一种改进的高精度视频帧间匹配算法

文章摘要：实验表明，利用欧式距离进行关键点匹配的匹配精度基本取决于比例阈值r 的大小，r 取值过大会出现大量错匹配点，而r取值过小可能得到的匹配点数目过少。然而存在这样的情况，即如果两帧图像上的某两个不同的特征点的特征向量的欧式距离值非常小，则阈值r 需要取足够小的值才有可能去掉这一对错误的匹配点，这样一来匹配点总数目就太少甚至为零，甚至无法进行后面的参数计算。故单纯靠调节欧式距离匹配中的比例阈值r无法解决上述误配点问题，难以达到高精度、数目适中的特征点匹配结果。3、匹配准则的改进RANSAC法和传统的方法的区别在于传统的方法先把全部的数据点作为内点而计算出初始参数值，然后重新计算并统计内点和外点；而R

一种改进的高精度视频帧间匹配算法,标签：电子小制作,http://www.88dzw.com

　　实验表明，利用欧式距离进行关键点匹配的匹配精度基本取决于比例阈值r 的大小，r 取值过大会出现大量错匹配点，而r取值过小可能得到的匹配点数目过少。然而存在这样的情况，即如果两帧图像上的某两个不同的特征点的特征向量的欧式距离值非常小，则阈值r 需要取足够小的值才有可能去掉这一对错误的匹配点，这样一来匹配点总数目就太少甚至为零，甚至无法进行后面的参数计算。故单纯靠调节欧式距离匹配中的比例阈值r无法解决上述误配点问题，难以达到高精度、数目适中的特征点匹配结果。

3、匹配准则的改进

　　RANSAC法和传统的方法的区别在于传统的方法先把全部的数据点作为内点而计算出初始参数值，然后重新计算并统计内点和外点；而RANSAC法最开始是利用一部分数据作为内点得到初始值，然后寻找数据集中所有别的内点。即应用RANSAC法对欧式距离法粗匹配的特征点进行准确度检验，可以最大限度地减少噪声及外点的影响。所以，本文首先采用关键点特征向量的欧式距离判定视频中某两帧图像的特征点相似性，进行粗略匹配，然后利用RANSAC法对粗略匹配结果进行迭代演算[7,8]，通过二次精确匹配来剔除粗匹配中的误配点，得到精确的匹配点，从而得到精确的图像匹配结果。

3.1 欧式距离判别法的一次粗匹配

　　当两帧图像的SIFT特征向量生成后，首先采用关键点特征向量的欧式距离作为两帧图像中关键点的相似性判定度量。欧氏距离（Euclidean distance）是一个通常采用的距离定义，它是在n维空间中两个点之间的真实距离。

　　计算两帧图像中特征点的欧式距离的公式是：

                                       （1）
 
　　Xi1表示第一帧图像上某一点的第i 维坐标，Xi2表示第二帧图像上某一点的第i 维坐标。
 
　　判断准则：取图像1中的某个关键点，计算出图像2中与其欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离d1除以次近的距离d2少于某个比例阈值r ，则接受这一对匹配点，否则抛弃。

www.88dzw.com

3.2 RANSAC法的二次精确匹配

　　RANSAC(Random Sampling Consensus) 法[6]的基本思想是在进行参数估计时，不是不加区分地对待所有可用的输入数据，而是首先针对具体问题设计出一个目标函数，然后迭代地估计该函数的参数值，利用这些初始参数值把所有的数据分为所谓的“内点”（Inliers, 即满足估计参数的点）和“外点”（Outliers，即不满足估计参数的点），最后反过来用所有的“内点” 重新计算和估计函数的参数。

　　本文中的全局运动包括尺度变换、旋转变换和平移变换。如果用X 和Y 表示一帧图像中任意一个特征点的位置坐标，x 和y 表示另一帧图像中任意一个特征点的位置坐标，L 表示这两帧图像之间的尺度变换，θ表示旋转变换， a 和b 表示平移变换。那么，计算全局运动参数可以用相似变换表示如下： （2）

　　在两帧图像的粗匹配点中选出8 对，利用它们的坐标信息，组成一个方程组，计算出运动参数

上一页  [1] [2] [3] [4]  下一页