maprk-tk和目標特征點集層次結構的K-d樹；
[0103] 步驟3.2.2:
[0104] 執(zhí)行第一次循環(huán):針對特征點集R的每一條條帶Srk(k=l，. . .，H);
[0105] 執(zhí)行第二次循環(huán)：針對每一個特征點^，由條帶映射maprk-tk找到相應條帶的 r〇〇tsk，執(zhí)行K-d樹的K近鄰搜索，獲得匹配點；
[0106] 第二次循環(huán)結束；
[0107] 第一次循環(huán)結束；
[0108] 步驟3.2.3:經魯棒性算法RANSAC的篩選，求得精確的匹配點對。
[0109] 以下通過實驗驗證本發(fā)明所提方法的準確性和高效性，并與最新的方法進行比 較。
[0110] 實驗中，所有的方法都運行于DELL PRECISION T3500PC機上，操作系統是 Win7SPl，處理器是Intel Xeon，W3503@2.40HZ 2.40HZ，內存為4GB;采用的圖像數據是由 Mi dd 1 ebury提供的標準數據庫中的立體圖像對(如圖5所示），實驗中，5種數據庫的圖像尺 寸為1390 X 1110(前三種)和1342 X 1110(后兩種）。下面將采用4種方法來完成匹配，并對實 驗結果進行比較分析。
[0111] 在進行HKD樹設計時，不同條帶數的選擇會導致不同的結果，以數據庫Doll為例， 圖6顯示的是本發(fā)明在選擇不同的條帶數時，匹配時間和匹配特征對數之間的關系圖（圖6 是全部的條帶數對應的時間和匹配特征對數的曲線關系，而圖7是對圖6前面一部分的放大 顯示，便于分析）。從圖中可以看出，隨著條帶數的增加，運行時間總體上呈現下降趨勢，而 匹配特征對數總體上是先增加后減少的變化規(guī)律。因此，在不同的應用需求下，需要在重建 的精度和速度之間做一個權衡，選擇合適的條帶數，以期達到最優(yōu)的重建效果。
[0112] 表1是將四種方法運行在不同的立體圖像上，得出最后的匹配時間（以折線圖的方 式顯示在圖8中），最后一行為本發(fā)明所提出的方法。獲得每一種數據庫圖像對的特征點集 之后，分別用四種方法對特征點集進行匹配運算，從表1中可以看出，Brute Force方法的運 行時間最長，基本上是SKD樹方法運行時間的一個數量級以上，而CasHash方法的確比SKD樹 方法更快一些，但隨著特征點的增多，這種優(yōu)勢也變得不是十分明顯。最后一行為本發(fā)明所 述方法的運行時間，取得了顯著的加速效果，比SKD樹方法快一個數量級以上，且也快數倍 于CasHash方法。
[0113] 表1不同方法在五種立體圖像數據庫上的匹配時間（單位:ms)
[0114]
[0115] 綜上所述，本發(fā)明首先定義了立體圖像間特征點對的空間約束關系一一方向大約 一致(ACI0)約束關系，然后在此理論基礎上提出了用于特征點匹配的HKD樹結構，及基于此 的匹配方法。通過實驗表明，本發(fā)明更有效地提高了匹配效率。
[0116] 應當理解的是，本說明書未詳細闡述的部分均屬于現有技術。
[0117] 應當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本 發(fā)明專利保護范圍的限制，本領域的普通技術人員在本發(fā)明的啟示下，在不脫離本發(fā)明權 利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內，本發(fā) 明的請求保護范圍應以所附權利要求為準。
【主權項】
1. 一種立體圖像特征匹配方法，其特征在于:首先定義方向大約一致約束關系，然后根 據此約束關系對標準的κ-d樹進行改進，構建一種更高效的搜索樹結構，即層次結構的K-d 樹，最后在方向大約一致約束關系和層次結構的K-d樹基礎上設計出快速匹配算法； 所述定義方向大約一致約束關系，是根據單個物體或場景的各個局部位置間的相對順 序性，引申到相互匹配的物體或場景間匹配的局部位置向量的空間位置關系，整個定義過 程為:首先定義參考圖像和目標圖像的特征點集，兩個特征點集間的匹配點對和匹配線;然 后在匹配點對的基礎上定義匹配特征向量及匹配特征向量集；最后定義方向大約一致約 束； 所述構建層次結構的K-d樹，整個構建過程為:針對需要進行特征匹配的立體圖像對， 提取立體圖像的特征點集R和T，分別取最頂端和最底端的匹配特征向量1_和1^??;然后 根據匹配特征向量ltop和lbottom在特征集R中的特征點1'1;。 1)和11)。1;1;。111的縱坐標：*；；%和.八?！?lt;?，:無仿 射變換條件下將R和T均勻地分成Η層，每一層 Srk和stk稱之為一條條帶，計算出條帶的高度 力_巧仏和;最后，將R和τ的每一條條帶按順序建立映射map rk-tk; 所述在方向大約一致約束關系和層次結構的K-d樹基礎上設計出快速匹配算法，首先 在層次結構的K-d樹上，根據查詢來自參考特征點集特征點的所屬條帶，由條帶映射 maprk-tk找到其目標條帶，即目標特征點集，然后在r 〇〇t_list中找到相應的樹，最后在查詢 到的樹上進行最近鄰和次近鄰的搜素。2. 根據權利要求1所述的立體圖像特征匹配方法，其特征在于:所述定義方向大約一致 約束關系，整個定義過程的具體實現包括以下子步驟： 步驟1.1: 定義參考圖像的特征點集介為m:. I (.V .V,.)，/e [0. M]. :V/ e %~丨，而目標圖像的特 征點集合為T: T7 =沁I (?，乃)，./g [G，Ye %~}，和N分別是R和T特征點的數目；如果特征 點r和t是匹配的，稱之為匹配點對，表示為c(r，t)，所有匹配點對的集合為C;匹配點對之間的 連線稱之為匹配線1，加上線的方向屬性〇ri后則為匹配向量，表示為卜 步驟1.2: 定義匹配特征向量集，即由全部P個匹配特征向量組成的集合： L= {lk| <r,t>,ke [〇,P] ,P=min(M,N) ,r￡R,teT} (1); 步驟1.3: 定義方向大約一致約束，如果已知兩條匹配特征向量1UP和ld_，且它們的方向為0riup 和Or id_，那么和位于它們之間的匹配特征向量lmid具有以下關系：3. 根據權利要求2所述的立體圖像特征匹配方法，其特征在于:所述構建層次結構的K-d樹，整個構建過程包括以下子步驟： 步驟2.1:針對需要進行特征匹配的立體圖像對，提取立體圖像對的特征點集R和T，分 別取最頂端和最底端的匹配特征向量1_和1^??，用于應對一般情形下立體圖像對可能存 在尺度、視角的不同；步驟2.2:根據匹配特征向量ltop和lbott?在特征點集R中的特征點rtcn^Prbott?的縱坐標 和，無仿射變換條件下將R均勻地分成Η層，每一層srk稱為一條條帶，每一層的高度 為： (4).; 特征集T劃 f個條帶的高度： <5); 步驟2.3 :在特征提取后，先對獲取的特征點集R和T按照縱坐標排序的方式升序排序， 然后對特征點集R和T分別以各自的層高為步長，將它們劃分成Η條條帶，maprk-tk= (srk，stk) (k=l，. . .，H)稱為第k條r到t的條帶映射； 對T的每一條條帶建立一個K-d樹，將其根保存在列表root_list中，該列表通過（srk， Stk)將左右條帶聯系起來。4.根據權利要求3所述的立體圖像特征匹配方法，其特征在于:所述在方向大約一致約 束關系和層次結構的K-d樹基礎上設計出快速匹配算法，其具體實現包括以下子步驟： 步驟3.1:特征提?。? 步驟3.1.1:建立高斯金字塔和差分金字塔； 步驟3.1.2:在差分金字塔空間檢測極值點，并通過插值進行精確定位； 步驟3.1.3:計算特征點主方向； 步驟3.1.4:計算特征點描述符； 步驟3.2:特征匹配； 步驟3.2.1:根據方向大約一致約束將圖像對分割為Η層條帶，建立圖像對的條帶映射 maprk-tk和目標特征點集層次結構的K-d樹； 步驟3.2.2: 執(zhí)行第一次循環(huán):針對特征點集R的每一條條帶srk(k=l，. . .，H); 執(zhí)行第二次循環(huán):針對每一個特征點ri，由條帶映射maprk-tk找到相應條帶的rοotSk，執(zhí) 行K-d樹的K近鄰搜索，獲得匹配點； 第二次循環(huán)結束； 第一次循環(huán)結束； 步驟3.2.3:經魯棒性算法RANSAC的篩選，求得精確的匹配點對。
【專利摘要】本發(fā)明公開了一種立體圖像特征匹配方法，首先定義方向大約一致約束關系，然后根據此約束關系對標準的K-d樹進行改進，構建一種更高效的搜索樹結構，即層次結構的K-d樹，最后在方向大約一致約束關系和層次結構的K-d樹基礎上設計出快速匹配算法。本發(fā)明所提方法獲得了更高的匹配效率，并通過實驗對比，驗證了本發(fā)明的有效性。
【IPC分類】G06K9/62
【公開號】CN105608463
【申請?zhí)枴緾N201510925721
【發(fā)明人】袁志勇, 張貴安, 童倩倩, 袁田琛
【申請人】武漢大學
【公開日】2016年5月25日
【申請日】2015年12月14日