光束平差调节.docVIP

Automatic Panoramic Image Stitching using Invariant Features Author: Matthew Brown and David G. Lowe {mbrown|lowe}@cs.ubc.ca Department of Computer Science, University of British Columbia, Vancouver, Canada Translator: XU YI JIA walkingmu@ Undergraduate, Department of Computer Science Shanghai university of Engineering Science Shanghai, China Relate Project: Panorama-Provider: /p/panorama-provider/ 如果在阅读中文版的时候发现任何翻译错误，请email我，我会及时改正，谢谢。 特征匹配： 全景识别算法的第一步是对所有图像产生和匹配SIFT特征。SIFT特征是在高斯差分函数尺度空间的最高或最低点。每个特征的位置，一个特征尺度和方向被建立。这为测量建立了一个相似且不变的框架。虽然采样点在这个框架中是具有相似不变性的，具有不变性的描述器事实上就是计算了在方向矩阵中计算了局部梯度值。这让边缘可以轻微的移动而不影响描述器向量，为仿射变换提供了强壮性。这个空间的聚集也对移动不变性很重要，因为置信点通常聚集在0~3个像素范围内。光照不变性被通过使用梯度（消除了偏移）并规定化了描述器向量（消除了突然的增长）。 应为SIFT特征是旋转且尺度变化不变的，我们的系统能够处理处于不同角度及缩放关系的图片（见图8）.注意普通的特征匹配技术，如Harris边缘的图像区域的关系，是做不到的。普通（平移）关系是在旋转情况下不是不变的，所以Harris边缘会随尺度变化而变化的。 假设摄像机旋转了他的光学中心，一组图像的变化可能会在一个特殊的单应性矩阵。我们将每个摄像头的旋转向量参数化为并且焦点距离定位f。这给成对的矩阵一个关系：，其中 (1) 并且，是同类图像的位置（，其中是一个二维图像位置矩阵）。这四个摄像机参数模型被定义为 (2) 然后（使用指数旋转（exponential representation for rotations）） （3） 概念上，我们将会用对这组变换仿射不变的图像特征。但是对于小的图像位置变化 （4） 或者等价的，其中 (5) 是一个仿射变化包含了关于线性化的单应性矩阵。这意味着每个小图像区域发生了仿射变化，并且使用SIFT特征（对仿射变换有部分不变性）来检测。 一旦特征被从n张图片中提取出来后（线性时间），他们必须被匹配。因为多张图片的匹配可能是重复，每个特征在其特征空间的K阶最近邻域内（我们使用k=4）做匹配。这能通过k-d树查找估计的最近邻接点而在O(n log n)的时间内完成。K-d树是一个轴对称的二维空间分割，这可以递归地在有最大变换的平均值的矩阵下划分特征空间。 图像匹配 在这个部分，目标是找到所有的匹配（重叠）图片。相关联的图片组将会在后面被合成全景图。由于每张图都可能匹配到另外的每一张图，这个问题将会是图片数量的二次方的复杂度。但是，我们只需要对每张图片和具有小量重复部分的图片来匹配以获得好的图像几何。 从匹配特征这一步开始，我们必须检测图像相互间的匹配点数量是否很多。我们考虑一组具有常数数量m张图片组，他们相对当前图片有最多的匹配特征，作为潜在的匹配到的图像（我们选择m=6）。首先，我们使用RANSAC来选择一组非离群点，这些点和单应性矩阵是兼容的。下一步我们将估计模型应用上去来验证匹配。 使用RANSAC的强健的单应性矩阵估计法 RANSAC（Random sample consensus随机样本一致性）是一个强健的估计过程，可以使用一个最小的随机选择的组，对应于被估计的图像变换的参数，然后找到一个可以与数据一致性最好的方案。在这种全景图的情况下，我们选择r=4的特征组，用于和矩阵H使用直接线性变换(DLT)算法进行匹配和计算。我们用n=500重复这一步n次，并选择有最大非离群点（那些预测在差距不大于像素的情况下与矩阵H是一致的）。给出一个特征在一组图片中是正确匹配的概率，n次尝试后找到正确变化的概率是 （6） 经过大量的尝试后，找到正确的矩阵的概率非常大。举例来说，对于一个相关点的概率为0.5，那么在500轮尝试后找不到正确矩阵的概率大约是。 RANSAC本质上是一个估计H的采样方法。如果不是取相关点的最大值而是最大化可信度的总和，那么结果将是极大似然估计(MLE)。另