室外建筑物场景图像的匹配及扩散研究.pdfVIP

室外建筑物场景图像的匹 配扩散研究 陈占军 2010.01.12 大纲  宽基线图像准稠密匹配扩散原理  宽基线建筑物图像的准稠密匹配扩散的困难及 关键点  算法改进：适用于室外建筑物场景图像的匹配 与扩散  实验结果  存在问题及下一步工作 宽基线图像准稠密匹配扩散原理  准稠密匹配扩散介绍及其意义  宽基线图像准稠密匹配扩散算法 准稠密匹配扩散介绍及其意义 稀疏匹配(sparse matching)  三种匹配 准稠密匹配(quasi-dense matching) 稠密匹配(dense matching) --稀疏匹配: 提取特征点并加以匹配，得到稀疏匹配点，数量很少，一般几十～ 几千对 --稠密匹配: 通过逐点比较匹配，将第一幅图像中的每个像素点都与第二幅图像 中的像素点比较，找出对应点。(数量巨大。对于一幅1024x768的图像，要 寻找78,6432万对匹配，而搜索计算是这个数字的几百倍以上) --准稠密匹配：是稀疏匹配和稠密匹配的一个折中（匹配点对数大概几 千～几万）。  准稠密匹配扩散 输入：两幅对应图像的稀疏匹配，即种子点匹配 目的：通过扩散，使得两幅图像之间匹配对数增加，并尽 可能均匀，以利于重建。 特点：1) 匹配点数达到一定量(准稠密) 2) 匹配点分布均匀  准稠密匹配扩散的意义 稀疏匹配得到的匹配数量太少，不足以用于三维重建； 稠密匹配在空间和时间复杂度上太高； 准稠密匹配扩散弥补了上述两种匹配的局限性和缺点，具有 更好的适应性。 宽基线图像对准稠密匹配扩散-- 扩散过程 初始种子点匹配 step1. 初步估计极几何关系 step4. 重采样 step2.确定种子点邻域 作 step5 估计基本矩阵 为 新 的 种 step3.在种子点邻域内扩 子 散出可能匹配点 step6. 去除错误匹配点 点 最终准稠密匹配 扩散算法介绍  输入：初始种子点匹配  提取特征点或特征区域，常用的特征检测算法有SIFT，MSER， Harris-Affine, Hessian-Affine等；再用SIFT或Daisy等描述子对特 征进行描述，得到初始对应匹配点；  计算初始匹配点的ZNCC分数，并按照ZNCC分数由高到低排列成 种子点队列。 ∑ +∆ − ′ ′+∆ − ′ ′ ′ ∆(I (p ) I (p ))(I (p ) I (p )) ZNCC∆( p, p ) 1 ∑ +∆ − 2 ∑ ′ ′+∆ − ′ ′ 2 2