高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ

基于网格加速与顺序选取策略的图像匹配算法

江一苇 顾幸生

江一苇, 顾幸生. 基于网格加速与顺序选取策略的图像匹配算法[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20210401002
引用本文: 江一苇, 顾幸生. 基于网格加速与顺序选取策略的图像匹配算法[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20210401002
JIANG Yiwei, GU Xingsheng. Image Matching Algorithm Based on Grid Acceleration and Sequential Selection Strategy[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20210401002
Citation: JIANG Yiwei, GU Xingsheng. Image Matching Algorithm Based on Grid Acceleration and Sequential Selection Strategy[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20210401002

基于网格加速与顺序选取策略的图像匹配算法

doi: 10.14135/j.cnki.1006-3080.20210401002
基金项目: 国家自然科学基金(61973120,62076095)
详细信息
    作者简介:

    江一苇(1996-),男,江苏海门人,硕士生,主要研究方向为机器人技术。E-mail:jiangyiwei0105@qq.com

    通讯作者:

    顾幸生,E-mail:xsgu@ecust.edu.cn

  • 中图分类号: TP242.6

Image Matching Algorithm Based on Grid Acceleration and Sequential Selection Strategy

  • 摘要: 特征点匹配可以在输入的图像之间生成一个对应关系,它是视觉里程计中一个基础且重要的模块,并且在不同计算机视觉领域中有着广泛的应用。随机抽样一致算法(Random Sample Consensus, RANSAC)是一种应用较广的图像匹配算法,但存在召回率较低且耗时较长的问题。本文基于网格运动统计方法与顺序选取策略,提出了RANSAC改进算法。首先对初始特征匹配进行质量排序,在此基础上将输入图像划分为一定数量的网格,并根据运动平滑性理论进行网格内匹配统计;然后选取评分高的网格分别进行局部单应性矩阵估算;最终将局部单应性矩阵进行聚合,进一步消除噪声影响,得到最优模型。此外,求取单应性矩阵采用了顺序选取策略,进一步提升了算法的效率。仿真结果表明,本文提出的基于网格加速与顺序选取策略具有较明显的优越性。

     

  • 图  1  运动统计示意图

    Figure  1.  Demonstration of motion statistics

    图  2  网格框架

    Figure  2.  Grid-Based framework

    图  3  8邻域算子模板

    Figure  3.  Eight-neighborhood Laplace operator

    图  4  求解高分网格的单应性矩阵

    Figure  4.  Solve the homography matrix of a high-resolution grid

    图  5  模型聚合示意图

    Figure  5.  Demonstration of model aggregation

    图  6  顺序选取示意图

    Figure  6.  Schematic diagram of sequential selection

    图  7  数据集示意图

    Figure  7.  Demonstration of dataset

    图  8  不同模糊程度图像结果对比图

    Figure  8.  Comparison of blur variation

    图  9  不同亮度图像结果对比图

    Figure  9.  Comparison of luminance variation

    图  10  旋转+缩放图像结果对比图

    Figure  10.  Comparison of scaling and rotation

    表  1  SIFT特征点仿真实验结果

    Table  1.   Simulation experiment results of SIFT

    Image groupAlgorithmAverage precisionAverage recall
    Luminance
    variation
    RANSAC0.8130.782
    RANSAC+GMS0.8630.824
    Proposed algorithm0.8990.836
    Scaling and
    rotation
    RANSAC0.7920.712
    RANSAC+GMS0.8700.768
    Proposed algorithm0.9020.818
    Blur
    variation
    RANSAC0.8040.785
    RANSAC+GMS0.8220.803
    Proposed algorithm0.8690.846
    下载: 导出CSV

    表  2  算法耗时对比

    Table  2.   Comparison of algorithm time consumption

    Numbers of
    feature points
    Time consuming/ms
    RANSACGMS+RANSACProposed algorithm
    100080.7053.3458.78
    2000115.8070.8078.23
    5000240.10123.16135.89
    10000553.50296.90304.50
    下载: 导出CSV
  • [1] 徐岩, 安卫凤. 基于改进随机抽样一致算法的视觉SLAM[J]. 天津大学学报(自然科学与工程技术版), 2020, 53(10): 1069-1076.
    [2] ZHONG M C, LU Y, QIAN J, et al. SLAM family receptors control pro-survival effectors in germinal center B cells to promote humoral immunity[J]. Journal of Experimental Medicine, 2021, 218(3): e20200756.
    [3] 李晨玥, 张雪芹, 曹涛. 一种基于光度信息和ORB特征的建图SLAM[J]. 华东理工大学学报(自然科学版), 2021, 47(4):
    [4] 王进祺, 高然, 董瑞虎, 等. 一种基于双目相机的SLAM系统的设计[J]. 数码世界, 2020(8): 65-66.
    [5] ZHAN H, WEERASEKERA C S, BIAN J W, et al. Visual odometry revisited: what should be learnt[C]//IEEE International Conference on Robotics and Automation (ICRA). USA: IEEE, 2020. 4203-4210.
    [6] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: An efficient alternative to SIFT or SURF[C]//IEEE International Conference on Computer Vision. Barcelona, Spain: IEEE, 2011: 2564-2571.
    [7] LOWE D G, LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110. doi: 10.1023/B:VISI.0000029664.99615.94
    [8] BAY H, TUYTELAARS T, VAN G L. Surf: Speeded up robust features[C]//European Conference on Computer Vision. Heidelberg: Springer, 2006: 404-417.
    [9] FISCHLER M A, BOLLES R C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM, 1981, 24(6): 381-395. doi: 10.1145/358669.358692
    [10] BARATH D, MATAS J. Graph-Cut RANSAC[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. USA: IEEE, 2018: 6733-6741.
    [11] LIU Y, GU Y, LI J, et al. Robust stereo visual odometry using improved RANSAC-based methods for mobile robot localization[J]. Sensors, 2017, 17(10): 2339-2357. doi: 10.3390/s17102339
    [12] BRACHMANN E, ROTHER C. Neural-Guided RANSAC: Learning where to sample model hypotheses[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul, Korea: IEEE, 2019: 4321-4330.
    [13] BIAN J W, LIN W Y, LIU Y. et al. GMS: Grid-based motion statistics for fast, ultra-robust feature correspondence[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition. USA: IEEE, 2017: 1580-1593.
    [14] 杨晶东, 单体展. 基于网格的运动统计特征配准算法在医疗服务机器人中的应用[J]. 第二军医大学学报, 2018, 39(8): 892-896.
    [15] 孙凤梅, 胡占义. 平面单应矩阵对摄像机内参数约束的一些性质[J]. 计算机辅助设计与图形学学报, 2007, 19(5): 647-650.
    [16] 代文征, 杨勇. 基于改进高斯—拉普拉斯算子的噪声图像边缘检测方法[J]. 计算机应用研究, 2019, 36(8): 2544-2547, 2555.
    [17] 刘衍青. 双目视觉惯性融合的同时定位与语义建图研究[D]. 北京: 中国科学院大学, 2019.
  • 加载中
图(10) / 表(2)
计量
  • 文章访问数:  71
  • HTML全文浏览量:  50
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-04-01
  • 网络出版日期:  2021-06-16

目录

    /

    返回文章
    返回