基于兴趣点的两视点图像自动匹配和优化.pdfVIP

基于兴趣点的两视点图像自动匹配与优化 雒建卫谢凤英姜志国 北京航空航天大学宇航学院图像处理中心，北京，100083 ji绷wei991@yahoo．co肚cn 摘要：通过两幅不同视点图像的对应点来求解基本 矩阵的方法是基于运动的三维重建的关键问题。论 、M；GF)b{n如I (1) ·Ig，gy gyI 文首先利用Harris角点，提取出两幅图像的角点特 征，然后采用奇异值分解的方法获取两幅图像的对 ，一det(M)一栅2(M) (2) 应特征点，并用黜蝌SAC方法对特征点集进行优 K为权值系数，论文中取O．04。式中g，为x方向的 化，实验结果表明该方法能够获得满意的结果。 梯度，g。为y方向的梯度，G(_)为高斯模板。式 关键词：Ha玎is角点、奇异值分解、鼬气NSAC、三 中det为矩阵的行列式，tf．为矩阵的迹，k为默认常 维重建 数。 Harris算法认为，特征点是局部范围内的极大 1引言 兴趣值对应的像素点。因此，在计算完各点的兴趣 值后，要提取原始图像中所有局部兴趣值最大的 三维重建一直是计算机视觉领域最热门的研 点。在实际操作中，可依次从以每个像素为中心的 究方向之一，它主要研究如何通过物体的二维信息 3×3的窗口中提取最大值，如果中心点像素的兴趣 获取物体在空间中的三维信息。一幅场景在不同的 值就是最大值，则该点就是特征点。 视角下，可以得到它不同的景象，这两幅景象通过 极线几何相约束，这是由于三维物体在两相机坐标 2基于奇异值分解的特征点匹配算法 系下的位置存在旋转与平移的关系。因此要实现三 维场景的重建，首先必须在两幅图像中找到共同的 特征，然后根据特征的对应，求解出两幅图像的相 令Bl和J为两幅图像，分别包含m个特征点 互关系——基本矩阵。本文采用Hallris方法提取图 像角点特征，采用奇异值分解求得初始的匹配对应 奇异值分解的特征匹配算法包含下面三步： 点，并进一步根据鼬气NSAC的鲁棒方法，求解并 首先，分别取特征点t和，，的w×w邻域A 优化两幅图像中正确的匹配点，实现了两幅图像的 和B，于是我们可得这两个区域的互相关系数 对应点匹配。 1 基于Harris算子的特征点提取 。 一一4 ∑Z(A，一么)即一B) ， _ ．， q=捌舞雨丽 ④ 在角点处，图像的灰度梯度是不连续的，而且 其中，彳和曰分别为区域A和B的均值，D(彳) 在角点临近的区域，梯度有两个或者两个以上的不 和仃(B)为标准差。可以看出G从一1(两区域完 同值，Harris算子就是根据这个事实提出的。 全不同)到l(两区域完全相同)变化。 这种算子受信号处理中自相关函数的启发，给 出与自相关函数相联系的矩阵M。M阵的特征值是 其次，构造相似矩阵G，其中q是两个特征 自相关函数的一阶曲率，如果两