SIFT尺度不变特征变换匹配优化方案

立体图像对的匹配过程分为以下两步。第一步,分别检测每幅图中尺度不变的特征。第二步,对立体图像对中的这些特征进行匹配。

当对图像进行平移、缩放和旋转时,图像的尺度空间是不变的,在该图像尺度空间上进行位置识别的过程取决于关键点的定位。实现步骤如下：

1.对输入的图像I和方差为σ=2的高斯函数进行卷积运算。得到图像I₁。

2.对图像I₁重复步骤1得到新图像I₂。

3.从图像I₁中减去图像I₂可以得到关于高斯函数的差。

4.在每个方向上,按照像素间距为1.5对图像I₂进行双线性插值采样。间距为1.5意味着任意一个新的采样点恒为其四个相邻像素的线性组合。由此,得到新的金字塔层。(www.xing528.com)

5.将金字塔中的每个像素点与其邻点进行比较,得到这个尺度空间函数的最大值和最小值。

6.在尺度空间上获得高斯函数差的最大值和最小值,并据此来选择关键点位置。

从这些关键位置中可以检测出SIFT特征。为了实现不同视角下物体或场景之间的可靠匹配,需要从这些关键点的准确位置和周围位置中检测这些特征。这些特征不仅在图像旋转时保持不变,而且在图像缩放时也保持不变,并且在仿射变换,三维视角变换,增加噪声和光照变化的大量变化中能够提供鲁棒的匹配。对于立体图像匹配,从左图中提取SIFT特征并将这些特征存储在数据库中。将右图的每个特征分别和这个数据库比较,然后根据它们特征向量的欧氏距离来查询最佳的匹配特征。使用参考文献[337]中给出的方法,已经实现了立体图像对的特征匹配。基于这些匹配点实现了校正过程。

从SIFT得到的匹配点对中,RANSAC（随机抽样一致性）算法[358]用于剔除异常点对。更一般地讲,假设数据由正常点组成,也就是说,数据点可以被某一模型参数集合来解释,而数据点中的异常点不符合这个模型。而且,数据点受噪声影响。改进的RANSAC能够提高模型参数估计的鲁棒性。即使数据集中存在大量的异常点,这种算法也能找到合适的参数估计值。