基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法
【專利摘要】本發(fā)明公開(kāi)了一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，包括：進(jìn)行圖像匹配，得到匹配對(duì)；確定匹配結(jié)果的Skinner概率自動(dòng)機(jī)數(shù)學(xué)模型；從匹配對(duì)中按照概率隨機(jī)抽取匹配對(duì)，并且求出圖像間的基礎(chǔ)矩陣，然后將此基礎(chǔ)矩陣帶入所有匹配對(duì)，根據(jù)判決函數(shù)求出每個(gè)匹配對(duì)之間的極對(duì)距離和平均極對(duì)距離；根據(jù)權(quán)重調(diào)節(jié)函數(shù)、每個(gè)匹配對(duì)的極對(duì)距離和平均極對(duì)距離對(duì)每個(gè)匹配對(duì)進(jìn)行權(quán)重的調(diào)整，并且計(jì)算每個(gè)匹配對(duì)的提取概率；判斷當(dāng)前基礎(chǔ)矩陣是否具有最多正確匹配對(duì)數(shù)目，并結(jié)合三個(gè)判斷條件控制算法迭代過(guò)程。本發(fā)明引入仿生學(xué)和認(rèn)知心理學(xué)，在缺乏錯(cuò)匹配概率先驗(yàn)知識(shí)的情況下提出了三種迭代終止條件，提高了算法的自主性。
【專利說(shuō)明】 基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像誤匹配對(duì)去除算法，具體涉及一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法(Skinner-Ransac )。
技術(shù)背景
[0002]在航天器光學(xué)定位、無(wú)人機(jī)和機(jī)器人的自主光學(xué)導(dǎo)航中，圖像匹配技術(shù)無(wú)疑發(fā)揮著核心作用，并且圖像間的匹配效果直接影響著導(dǎo)航的精準(zhǔn)度。但是，由于圖像間存在幾何變化、光照、抖震以及噪聲等因素的影響，使得圖像間的匹配結(jié)果中總是存在部分錯(cuò)誤的匹配對(duì)，從而對(duì)導(dǎo)航與定位產(chǎn)生不利的影響。因此，如何在匹配結(jié)果中找到誤匹配對(duì)就成為圖像匹配過(guò)程中至關(guān)重要的一步。目前，針對(duì)圖像間錯(cuò)誤匹配對(duì)的去除問(wèn)題主要有以下三類:線性法，迭代法和魯棒法。線性法主要有七點(diǎn)法，八點(diǎn)法和改進(jìn)八點(diǎn)法，該算法對(duì)于誤匹配點(diǎn)敏感，在誤匹配率低的情況下也容易造成誤匹配點(diǎn)的漏去除。迭代算法的算法精度要高于線性法，但是時(shí)效性差。魯棒算法是三類算法中效果最好的一類，近幾年基于這一類算法的成果較多，如M估計(jì)法,LMeds和Ransac算法等。M估計(jì)法是通過(guò)將問(wèn)題轉(zhuǎn)化為帶有加權(quán)的最小二乘法問(wèn)題，用一個(gè)余差函數(shù)來(lái)代替余差平方，從而抑制大的余差對(duì)于估計(jì)結(jié)果的影響，但是該方法對(duì)于初始的依賴強(qiáng)，并且對(duì)于錯(cuò)誤匹配對(duì)也敏感。LMeds是一種最小中值算法，該算法通過(guò)最小化余差平方中值來(lái)估計(jì)圖像間的變換模型，它對(duì)于錯(cuò)匹配對(duì)具有較好的魯棒性，但是當(dāng)數(shù)據(jù)中的錯(cuò)匹配概率超過(guò)50%時(shí)該算法不再適用。Ransac算法與前兩個(gè)相比在算法精度以及魯棒性均具有明顯的優(yōu)勢(shì)，當(dāng)數(shù)據(jù)中錯(cuò)匹配的概率超過(guò)50%時(shí)，圖像間的基礎(chǔ)矩陣可以估計(jì)出來(lái)，所以該算法已被廣泛的應(yīng)用于機(jī)器視覺(jué)中。
[0003]Ransac算法的主要特點(diǎn)在于匹配對(duì)是通過(guò)算法被動(dòng)選取進(jìn)行圖像間基礎(chǔ)矩陣的計(jì)算，然后將估算的基礎(chǔ)矩陣帶入其它的匹配對(duì)中，通過(guò)計(jì)算極對(duì)距離并且與設(shè)定好的閾值作比較可以估算出該基礎(chǔ)矩陣在這些匹配點(diǎn)的符合率，通過(guò)多次迭代后選取符合率最大的基礎(chǔ)矩陣作為最終模型參數(shù)的選取。上述特點(diǎn)使該算法在錯(cuò)匹配率大的時(shí)候算法效率降低。由于算法的迭代次數(shù)是根據(jù)匹配對(duì)中的錯(cuò)匹配率事先確定，而在多數(shù)情況下匹配結(jié)果中的錯(cuò)匹配率是未知的，這又使算法的自主性變差。2012年，魯珊，雷英杰等在《控制與決策》上發(fā)表的論文“基于概率抽樣一致性的基礎(chǔ)矩陣估計(jì)算法”中提出一種預(yù)檢驗(yàn)方法，用于獲得較優(yōu)的基礎(chǔ)矩陣集合，并且在經(jīng)過(guò)迭代后得到只包含正確匹配對(duì)的樣本子集，從而計(jì)算出圖像間的最終基礎(chǔ)矩陣。但是經(jīng)過(guò)試驗(yàn)發(fā)現(xiàn)，當(dāng)匹配結(jié)果中的錯(cuò)誤概率較高時(shí)，無(wú)論是預(yù)檢驗(yàn)過(guò)程，還是迭代過(guò)程均會(huì)有很高的計(jì)算量，并且迭代次數(shù)的設(shè)定也要根據(jù)匹配結(jié)果的錯(cuò)匹配率進(jìn)行提前設(shè)定，所以不能達(dá)到理想的效果。2009年，劉坤，葛俊峰等在《計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)》上發(fā)表的論文“概率引導(dǎo)的隨機(jī)采樣一致性算法”中，提出了利用每次抽樣得到的基礎(chǔ)矩陣回帶入所有樣本計(jì)算相應(yīng)的極對(duì)距離，然后利用極對(duì)距離的倒數(shù)作為每個(gè)樣本加權(quán)的方法。該方法相比以前方法提高了每個(gè)樣本在抽取過(guò)程中的主動(dòng)性，但是沒(méi)有對(duì)每個(gè)樣本的極對(duì)距離進(jìn)行規(guī)范，導(dǎo)致某些錯(cuò)誤基礎(chǔ)矩陣在一些錯(cuò)誤樣本上的極對(duì)距離極小，這就使得加權(quán)值極大，從而造成最后得到錯(cuò)誤的結(jié)果，并且該方法的迭代次數(shù)也是根據(jù)匹配結(jié)果中的錯(cuò)匹配率進(jìn)行提前設(shè)定。申請(qǐng)?zhí)枮?00810063012.3的發(fā)明專利提出了一種基于抽樣結(jié)果的樣本加權(quán)方法，但是該方法對(duì)于迭代次數(shù)也是提前設(shè)定，不具備自主性。
[0004]綜上所述，如何使算法具有高的運(yùn)行效率，以及如何使算法在錯(cuò)匹配未知的條件下具備自主的迭代終止條件是當(dāng)前需要解決的兩個(gè)重要問(wèn)題。
[0005]美國(guó)心理學(xué)教授Skinner在1938年提出了操作條件反射(operantconditioning, OC)的概念,并且通過(guò)纟鳥(niǎo)子實(shí)驗(yàn)提出了著名的Skinner操作條件反射理論，后來(lái)的學(xué)者利用這一理論發(fā)展出了基于Skinner條件反射的概率自動(dòng)機(jī)。如果將Skinner概率自動(dòng)機(jī)原理用于改進(jìn)Ransac算法，使每個(gè)匹配對(duì)和每個(gè)動(dòng)物個(gè)體一樣對(duì)于每次選擇根據(jù)之前的積累反饋具有不同的主動(dòng)性，將會(huì)提高Ransac算法的運(yùn)行效率；如果將樣本的概率變化率應(yīng)用到算法的迭代終止條件，則會(huì)提高算法的自主性。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是提出一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除算法(Skinner-Ransac),對(duì)每個(gè)匹配對(duì)賦予權(quán)值,權(quán)值的變化隨著抽樣結(jié)果的反饋進(jìn)行更新,從而使其抽樣概率發(fā)生相應(yīng)的變化。本發(fā)明利用仿生學(xué)和認(rèn)知心理學(xué)對(duì)匹配點(diǎn)根據(jù)當(dāng)前的抽樣結(jié)果進(jìn)行相應(yīng)的主動(dòng)性調(diào)整，從而逐漸提高正確匹配點(diǎn)的抽樣概率。本發(fā)明在缺乏錯(cuò)匹配概率先驗(yàn)知識(shí)的情況下提出了三種迭代終止條件，從而提高了算法的自主性。
[0007]一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，包括以下步驟:
[0008]步驟一，進(jìn)行圖像特征點(diǎn)或特征區(qū)域的檢測(cè)與匹配，得到匹配對(duì)。
[0009]步驟二，根據(jù)圖像匹配結(jié)果確定匹配結(jié)果的Skinner概率自動(dòng)機(jī)數(shù)學(xué)模型Skinner-Ransac。`
[0010]Ransac-Ransac為一個(gè)九兀組，其表達(dá)式為:
【權(quán)利要求】
1.一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于包括以下步驟: 步驟一，進(jìn)行圖像特征點(diǎn)或特征區(qū)域的檢測(cè)與匹配，得到匹配對(duì)； 步驟二，根據(jù)圖像匹配結(jié)果確定匹配結(jié)果的Skinner概率自動(dòng)機(jī)數(shù)學(xué)模型，其表達(dá)式為:

2.根據(jù)權(quán)利要求1所述的一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于，所述步驟一中圖像匹配可以根據(jù)實(shí)際情況選擇不同的特征點(diǎn)提取與匹配算法，其目的在于盡可能形成精度高的匹配對(duì)，減少錯(cuò)誤匹配對(duì)，提高誤匹配對(duì)的去除準(zhǔn)確率。
3.根據(jù)權(quán)利要求1所述的一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于，所述步驟三中的m等于7或8。
4.根據(jù)權(quán)利要求1所述的一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于，所述步驟三中的m點(diǎn)法針對(duì)三維環(huán)境中的視角變化，由于圖像中點(diǎn)的坐標(biāo)為二維，需要對(duì)每個(gè)匹配對(duì)的兩個(gè)點(diǎn)坐標(biāo)賦予Z軸方向的坐標(biāo)，通常為常數(shù)I。
5.根據(jù)權(quán)利要求1所述的一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于，所述步驟四中的匹配對(duì)權(quán)重調(diào)整函數(shù)根據(jù)每個(gè)匹配對(duì)對(duì)當(dāng)前基礎(chǔ)矩陣的適應(yīng)程度調(diào)整匹配對(duì)權(quán)重的大小，適應(yīng)程度的大小由J d A出，適應(yīng)程度好的給予相應(yīng)的獎(jiǎng)勵(lì)，依據(jù)適應(yīng)程度確定獎(jiǎng)勵(lì)大??；對(duì)于適應(yīng)程度不好的給予相應(yīng)的懲罰，懲罰程度同等。
6.根據(jù)權(quán)利要求1所述的一種基于Skinner概率自動(dòng)機(jī)的圖像誤匹配對(duì)去除方法，其特征在于，所述步驟五中第一個(gè)終止條件中的置信概率P要在算法運(yùn)行前進(jìn)行人為設(shè)定，一般取 P=0.98。
【文檔編號(hào)】G06T5/50GK103700080SQ201310656943
【公開(kāi)日】2014年4月2日 申請(qǐng)日期:2013年12月6日 優(yōu)先權(quán)日:2013年12月6日
【發(fā)明者】阮曉鋼, 魏若巖, 武璇, 于乃功, 陳志剛, 肖堯, 瓦達(dá)哈·謝 申請(qǐng)人:北京工業(yè)大學(xué)