基于几何约束的重复视觉特征点匹配方法!.pdfVIP

ELECTRONICS WORLD ・探索与观察 基于几何约束的重复视觉特征点匹配方法 深圳信息职业技术学院团委 胡吉良 深圳信息职业技术学院软件学院 张华健 花罡辰 【摘要】 当前，特征特征点匹配广泛采用固定阈值或NNDR（最近邻距离比率）策略，这些方法均假设每个特征点最佳匹配是惟一的。而 重复特征点在现实世界大量存在，固定阈值或NNDR策略均不能有效处理重复的特征点，从而极易引起误匹配，误匹配将导致各类计算机 视觉算法精度大大下降，所以重复特征点匹配是计算机视觉中的一个难题。本文针对重复特征点无法使用NNDR等传统方法匹配的问题， 创新地在NNDR策略基础上，基于RANSAC算法，利用特征点的几何约束迭代地回收被NNDR策略丢弃的重复特征点，进而有效地提高重 复特征点匹配精度。 【关键词】 几何约束；重复特征点；特征点回收；最近邻距离比率 黑白重复纹理产生的特征点也被正确、充分地匹配了。 1.研究背景 目前，局部视觉特征点被广泛用在计算机视觉领域进行图形图 [1] 像匹配运算。例如人脸识别 ，SLAM[2]等。Lowe[3]在2004年提出 了SIFT （Scale-Invariant Feature Transform）特征。SIFT首先利用高 斯差分 （Difference of Gaussian ）金字塔检测出尺度不变兴趣点， 然后根据兴趣点相邻像素梯度特征计算出每个兴趣点的旋转不变的 图1 SIFT+NNDR+RANSAC方法实验结果 特征向量 （建议为128维）。SIFT特征具有完全的尺度不变和旋转 不变性质。Bay[4]建议使用NNDR （Nearest Neighbor Distance Ratio 最近邻距离比率）策略匹配视觉特征，进而产生精确的一对一特征 匹配对。NNDR策略主要是为了避免重复特征点产生歧义而设计， 只有最近似特征点与第二近似特征点的欧拉距离比小于某个阈值， 该匹配才会被判断为有效匹配，如式(1)所示： 图2 本方法实验结果 (1) SIFT+NNDR+RANSAC方法耗时1577.713毫秒，本方法耗时1653.785 由于NNDR策略能够足够精确地提取一对一特征点匹配对，所 毫秒。本方法对比SIFT+NNDR+RANSAC方法额外耗时为76.045毫秒， 以被广泛应用于局部特征和全局特征中 。但是现实环境下，重复 额外耗时比率为4.82% 。SIFT+NNDR+RANSAC方法获取匹配对数为210 纹理普遍存在，例如：灌木丛，草地，高楼的表面等等。这些重复 对，本方法获取匹配对数为564对，提升幅度为168.57%。 纹理导致大量重复特征点被提取出来。若采用NNDR策略进行匹配 则这些重复特征点产生的正确匹配也会被抛弃。重复特征点 （纹 4.总结 理）匹配的问题是计算机视觉领域的一个难题。 根据上述实验结果可见本方法在含有重复纹理的特征点匹配中表 2.算法流程 现令人满意。对比传统的SIFT+NNDR+RANSAC方法，本方法在额外花 费4.82%处理时间基础上获取匹配数量得到了高达168.57%的提升。除 本文提出了一种结合NNDR和RANSAC[5]算法的新颖的重复特征 了对有明显重复纹理的图像特征点匹配外，本方法也能用于不含有大量 点匹配、回收方法。本算法流程简单描述如下：