【《基于ORB特征的图像匹配系统设计分析案例》4300字】_第1页
【《基于ORB特征的图像匹配系统设计分析案例》4300字】_第2页
【《基于ORB特征的图像匹配系统设计分析案例》4300字】_第3页
【《基于ORB特征的图像匹配系统设计分析案例》4300字】_第4页
【《基于ORB特征的图像匹配系统设计分析案例》4300字】_第5页
已阅读5页,还剩7页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于ORB特征的图像匹配系统设计分析案例如上文所述,基于特征的图像匹配技术是如今应用范围最广的方法。我们致力于设计一个可以应用于视觉SLAM上的满足实时性,可移植的小型图像匹配系统。因此我们使用ORB特征进行暴力搜索,来实现图像匹配,并且为了消除暴力搜索造成的误匹配,我们对搜索结果进行再验证,以提高准确率。下面将详细介绍我们的系统设计,系统流程如下图所示。图1.1.1系统流程图1.1提取ORB特征ORB特征因其应用的广泛性,已被写入opencv库中,因此我们对每张输入的图片,通过调用opencv函数来完成特征提取。每张图片提取500个特征点,FAST检测子的阈值设置为9,BRIEF描述子的维度设置为32维,即256位。提取出的图像特征分布如下图所示。图1.1.2特征点分布图1.2描述子的暴力搜索对于测试图片的每一个描述子,我们都要在参考图片中找到一个它的匹配点。由于ORB特征的二值表示,我们不用担心暴力搜索的大计算量。对于二进制描述子,我们使用汉明距离作为相似度评分,这种计算方式对于计算机是毫无压力的。每一个查询图片描述子,我们依此计算它与参考图片描述子的汉明距离,并输出相似度评分,按汉明距离由小到大进行排序,前三名的特征作为候选项送入验证环节。1.3暴力搜索后的验证先暴力匹配,得出所有匹配点对,称之为初始匹配点对。除此之外,还可以接着使用最小距离阈值法,计算所有匹配点对之间的距离,这种去除失配的方法称为粗匹配或粗剔除。在计算出初始匹配点对之间的最小距离dmin后,设定一个阈值α,把所有匹配点对之间距离d大于最小距离dmin和阈值α的乘积的,都从匹配点对的集合种剔除,只留下匹配点对之间的距离d<αdmin(在这里,阈值的设置是关键。如果阈值设置的过大,则容易将很多误匹配点也纳入正确匹配点的集合种;如果阈值设置的过小,则可能匹配点对剩余数量不足,且其中仍有可能还是存在误匹配点,可能影响到之后根据匹配点对估计摄像头运动的工作。因此,对阈值的选择要多次尝试,找到合适的阈值,再对初始匹配点对进行粗略的提纯。我们通过实验环节确定了最佳阈值,去除每个查询图片特征点的两个假匹配,保留一个最佳匹配。如果测试图像与参考图像之间有超过8对匹配特征点对,我们可以把它们送往几何验证,因为通过几何验证的特征点对一定是正确的匹配。1.4RANSAC几何验证由于图像匹配的过程中因为特征提取和特征描述不能做到绝对的精准,再有,因为图像自身的,出于图像的结构复杂性以及噪声等因素的影响,得到的初始匹配对中存在很多错误的匹配,即失配。在图像配准中,需要得到两个图像之间对应的映射关系,可以用矩阵来表示。kx'y'w'k是比例因子,这里,矩阵H对应的,它的参数可以由4个特征点对得出。叉乘得出参数:A'×HA=0(设矩阵H的第j行用ajT来表示,那么可以从式(0T−w'xT这样,两幅图像的每个特征点之间就可以由式(1.4.3)解出的H得出映射关系,一一对应起来。可是这种解法并不很稳定,因为它是线性的,导致很容易误差点和特征点3点共线,而非线性结果只有通过优化才能得到,这就需要更多的匹配特征点集了,到达一定数目才能达到要求。通过一个表示两者对应距离d的误差函数。一般地,一个用于去除错误匹配点的阈值可以在误差函数服从高斯分布的情况下被确定。局内点是指测量特征点和参考特征点计算得出的距离d小于设定好的阈值的点集,局外点则指测量特征点和参考特征点计算出的距离d大于设定好的阈值的点集。要做对应的点变换的点,只能是局内点集中的点。而且,我们仍然需要对内点进行提纯,这个进行提纯的算法必须容错能力较强,因为按照ORB的原文献,提取特征点集合,再直接进行匹配得到的结果仍然有很多错误的匹配,需要提高匹配精度。图1.4.1RANSAC算法直线拟合模拟在这里,如图1.4.1所示,我们可以把RANSAC算法的思想用直线拟合的例子来说明:可以在随机的点集中选取两个点来作一条直线,设定一个阈值,在这条直线的阈值范围内的点称为局内点,在这条直线的阈值范围外的点称为局外点。于是,得到了一些局内点了,再从这些局内点出发,得出一条新的直线,同样根据阈值再确定局内点,不断地重复。最后,我们可以通过计算局内点的数量,得出最接近真实直线的预估直线。直线近似预估就是这些集合点最好的拟合。集合的最好的拟合获得的局内点较多,且有效的去除了错误匹配点(即局外点)。这个方法去除不匹配的数据(失配点)的优势是,它的所有数据结果都被十分充分地利用到了,而且可以被分为内点和外点,根据阈值区分。从而可以使得进行参数拟合后得到的数据是一种更好的,优化后的结果。总的来说,RANSAC是一种随机样本一致性去除误匹配点的算法。数学模型的参数由迭代方法从观测的数据集中估计得到,这个数据集包含局内点和局外点。在提取出两个图像的特征点后,如何对二者特征点进行匹配,或者说,如何将一幅图的特征点投射到另一幅图像上,就是一个重要问题。RANSAC算法使用一个矩阵H,来描述这种对应关系。因此,解决对应关系的描述问题,就必须要求出矩阵H。RANSAC选择用迭代的方法来计算,过程如下所示:首先,如前文提到的ORB特征检测描述的一般,用此方法提取出两幅图像的特征点,一共N个点对。再按前文所述的方法,将坐标归一化。即可表示为Ai从N个待匹配点对的集合中取4个点对,则可以得出矩阵H的8个未知参数值。然后继续计算余下的N−4个图像中待匹配的特征点对,通过矩阵H变换得到的特征点与其他待匹配的特征点之间的欧氏距离d,d=∥HA−A'∥。如果距离重复上述步骤2)~3)n次,统计下每一次的内点数量,其中n表示迭代的次数。以最后包含局内点最多的集合作为最终内点集合,与此相对应的H变换中的8个参数作为参数估计最优值。图1.4.2RANSAC算法的流程图RANSAC算法流程图如图1.4.2所示,作为一种随机参数估计算法,其缺点主要是在抽取匹配对时为随机采取,选取从未考虑过匹配对的质量。同时因为RANSAC的迭代次数没有设置上线,导致如果在计算过程中迭代次数过多也将导致误匹配对数量增多,得到的匹配结果的效果可能并不好,甚至错误率较高。RANSAC只能检测特定模型,一个,如果模型数量更多,那么RANSAC无法检测。1.5实验设计与结果分析1.5.1实验环境设置本次实验的计算机系统,是64位的win10系统。采用的处理器是主频为1.6GHz的Intel(R)Core(TM)i5-8250UCPU,内存为8.0GB。本次实验采用C++作为编程语言,引入opencv库。实验使用CALVINresearchgroup开发的ETHZToysv1.0数据集,实验过程中某些步骤使用到本人自己拍摄环境所得。在特征提取和特征描述后得到的ORB描述子,然后进行特征匹配,这里我们使用汉明距离对描述子之间的距离进行编码。于是,我们首先得出特征点的描述向量之间的汉明距离,一个特征点取自参考图像,另一个特征点取自测试图像,从这里我们可以得到两张图像之间相对应的映射关系。从汉明距离值的大小的角度看来,汉明距离值越小说明两个特征点越相似。1.5.2代码设计及分析为了实现ORB暴力匹配算法,下面对本文实现的算法进行说明:首先对各个类库进行引入,定义命名空间,这部分伪代码省略然后,进行图像读取string输入图像路径="自己存放图像数据库的位置";string图像保存路径="自己设置的匹配结果存放文件夹";设置count←0,为之后循环匹配计算次数define输入图像;在opencv库中使用glob函数将输入图像路径中的每一幅图读取到输入图像中第一步,提取特征点for已匹配图像数小于输入图像总数:define从输入图像中取出第一幅要匹配的图像,使用imread函数读入for还没匹配完:define第一幅图像的关键点,第二幅图像的关键点define两幅图像各自的描述子 用opencv库创建检测子和描述子 实际代码:detector->detect(img1,kps1);detector->detect(img2,kps2);第二步,对检测到的特征点进行描述,得出特征描述子 同样使用了opencv库实际代码:descriptor->compute(img1,kps1,desps1);descriptor->compute(img2,kps2,desps2);第三步,匹配描述子define匹配对,并使用opencv库进行匹配点对筛选实际代码: Vector<DMatch>matches; Matcher->match(desps1,desps2,matches);第四步:画出结果图 将第一幅图和第二幅图的对应匹配关系放到画布中 输出匹配结果图实际代码: Matimg_match; drawMatches(img1,kps1,img2,kps2,matches,img_match); imshow(“初始匹配结果”,img_match);图1.5.1小车ORB特征点检测图1.5.2室内环境ORB特征点检测初步使用ORB检测的方法,检测得到的特征点如图1.5.1和1.5.2所示。由图1.5.1和图1.5.2可以看出,ORB算法对角点检测较为灵敏,在计算机上检测出角点特征的速度非常快,这两张图的角点特征都是很快就检测提取完成了。但是相对于室内,可以看到ORB在检测小车的角点时更加灵敏,对字母的角点提取较为完善,而在检测室内角点特征时,则相对没有这么敏感。图1.5.3小车的初始匹配结果图1.5.4室内的初始匹配结果两者都是初始匹配的结果,由图1.5.3和图1.5.4可知,ORB使用暴力搜索的初始匹配结果并不佳,存在许多误配点,但是优点是得到的匹配点对比较多。且因为采用的是暴力匹配的算法,所以在把每个检测到的特征点都和另一幅图的特征点进行了汉明距离的比较,缺点是一个特征点对应了很多其他错误的特征点,存在重复匹配。图1.5.5室内不同视角下的初始匹配结果图1.5.6室内不同视角下的优化后匹配结果图1.5.7小车不同视角下优化后的匹配结果由图1.5.5和图1.5.6的对比,以及图1.5.3和图1.5.7的对比可以看出,进行优化后,图像的误匹配明显减少,证明匹配优化的效果良好。优化的结果提高了匹配的准确率。图1.5.8室内不同光照下初始匹配结果图1.5.9室内不同光照下的优化后匹配结果由图1.5.8和图1.5.9同样可以看出优化后的作用,可以大大降低误匹配率,算法在不同光照下的匹配点对数减少,匹配效果有所降低,但是准确率依旧很高。图1.5.10室内不同尺度下的初始匹配结果图1.5.11室内不同尺度下的优化后匹配结果图1.5.10和图1.5.11比较得,优化后的匹配点对数锐减,虽然匹配准确率很高,但是匹配的效果不好。准确匹配的点对数不足,图1.5.12小车不同尺度下的初始匹配结果图1.5.13小车不同尺度下的优化后匹配结果同样的,比较图1.5.12和图1.14.13可以看到改进后的ORB算法,对误匹配有很大改善。然而,对于同样是不同尺度下的优化后的匹配结果,室内的匹配结果要比小车的匹配结果少很多点对。说明ORB在不同尺度下的匹配能力不同。但是可以由图1.5.12看出,模糊使得ORB算法在某些地方检测不到原来的角点了,但是在另一些区域检测出了更多的角点,证明不同尺度下的语义信息不同。图1.5.14小车在复杂场景下的初始匹配结果图1.5.15小车在复杂场景下的优化后匹配结果由图1.5.14和图1.5.15可以看出,即使优化了,小车在复

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论