申请/专利权人：上海大学

申请日：2022-06-21

公开（公告）日：2024-04-16

公开（公告）号：CN115049847B

主分类号：G06V10/44

分类号：G06V10/44

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明公开了一种基于ORB描述子的特征点局部邻域特征匹配方法，包括以下步骤：S1：提取图像fp和图像fq中的特征点；S2：搜索S1中图像fp和图像fq中每个特征点的邻域S3：选取步骤S2中图像fp中每个特征点对应于图像fq的邻近特征点构成假定特征点对，假定特征点对合集为S；S4：输入假定特征点对合集S。本发明提供的ORB描述子的特征点局部邻域特征匹配方法，通过建立初始网格矩阵G0可以有效的提高特征点匹配的速度，再经过对特征点集真假性匹配，以及建立二次网格矩阵G1，通过二次网格矩阵G1再对特征点集进行多次处理，去除错误匹配点集，可以有效地减少误匹配，提高特征点匹配的成功率，进而提升各类特征匹配算法的鲁棒性。

主权项：1.一种基于ORB描述子的特征点局部邻域特征匹配方法，其特征在于，包括以下步骤：S1：通过ORB快速特征点提取和描述算法对相同或相似场景下的两帧图像fp和图像fq进行检测和描述其特征，并提取图像fp和图像fq中的特征点；S2：在欧氏距离下计算像素距离并搜索所述步骤S1中图像fp和图像fq中每个特征点的邻域Ni，设定一个阈值r，将超过阈值r的特征点排除在邻域外；S3：选取步骤S2中图像fp中每个特征点对应于图像fq中相应邻域中的邻近特征点构成假定特征点对，假定特征点对合集为S；S4：在算法中输入假定特征点对合集S，同时建立两个点集：真实匹配特征点集Y和错误匹配特征点集M；S5：利用GMS网格法寻找图像fp和图像fq中所有特征点和的最近邻特征点，并在图像fp和图像fq上分别划分不重叠的初始网格矩阵G0；S6：根据所述步骤S4中划分的网格矩阵G0以及所述步骤S1中提取的特征点，对S1中的特征点根据欧式距离在网格矩阵G0中搜索当前特征点ai、bi的最邻近特征点aj、bj，并在汉明距离下计算其相似度是否大于设定的阈值；是，则表示两个特征点的相似度较低，为错误匹配，将当前特征点合并至初始设置的错误匹配特征点集M中；否，则进入S7；S7：按照欧氏距离搜索当前进行比较的特征点周围的3个最近邻特征点，通过计算k维检验及其邻域的汉明距离，构造局部邻域约束；S8：设定一个比较阈值，根据相似函数比较fp和图像fq中对应特征点的局部邻域约束的相似性，判断相似函数的结果是否小于该阈值：是，则该特征点对为假定真实匹配的特征点对，将该特征点对合并至初始设置的真实匹配点集Y中；否，则该特征点对为假定错误匹配的特征点对，将该特征点对合并至初始设置的错误匹配点集M中；S9：分别搜索图像fp和图像fq中当前进行比较的特征点ai、bi与其各自的最近邻特征点aj、bj之间的连线与G0网格边缘线交错的特征点，将当前特征点ai、bi和其最近邻特征点aj、bj之间的像素距离记为L1，将当前特征点ai、bi和G0网格边缘线交点之间的像素距离记为L2，并比较L1和L2，其比较公式如下所示： 是，则表示当前特征点ai、bi的最近邻特征点aj、bj在其它网格内，需要重新划分网格G1，并进入S10；否，则表示当前特征点ai、bi的最近邻特征点aj、bj在本网格内，直接输出真实特征点集Y；S10：通过变邻域搜索算法，定义一组变邻域R，将变邻域R输入到算法中，重新确定第二次网格矩阵G1；S11：重复所述步骤S7至S10，并最终输出真实匹配的特征点集Y。

全文数据：

权利要求：

百度查询： 上海大学 一种基于ORB描述子的特征点局部邻域特征匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD