一种自适应特征点最优分组匹配的策略

算法与 Ransac 估计算法进行正式的分组匹配和剔除外点。通过实验证明， 该算法能够有效去除误匹配点， 减少特征点的匹配搜 索与匹配验证时间， 具有计算简单， 实用性强等特点。 关键词： 匹配； 最优分组； 单演相位； Ransac 算法 DOI： 10.3778/j.issn.1002-8331.2011.29.058 文章编号： 1002-8331 （2011） 29-0208-03 文献标识码： A 中图分类号： TP391
M
2.2
分组评价标准的选取
特征值 T 反应了该点区别于其邻域其他角点的重要特 征。即使图像受到光照、 噪声等影响， 待匹配的匹配角点的两 个特征值的比值大多数在一个有限的区间内 [2]。本文根据特 征值性质选择其作为分组的评价标准。 本文采用 harris[8] 算法作为图像角点检测算法， 认为特征 点的响应值 （对这里设立阙值 thresh 提取特征点） 为特征点的 特征值， 即
1
引言
所谓图像匹配就是寻找两幅或多幅图像中对应点的过
的特征点分组策略。
程， 它是计算机视觉中最重要、 最困难的一环。现实中的光 强、 大气条件、 摄像机镜头存在光学畸变、 物体间的遮挡、 图片 噪声、 算法精度等都在一定程度上给匹配带来了影响。匹配 算法一般采用准确性高、 适应性强且不受灰度值的线性变换 影响的归一化相关系数法， 缺点是计算量比较大， 运算速度较 慢。常对准则的公式进行简化[1]以提高匹配速度， 但是往往降 低了匹配的鲁棒性。 为了解决上述问题， 本文提出一种结合统计学的自适应 特征点最优分组匹配的方法， 首先将特征检测后的特征点按 照特征值 [2] 进行分类， 然后利用直方图进行统计， 进行最优分 组获得最优分组数， 最后结合抗噪性能较好的单演相位匹配 算法[3-5]或 NCC 算法与 Ransac 估计算法[6]进行匹配和删除误差 较大的点。 分组算法方面的研究主要有刘甸瑞教授 [3] 提出一种量化 指标确定分组数方法， 以及赵荣军 [4] 以概率统计知识为基础， 提出一种改进直方图分组数的确定பைடு நூலகம்法。本文将文献[3]的思 想用于计算机视觉中匹配最优搜索中， 形成了关于特征匹配
赵宏宇， 李燕华， 侯振杰， 等： 一种自适应特征点最优分组匹配的策略
图像一 特征检测 图像二 特征检测
2011， 47 （29）
209
最优分组评价检验 P1， P2 ~PM Q1， Q 2~Q M
特征值范围的特征点数量。则有 M + M0 W1 k = M 其中 k=1， 2 表示对应视图。第 （2） 条准则可用相邻各组频数之 间的变化程度反映其轮廓线的连续性， 故可定量化为：
j=2 max
这里的 g x ，g y 分别是 x， y 方向梯度的平方与经过高斯滤波处 理后图像卷积的结果，g xy 表示 x， y 方向梯度乘积的平方与经 过高斯滤波处理后图像卷积的结果。
2.3
最优分组匹配
本文首先将特征点按照特征 T 值分组 （2 到 25 组） ， 采用直 方图的形式进行统计， 然后进行最优分组的评价， 从而获得最 优分组数。 最优分组的评价准则是： 直方图中的分组情况最清晰地 反映出数据 （特征值） 可能服从的统计分布规律， 同时， 基于二 视图的分组尽可能保持相似。根据准则求各种分组数定量化 后的指标值的大小就可确定出最优分组数。 评价分组有以下几条准则： （1） 分组后频数为0或包含待匹配特征点较少的组数不宜太多。 （2） 选择直方图上部的轮廓线较连续的组， 即可较清晰地 反映出特征点按特征值分组后可能服从的概率密度曲线。 （3） 分组数过多， 各组频数间的变差会变得过小， 造成误 匹配增多； 组数过少， 各组频数间的变差会变得过大， 分组匹 配的效果降低。因此应对特征点尽量适中分组， 使其充分显 示统计分布规律。 （4） 二视图直方图各组的频数相差不宜过大， 做到数值化 近似匹配。 其中， （ 1 ） ~ （ 3 ） 条准则为二视图对应的两组特征点直方图分别 同时尽可能遵守的， 第 （4） 条准则是其两组之间最为重要， 应 尽量满足， 通过对第 （4） 条准则设置阙值， 增加该准则的权重。 设图像特征点数量为 N， 分组数为正整数 M （2≤M≤25） 。 频数表示对应分组特征点的数量。 首先对第 （1） 条准则定量化， 频数为 0 或拥有较少特征点 的组数为 M0 。各组频数表示为 fi（i=1， 2， …， M） ， 即满足 i 组
2 匹配方法 2.1 自适应特征点最优分组匹配策略流程
为了增加匹配算法的鲁棒性及增加算法效率， 本算法在 被测物完成特征检测后， 进行基于特征值 T[2]的最优分组评价 检验， 获得最优分组数 M， 分组后对应的组间频数 Pi 与 Qi（i= 1， 2， …， M） 再使用匹配算法进行正式匹配， 然后采用 Ransac 估计算法估计基础矩阵 F[7]， 根据极线几何约束对整体进一步 剔除误匹配点[6]， 算法流程如图 1。其中最优分组评价检验步 骤为非人工且自动分组检测过程， 对于二视图的匹配具有很 好的自适应性。 本文主要对同一摄像机不同角度拍摄的图像进行匹配， 传统匹配算法根据特征点进行全局匹配检测， 而本文算法只 在特征点分组后组间进行搜索匹配， 避免了不必要匹配检测 次数， 从而节省了匹配时间， 如表 1。同时减少了 Ransac 估计 算法随机取样的样本数 （该算法要求随机取样数据子集有效 数据概率在 95% 以上） ， 降低了 Ransac 算法的复杂度， 增加了 鲁棒性。
_
f )2
匹配次数的比较表
（P1+P2+…+PN） * （Q1+Q2+…+QN） P1*Q1+P2*Q2+…+PN*QN
_ 这里 f = 1 å fi 表示平均频数。 W3 k 较小时才能得到适中 M i=1
的分组数 M 。 第 （4） 条准则可定量化为：
W4 = ( fi 1 - K*fi 2)2 å i=1
基金项目： 国家自然科学基金 （the National Natural Science Foundation of China under Grant No.30960303） 。 作者简介： 赵宏宇 （1984—） ， 男， 硕士生， 主要研究方向为计算机视觉； 李燕华 （1957—） ， 女， 教授， 硕士导师； 侯振杰 （1977—） ， 男， 教授， 硕士导师； 多化琼 （1970—） ， 女， 教授， 硕士导师。 收稿日期： 2010-05-04； 修回日期： 2010-07-15
图 2 视图一
W 2 k =
M-1
匹配算法 Ransac 算法 估计基础矩阵 F， 去除外点
( fi - fi + 1)2 å i=1
第 （3） 条准则分组数 M 与各组频率 （与平均频率相比） 变 化情况乘积来定量化：
W3 k = M
M M-1
图1 表1
传统算法 本文算法
流程图
匹配检测次数
( fi å i=1
208
2011， 47 （29）
Computer Engineering and Applications 计算机工程与应用
一种自适应特征点最优分组匹配的策略
赵宏宇 1， 李燕华 1， 侯振杰 1， 多化琼 2 ZHAO Hongyu1， LI Yanhua1， HOU Zhenjie1， DUO Huaqiong2
T = (g + g ) - 0.04(g ´ g - g )
2 x 2 y 2 x 2 y 2 xy
这里的 fi 1 ，fi 2 分别表示进行匹配的二视图 （用 1， 2 表示） 分 组后对应组频数， K 为常数表示两幅图特征点总数之比， 即 M f i 1 K= å ， 其值近似为 1， 用于调节图像自身造成的特征点数 i = 1 fi 2 量差异造成的影响， 如清晰程度等。 W 4 应尽量小， 即将两张 图像对应直方图按照相同的特征值分组策略分组， 尽量满足 各组的频数差距较小。 二视图的每个单视图分别依循前 3 条准则进行评价， 二视 图之间用准则 （4） 表示匹配关系， 即共有 7 条准则， 将 7 条准则 的定量化指标综合起来构成一个关于二视图分组数好坏的综 合定量评价函数： D( M ) = W1 1W 2 1W3 1W1 2W 2 2W3 2W 4 该 D( M ) 评价函数以 W 4 为主， 所以将算法阙值设为动态阙值 | max | thresh0 = r*median{|| åW 4 j ||} ， j 表示分组数， r 取为 1~2， median | j=2 | 表示取平均值， 当二视图之间根据准 åW4 j 表示各组 W4 之和，
1.内蒙古农业大学 计算机与信息工程学院， 呼和浩特 010018 2.内蒙古农业大学 材料科学与艺术设计学院， 呼和浩特 010018 1.Computer and Information Engineering College， Inner Mongolia Agricultural University， Hohhot 010018， China 2.Materials Science and Arts Design College， Inner Mongolia Agricultural University， Hohhot 010018， China ZHAO Hongyu， LI Yanhua， HOU Zhenjie， et al.Adaptive optimal grouping of feature point matching strategy.Computer Engineering and Applications， 2011， 47 （29） ： 208-210. Abstract： This paper proposes an adaptive optimal grouping of feature point matching strategy.The optimal group of corner points in accordance with eigenvalue is got.The method uses the monogenic phase or NCC algorithm and Ransac estimation algorithm to a formal group matching and excluding external point.Experimental results show that this method can effectively remove the error matching points， reduce the feature point search and match verification time， which also has the characteristics of easy to compute and good practicality. Key words：matching； optimal grouping； monogenic phase； Ransac 摘 要： 提出一种自适应对特征点进行最优分组匹配的方法策略， 按照特征值将获得的角点进行最优分组， 采用单演相位或 NCC
则 （4） 获得的 W 4 小于 thresh0 才可认为是最优分组的必须条件。 找到最小的 D( M ) 函数值对应的组， 然后进行单演相位等 匹配算法进一步操作， 如 2.1 节所叙述。
3
实验
（1） 最优分组匹配算法的实现 本文通过 matlab7.0 编程 （CPU 双核 2.11 GHz） 进行模拟实 验， 首先对由同一摄像机不同角度拍摄的两幅图像 （640×480） 进行 harris 算子检测 （阙值 thresh 为 3 000） ， 即满足角点的要求 同时要求特征值 T 至少为 3 000 以上， 得到特征点如图 2、 图3 所示。其中， 图 2 获得 406 个特征点， 图 3 则获得 368 个。