一种基于空间光线聚集性的像面特征点匹配方法
【专利摘要】本发明提出了一种基于空间光线聚集性的像面特征点匹配方法，在唯一的三维空间，根据像面特征点对应重建光线的聚集性分析，实现特征点匹配，从而利用被测空间的唯一性，将二维的匹配问题回归到三维空间解决，包括如下步骤：(1)空间光线重建；(2)确定光线聚集阈值；(3)光线聚集性判断；(4)像面特征点匹配；(5)同名点合并。
【专利说明】一种基于空间光线聚集性的像面特征点匹配方法
【技术领域】
[0001]本发明涉及计算机视觉领域，特别涉及一种基于空间光线聚集性的像面特征点匹配方法。
【背景技术】
[0002]特征点匹配是计算机视觉中的关键步骤，在三维重建、运动估计、图像检索、摄像机标定等领域中有着重要的应用。大尺寸数字摄影测量中，特征点匹配对于测量系统的精度、可靠性、自动化等方面都有重要影响。但由于拍摄时间、角度、环境的变化、多种传感器的使用和传感器本身的缺陷，使拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真和几何畸变。在这种条件下，匹配算法如何达到精度高、匹配正确率高、速度快、鲁棒性和抗干扰性强成为人们追求的目标。
[0003]在摄影测量系统中，通常会采用两种带有自反射特性的特征点:一种是带有编码信息的编码特征点(图1(a))，编码有不同的设计方案，但在一次测量任务中，采用的编码点通常是唯一的；一种是没有任何编码信息的普通特征点(图1(b))，一般为圆形。
[0004]可以看出，对于编码特征点，只要正确识别了该特征点成像的编码信息，就可以对相同编码信息的编码特征点直接匹配。而对于普通特征点，由于其本身不携带任何信息，其成像后不能直接匹配，通常利用成像几何关系、空间分布位置、其他特征约束等条件进行匹配。因此，普通特征点的匹配相对于编码特征点而言，具有较高的难度。
[0005]对于目前已有的像面特征点匹配方法，根据其基本原理大致可以分为基于灰度相关的匹配、基于特征的匹配、基于模型的匹配、基于变换域的匹配以及基于几何关系的匹配等。“基于灰度相关的匹配”能够获得较高的定位精度，但是它计算量大，难以达到实时性要求，容易受到光源的影响，而且存在受成像畸变的影响比较大、待匹配单元的大小不容易确定等问题。“基于特征的匹配”对于图像畸变、噪声、遮挡等具有一定的鲁棒性，由于特征仅仅是源图像数据的部分信息，所以后续的匹配过程处理的数据量会明显少于区域匹配，故特征点匹配相对比区域匹配的速度要快，并且由于特征不是直接依赖于灰度，所以对图像噪声具有抵抗性。“基于模型的匹配”在计算机视觉、摄影测量和模式识别等领域中的应用非常广泛，它可以分为刚体形状匹配和变形模板匹配两大类；频域匹配技术对噪声有较高的容忍程度，可处理图像之间的旋转和尺度变化。
[0006]从上述传统的像面特征点匹配方法来看，解决问题的思路多定位于二维像面空间的直接解决方式，即在像面上通过灰度、特征、几何关系等约束条件进行特征点匹配，但由于摄影测量本身以及任务条件的复杂性，使得传统方法难以具有普遍适应性。
【发明内容】
[0007]本发明提供一种基于空间光线聚集性的像面特征点匹配方法，包括如下步骤:
[0008]I).布置测量现场:根据被测目标对象，设置编码特征点、普通特征点、定向参照物、长度基准尺，其中分别布置编码特征点和普通特征点这两类特征点；[0009]2).多次成像并进行图像处理和特征点识别:通过同一数字相机对被测空间内的目标对象进行多次成像，其中数字相机可移动，以从不同角度拍摄多幅图像，采用数字图像处理技术对像面进行处理，进行特征点中心定位，并识别其中的编码信息；
[0010]3).进行图像的空间定向:对拍摄的每幅图像，根据定向参照物的已知三维信息与对应像面信息，实现每幅图片的空间定向，即获取拍摄每一幅图像时相机拍摄的外方位参数；
[0011]4).匹配编码特征点:识别编码特征点并且利用编码信息自动匹配不同图像之间的编码特征点，然后利用匹配的这部分编码特征点，进行初步光束平差优化；
[0012]5).匹配普通特征点:利用获得的所有图片参数，对于每个普通特征点的像点坐标，根据空间成像几何关系，重构每个成像点对应的空间光线，然后对于任意一条空间光线，遍历其余未匹配的空间光线，根据预定阈值获得光线在空间的汇聚性，将找到的所有汇聚光线对应的像点记入匹配关系矩阵，并将其标记为已匹配点；
[0013]6).数值解算:在成功实现编码特征点和普通特征点的匹配、建立像面参数的基础上，利用光束平差优化算法，实现所有特征点空间坐标、相机参数的高精度解算，
[0014]其中在步骤5)中，采用如下两种阈值来判断光线在空间的汇聚性:
[0015]①以同一特征点的所有成像光线在该点附近形成的预定离散范围作为分散性阈值1\ ；
[0016]②以空间光线之间的预定距离作为距离阈值T2。
[0017]优选的，在所述步骤5)中，重构每个成像点对应的空间光线的步骤为:对于像面上的像点P1 (X1, Y1)，其在相机坐标下的坐标是-/)，经过相机外方位参数构成的旋转、平移关系，将P/变换到空间坐标系下:
【权利要求】
1.一种基于空间光线聚集性的像面特征点匹配方法，包括如下步骤: 1).布置测量现场:根据被测目标对象，设置编码特征点、普通特征点、定向参照物、长度基准尺，其中分别布置编码特征点和普通特征点这两类特征点； 2).多次成像并进行图像处理和特征点识别:通过同一数字相机对被测空间内的目标对象进行多次成像，其中数字相机可移动，以从不同角度拍摄多幅图像，采用数字图像处理技术对像面进行处理，进行特征点中心定位，并识别其中的编码信息； 3).进行图像的空间定向:对拍摄的每幅图像，根据定向参照物的已知三维信息与对应像面信息，实现每幅图片的空间定向，即获取拍摄每一幅图像时相机拍摄的外方位参数； 4).匹配编码特征点:识别编码特征点并且利用编码信息自动匹配不同图像之间的编码特征点，然后利用匹配的这部分编码特征点，进行初步光束平差优化； 5).匹配普通特征点:利用获得的所有图片参数，对于每个普通特征点的像点坐标，根据空间成像几何关系，重构每个成像点对应的空间光线，然后对于任意一条空间光线，遍历其余未匹配的空间光线，根据预定阈值获得光线在空间的汇聚性，将找到的所有汇聚光线对应的像点记入匹配关系矩阵，并将其标记为已匹配点； 6).数值解算:在成功实现编码特征点和普通特征点的匹配、建立像面参数的基础上，利用光束平差优化算法，实现所有特征点空间坐标、相机参数的高精度解算， 其中在步骤5)中，采用如下两种阈值来判断光线在空间的汇聚性: ①以同一特征点的所有成像光线在该点附近形成的预定离散范围作为分散性阈值T1； ②以空间光线之间的预定距离作为距离阈值T2。
2.如权利要求1所述的方法，其中，在所述步骤5)中，重构每个成像点对应的空间光线的步骤为:对于像面上的像点P1U1, yi)，其在相机坐标下的坐标是Α'&ρΛ，-/)，经过相机外方位参数构成的旋转、平移关系，将P/变换到空间坐标系下: X1 Q1 α2 α3 X1 Xsl yI = h K b3 V1 + Ysl _^? _ _Cl C2 C3_ ~f_ _^sl _...(I) 其中，a^bi，Ci(i = I, 2, 3)是相机光轴方位在空间坐标系中的三个角度量ω，Ρ，K的余弦组合，(Xsl, Ysl, Zsl)是相机投影中心在空间坐标系中的坐标， 如此,通过如下两点式直线方程重构经像点P1和投影中心的光线:
Xsl-Xl _Ysl-Yl_Zsl-Zl X,-X丨 H Zsl-Z1...(2)。
3.根据权利要求1所述的方法，其中在所述步骤5)中，确定分散性阈值T1和空间光线距离阈值T2的过程如下: (1)取得所有编码点及其对应空间光线； (2)选择一个编码点CP，计算其所有空间光线之间的距离和交点； (3)为了保证统计数据的有效性，根据距离剔除其中的粗大误差； (4)统计编码点CP的空间光线分散范围和光线距离的最大值；(5)重复(2)，直到所有编码点统计结束； (6)选择所有编码点统计结果中分散范围和光线距离的最大值分别作为分散性阈值T1和空间光线距离阈值T2。
4.根据权利要求1所述的方法，其中在所述步骤5)中，判断光线聚集性的步骤包括: (1)初始化:设置光线分散性阈值T1、光线距离阈值T2、候选匹配点集C、匹配关系矩阵M ； (2)从所有图片中，选择一幅带有未匹配特征点的图像，记为Img1； (3)从Img1中选择任意一个未匹配特征点P1及其对应重建空间光线L1； (4)除了Img1以外的所有图片中，如果有未匹配的特征点，则该图片记为Img2 ； (5)遍历Img2中所有未匹配特征点，并分别计算对应空间光线与P1对应空间光线之间的距离d和异面直线公垂线中点P，如果d ( T，则将对应特征点计入P1的候选匹配点集C，同时记录距离d和中点P ； (6)重复⑷~(5)，直到所有图片完成遍历； (7)对集合C中的所有候选像点，根据其对应距离d和中点P，判断所有候选光线的聚集性； (8)将该次找到的所有汇聚光线对应的像点记入匹配关系矩阵M，并将其标记为已匹配点； (9)返回(2)，重复上述步骤，直到没有未匹配点， 其中，在上述步骤(7)中，判断所有候选匹配点对应光线汇聚性的步骤包括: (1)对集合C中所有候选点对应的与L1的公垂线中点，计算其相互之间的距离； (2)对每个中点统计离其距离小于光线距离阈值T2的点数； (3)选择点数最多的中点P以及离其距离小于T的其余中点，构成点集C111； (4)计算点集Cm中所有点的中心Pm，即空间坐标的平均值； (5)对集合C中所有候选点对应的公垂线中点，计算其与Pm之间的距离，如果小于分散性阈值T1，则其对应光线确定为汇集光线。
5.根据权利要求1所述的匹配方法，其中在所述步骤5)中，还包括同名点合并步骤，所述步骤包括: (1)初始化:设置同名点空间最小距离阈值Td、所有特征点标记为未分组、建立所有三维特征点关系矩阵Mg; (2)根据矩阵M中已有的匹配关系，结合相机参数，利用前方交会法，计算所有具有匹配关系的特征点三维坐标，点数记为η ； (3)计算任意两个特征点Pi和Pj之间三维空间距离，如果距离超过阈值Td，则矩阵Mg(i, j)和 Mg(j，i)置 O，否则置 I ; (4)遍历所有三维特征点，如果该点未标记分组，则建立新的分组G，将该点计入G，并置已分组标记； (5)根据关系矩阵Mg，将所有对应置I的点计入分组G，并置已分组标记； (6)对新计入分组G的特征点，反复执行(5)，直到没有新的点计入分组G为止； (7)重复(4)~(6)，直到没有未分组特征点为止。
【文档编号】G06T7/00GK104036542SQ201410214980
【公开日】2014年9月10日 申请日期:2014年5月21日 优先权日:2014年5月21日
【发明者】王君, 董明利, 孙鹏, 燕必希, 娄小平 申请人:北京信息科技大学