合Z利用最小二乘法计算变换矩阵M_i；

将当前变换矩阵M_i回代组成集合Z计算距离误差DE：

是第一图像的匹配点在第二图像中的对极线，

是第二图像的匹配点在第一图像中的对极线；

和

是

的第1项和第2项的平方，

和

是

的第1项和第2项的平方；

若z个匹配对间的距离误差DE均大于距离误差阈值Δ₁，则舍弃；否则，将M_i回代初始匹配对集合U，获取距离误差DE小于或等于距离误差阈值Δ₂的匹配对，得到内点集I_i；

重复在匹配对集合S中随机抽取z个匹配对组成集合Z及其之后的操作，依次计算匹配对集合S中每个匹配对局部区域内变换模型所对应的内点集，并将其存储在序列I中，得到多平面内点集I＝{I₁,I₂,...,I_n}；其中，n为内点集个数；Δ₂大于Δ₁；Δ₁∈[1.0,1.5]；Δ₂∈[2.0,5.0]。

其中，由于图片中特征点的坐标是二维的，针对三维环境下的变化，需要对每个特征点赋予z轴坐标，转化为齐次坐标；距离误差阈值Δ₁和Δ₂人为设定，经实验Δ₁不能超过1.5pixels，Δ₂在2.0-5.0pixels之内效果最佳；匹配点变化程度阈值ε在0-2.0pixels之内效果最佳；为提高算法效率，利用4个匹配对计算单应性矩阵或7个匹配对计算基础矩阵代替最小二乘法计算变换模型。

在本实施例中，将过滤外点后的匹配对集合中符合条件的变换矩阵回代初始匹配对集合，得到符合该变换矩阵的内点集。基于匹配点距离点集重心越近，属于同一平面可能性越大的特点，将匹配点根据其到重心的距离动态移动，提高同平面匹配点的聚集性。通过观察变换矩阵内点集中匹配点分别到点集重心的距离直方图，发现该直方图近似卡方分布，将距离阈值

设置为距离均值，变换概率α设置为随匹配点到重心距离增大而减小，提高算法的自动性。

在一种可能的实现方式中，根据多平面内点集I中第一图像和第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR，包括：

将多平面内点集I中第i个子集I_i的所有匹配点根据所属图像分别存储于

即

获得两幅图各自的匹配点集合

其中，k＝L,R,j＝1,2,...,m；

存储第一图像的匹配点；

存储第二图像的匹配点；

计算

中匹配点到点集重心的距离

其中，

计算各匹配点向重心方向移动的距离|Δd|：

其中，

其中，

为第j个匹配点距离重心

的距离；

和

为第一图像和第二图像中第i个匹配点子集中第j个匹配点；n为匹配子集数目；m为第i个匹配点子集中匹配点数目；

为两幅图中第i个匹配点子集重心；

和

为匹配点横坐标；

为匹配点纵坐标；

则移动长度为

否则移动长度为

在一种可能的实现方式中，根据聚类算法和多平面聚集点集PR分别对第一图像和第二图像中特征点进行聚集，得到第一图像的第一平面数据团C_L和第二图像的第二平面数据团C_R，包括：

利用meanshift算法对多平面聚集点集PR中每个特征点计算meanshift向量

每个特征点以

进行移动，更新特征点位置x_i直至

小于等于距离误差阈值Δ₃为止；

将第一图像中特征点聚集为第一平面数据团C_L＝{C_L1,C_L2...,C_Ln}，并将第二图像中特征点聚集为第二平面数据团C_R＝{C_R1,C_R2,...,C_Rm}；其中，n为第一图像的数据团数目，m为第二图像的数据团数目；h为核半径。

其中，核函数带宽参数h根据实际情况设置，终止条件阈值Δ₃一般设为0.0000005pixels。

在本实现方式中，使用聚集方法对两幅图像中聚集的数据团进行meanshift聚类。meanshift聚集算法的核心是根据数据对象属性求取meanshift向量，进而改变数据对象位置，即将图像中平面特征点向meanshift向量所指方向移动，通过多次迭代，直至meanshift向量长度小于阈值Δ₃得到聚集中心为止，并将所有特征点归属于不同的类簇。

在一种可能的实现方式中，基于第一平面数据团C_L和第二平面数据团C_R求取多模型，包括：

建立存储多个模型的序列M和存储每个模型内点集合的序列G；初始长度均为0；

分别在第一平面数据团的第i个子集C_Li和第二平面数据团的第j个子集C_Rj中抽取m个匹配对，得到当前变换模型M_now，判断M_now在数据团{C_Li,C_Rj}的内点集合G_now的长度是否大于m_min，若不满足则重新抽取匹配；否则，将M_now放入M，将G_now放入G；

其中，第一条件为：

第二条件为：

m_now≥m_min

其中，计算对应数据团的变换模型并存储在模型序列中。不同平面内匹配点经过步骤S103匹配点聚集过程中多个变换矩阵获取，在求解当前平面间变换模型时距离误差阈值设置较大的值，从而将对应数据团中匹配对尽可能多的划为内点。若当前变换矩阵内点数目大于等于m_min，则将该矩阵存储在模型序列中，否则舍弃。

在本实现方式中，两幅图像中同平面匹配对变换存在细微区别，同平面数据团间存在多个变换矩阵，在本步求取变换模型内点时设置较大距离误差阈值。由于两幅图像中不同平面数据团匹配后内点率极低，因此求得的模型对应的内点数目m小于m_min，则舍弃，相同平面数据团匹配后内点率相对较高，求得的模型对应的内点数目不小于m_min从而储存在多模型序列中。

图2是本申请一实施例提供的基于图像平面的特征点聚集方法的实现流程图。其中，相较于图1更详尽的示出各步骤。具体流程如下：

对待匹配图像进行特征点提取，并用描述子对其描述匹配，得到匹配对；

根据近邻内点分布一致性进行自适应错误匹配对去除；

在局部区域内抽取匹配对进行变换矩阵的估计，并回代抽样匹配对；

判断是否满足距离误差阈值，在满足距离误差阈值时，回代到初始匹配对集合中进行内点的选取；否则，重复执行“在局部区域内抽取匹配对进行变换矩阵的估计，并回代抽样匹配对”的步骤；

判断当前匹配对是否满足距离误差阈值，在满足距离误差阈值时，得到当前变换矩阵内点集；否则，重复执行“回代到初始匹配对集合中进行内点的选取”的步骤；

判断匹配点位置变化程度是否小于阈值ε；在匹配点位置变化程度是小于阈值ε时，得到平面聚集匹配点集；

在匹配点位置变化程度大于或等于阈值ε时，计算左右图匹配点集合重心及各匹配点到重心距离和距离阈值

在计算出的距离值小于等于距离阈值

时，向重心移动原距离；否则，向重心移动α倍原距离，直至匹配点位置变化程度小于阈值ε为止，得到平面聚集匹配点集；

使用meanshift算法对图像不同平面的特征点进行聚集；

计算对应平面数据团间变换模型并存储，得到多模型序列。

在本实施例中，基于邻域内点分布一致性进行外点过滤，提高内点率与过滤算法自动性，计算过滤后内点集合中每个匹配对局部区域内的变换模型，将其回代初始匹配集并计算内点。不同图像同平面匹配点与重心间距离不同，为避免影响同平面点聚集效果，计算模型内点中匹配点到重心距离，根据距离分布设置距离阈值，并根据各匹配点到重心距离大小调整移动幅度，给每个匹配点聚集行为一定的主动性，获得平面聚集点聚集效果较好的点集。

图3是本申请一实施例提供的基于图像平面的特征点聚集方法的实现流程图。其中，在图2所示流程图基础上进行步骤划分，主要分为四大模块：模块一、数据过滤；模块二、同平面点聚集；模块三、聚集数据团进行meanshift聚类；模块四、求取多模型。

另外，在图中还示出每个模块中图片处理效果图。

下面给出本申请的两个应用实例。

实验1：对真实图像进行检验

有两组真实图像：nese、breadcartoychips，分别对每组图像进行实验，本实验将nese图像缩小至原图大小的

保持breadcartoychips尺寸不变，两图像的分辨率分别为：852*1136pixels、480*640pixels，对图像分别提取SIFT特征点并根据欧式距离匹配，两组图像匹配对数目分别为：8952个、2359个，过滤算法中左右匹配点近邻点个数设置为α_L＝α_R＝10，最小匹配对数目z设置为6，距离误差阈值Δ₁设置为2.0pixels、3.0pixels，距离误差阈值Δ₂设置为1.0pixels、1.5pixels，匹配点位置变化程度阈值ε设置为0.5pixels，meanshift聚集算法核函数带宽h设置为350、50，meanshift聚集终止条件阈值Δ₃设置为0.0000005pixels，求取多模型过程(图3所示)中最小内点数目设置为4，距离误差阈值Δ设置为200.0pixels、50.0pixels。图2给出了两组图像的聚集效果图和多平面匹配点着色图。本申请在宽基线及大视角差异的图像间可以区分不同平面匹配点，计算各平面变换模型，具有理想效果。

实验2：对比实验

选择Adelaidermf数据集中五组建筑图图像：nese、neem、unihouse、ladysymon、johnsona，unihouse图像大小为735*980pixels，其他四组图像大小皆为2272*1704pixels。本实验将除unihouse以外图像缩小至原图大小的

每组图像特征点利用欧氏距离匹配。本申请的方法命名为：Proposed，与PEARL、Multi-H及Sequential RANSAC算法对比。在实验中利用4点法计算单应性矩阵，过滤算法中匹配点近邻点个数α_L、α_R设置为10，同平面点聚集算法中每个匹配对局部区域中抽取的匹配对数目z为6，距离误差阈值Δ₁设置为1.0-1.5pixels，距离误差阈值Δ₂设置为2.0-5.0pixels，匹配点位置变化程度设置为0-2.0pixels，meanshift聚类算法中终止条件阈值Δ₃设置为0.0000005pixels，高斯核带宽h为250-350pixels，多模型计算步骤中内点数目阈值m_min设置为4。选取两个评价指标：平面平均错分率和平面错分率中位数，每个方法在每组图像上均运行10次后计算各指标值。

图5给出了本申请与其他三个方法的比较结果。从图5可以看出本申请方法与Multi-H的效果较为接近，且这两个方法显著低于其他方法。说明本申请方法相对有更稳定的表现。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图6是本申请一实施例提供的基于图像平面的特征点聚集装置的结构示意图，如图6所示，为了便于说明，仅示出了与本申请实施例相关的部分，如图6所示，该装置包括：初始匹配模块601、过滤模块602、移动模块603和聚类模块604。

初始匹配模块601，用于对待匹配的第一图像和第二图像进行特征点的提取，并基于各特征点的描述子之间的欧式距离进行匹配处理，得到初始匹配对集合U。

过滤模块602，用于对匹配处理后的特征点进行近邻点匹配以实现外点过滤，得到过滤外点后的匹配对集合S。

移动模块603，用于从匹配对集合S中随机抽取设定数量的匹配对进行变换矩阵估计，将估计的变换矩阵回代到初始匹配对集合U，得到多平面内点集I，并根据多平面内点集I中第一图像和第二图像的匹配点到点集重心的距离动态移动匹配点，得到多平面聚集点集PR。

聚类模块604，用于根据聚类算法和多平面聚集点集PR分别对第一图像和第二图像中特征点进行聚集，得到第一图像的第一平面数据团C_L和第二图像的第二平面数据团C_R，并基于第一平面数据团C_L和第二平面数据团C_R求取多模型，以实现图像的多模型匹配。

图7是本申请一实施例提供的电子设备的结构示意图。如图7所示，该实施例的电子设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个基于图像平面的特征点聚集方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至604的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述电子设备7中的执行过程。例如，所述计算机程序72可以被分割成图6所示模块601至604。

所述电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific integrated Circuit，ASiC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本申请中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于图像平面的特征点聚集方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。