一种基于余弦相似度的改进最近邻距离比的特征匹配方法与流程

本发明涉及计算机视觉领域的特征匹配技术，尤其涉及一种基于余弦相似度的改进最近邻距离比的特征匹配方法。

背景技术：

sift是传统计算机视觉任务中常用的特征描述子之一，它是图像局部特征的描述，对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声等也有一定的鲁棒性。特征描述子是以特征点为中心取16x16的邻域作为采样窗口，将采样点和特征点的相对方向通过高斯窗口进行加权运算，归入4x4个格子，每个格子有八个方向，这样就得到了128维的向量。这个向量就是对该采样点及其周围像素信息的表示，通过计算不同描述子的距离可以判断它们匹配与否。

k近邻算法(knearestneighbor，knn)是遍历所有目标特征描述子与参考描述子后，找到距离参考描述子最近的k个目标描述子。通常在特征匹配的场景中，取k＝1，即最相似的描述子。

随机抽样一致性算法(randomsampleandconsensus，ransac)通过对一堆点进行随机抽样，用抽样的点进行拟合一条直线，观察满足拟合直线的点占多大比例，超过某个阈值就认为是正确的拟合结果。可以用于特征点匹配后的异常匹配剔除。

由于近年来深度学习的流行，传统计算机视觉中的本地特征提取和匹配逐渐被深度学习所替代。但传统的方法有其独特的优势，如不需要大量的训练数据训练模型，不需要很大的计算力和gpu加速等。对于不那么复杂的目标检测和特征匹配的任务，传统的方法就足以胜任。

但传统方法有其自身的限制，因为没有学习的过程，如果描述子的提取遇到了瓶颈，在不提出新方法的情况下很难做优化和提升，因此可以尝试从描述子的匹配算法上进行优化。通常情况下，对于遮挡不严重、光线变化不剧烈的参考图像和目标图像，传统的本地特征描述子如sift、surf、orb等已经足够用于特征匹配，关键是如何在已有的两组描述子中找到正确的配对。传统对于描述子之间距离一般使用欧氏距离进行表示，但由于sift等算法通常会和特征向量在空间中的距离有关，仅使用欧氏距离会忽视它们空间上的相似度。

技术实现要素：

为了解决以上技术问题，本发明提出了一种基于余弦相似度的改进最近邻距离比的特征匹配方法，来帮助提高特征点匹配的准确度。在传统的基于欧式距离的最近邻距离比的基础上加入余弦距离做二次校验，增加准确度；同时将最近邻距离比由最近和第二近的目标描述子扩展到第二近和第三近的目标描述子，从而增加匹配描述子的召回率。

本发明的技术方案是：

一种基于余弦相似度的改进最近邻距离比的特征匹配方法，

具体步骤如下

第一步，获取匹配用的参考图像和目标图像；

第二步，使用sift算法生成两幅图的描述子；

第三步，遍历参考图像和目标图像的所有匹配对，计算最近的三个近邻的最近邻距离比，剔除不满足的描述子；

第四步，对于同时满足两个最近距离比阈值的匹配点计算余弦相似度；再计算余弦相似度，保留最相似的候选描述子；

第五步，使用ransac剔除异常匹配对；

第六步，最终得到满足需求的匹配点。

进一步的，

给定至少两张图像，第一份为参考图像，第二份为目标图像，是在第二份目标图像中找到与第一份参考图像相匹配的点或目标。

进一步的，

针对每一个参考图像中的特征描述子，这里表示为遍历目标图像中的描述子，这里表示为

先计算欧氏距离，保留距离最接近的前三个，并按照公式(1)过滤掉不满足条件的配对描述子；

t的设置是保证距离有区分度，即距离最近的描述子比距离第二近的描述子小(1-t)x100％。

进一步的，

如果同时满足公式(2)，则保留和然后根据公式(3)公式(4)再进行判断，否则直接保留

进一步的，

计算参考描述子与目标描述子之间的余弦相似度时，将两个特征描述子的128维向量计算内积。

进一步的，

如果特征向量已经做过归一化，则内积结果就是余弦相似度，过程见公式(3)、公式(4)。

保留余弦相似度最大的描述子作为最终匹配点；

将所有参考描述子遍历一遍之后，得到符合条件的候选匹配对；然后使用ransac算法进行异常点剔除。

本发明的有益效果是

1)将余弦相似度用于评价特征描述子之间的距离；

2)使用了改进的最近邻距离比提升匹配点召回率；

3)使用两步操作对匹配点进行二次检验，提升准确度。

附图说明

图1是本发明的工作流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于余弦相似度的改进最近邻距离比的特征匹配方法，给定至少两张图像，第一张为参考图像，第二张为目标图像，任务通常是在第二张目标图像中找到与第一张参考图像相匹配的点或目标，本发明的目的是优化匹配逻辑，提升匹配的准确率和召回率。

首先对两张图生成候选特征描述子，可以使用的算法有sift、surf等常用算法。

然后针对每一个参考图像中的特征描述子(这里表示为)遍历目标图像中的描述子(这里表示为)，区别于传统方法计算两两之间的欧氏距离然后保留距离最小的作为匹配点，这里我们先计算欧氏距离，保留距离最接近的前三个，并按照公式(1)过滤掉不满足条件的配对描述子，如果同时满足公式(2)，则保留和然后根据公式(3)公式(4)再进行判断，否则直接保留t的设置是为了保证距离有区分度，即距离最近的描述子比距离第二近的描述子小(1-t)x100％。

计算参考描述子与目标描述子之间的余弦相似度时，将两个特征描述子的128维向量计算内积，如果特征向量已经做过归一化，则内积结果就是余弦相似度，过程见公式(3)、公式(4)。保留余弦相似度最大的描述子作为最终匹配点。

将所有参考描述子遍历一遍之后，可以得到符合条件的候选匹配对。然后使用ransac算法进行异常点剔除。这是比较常见的算法，这里不再赘述，大概流程是随机抽样四组匹配对，计算单应性矩阵，并将每个匹配对都做投影，保留投影距离之和最小的组合，保留该组计算的单应性矩阵，并设定重新投影，计算投影距离，并设定阈值进行异常点剔除。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。