全向图像的尺度不变特征匹配.docx

基于全向图像的尺度不变特征匹配摘　要对于普通透视摄像机拍摄的照片的匹配，人们已经提出了很多种基于尺度空间分析理论的尺度不变匹配算法，其中尺度空间被定义为高斯函数的卷积。本文的工作在于提供一种适用于广角图像的匹配方法。给定一个输入图像，我们将该图像映射到球面上，通过与球面散射方程进行卷积得到其尺度空间表示。使用这种方法，空间中的一个点的尺度空间反映就能够不会因为摄像机角度的旋转而改变。之后尺度不变特性就能够在尺度空间的极小范围内产生。给定了这一系列的尺度不变特征后，我们通过计算一个圆形的支持点（它的尺度与特征尺度相关）来得到该点的特征描述。我们将这种方法和原始的针对透视图像的SIFT算法比较发现，我们得出的结果显示了更好的匹配效果。第一章 简　介广角摄像机是一种几乎能够得到半球面的视角的图像的成像设备。例如，由一个摄像头和一个反射镜组成的折反射摄像机，和鱼眼镜头。和小视角透视摄像机相比，这些摄像机在很多机器人程序例如视觉定位方面具有明显优势。其中一个主要优势是它们在微小的旋转和翻转变化时具有更高的准度，尤其是当景象中存在轻微的不连续的情况下。另外，这些广角摄像机在有关轨迹预测和基于视觉的导航等应用上存在明显优势，因为在广角的情况下比较大的成像范围更能将物体的运动包含在内。本文的目的是提出一种能够适用于广角摄像机的图像特征匹配方法。这种方法已经成功应用于视觉测距 和景象重现。该方法也可用于基于视觉的同步定位与寻址。虽然在这方面之前已经有很多有效的匹配技术，但这些技术仅限于透视摄像机。Ａ　相关工作尽管现在有大量关于广角摄像机的资料，但大部分仅限于介绍这种摄像机的几何原理或者成像过程，或者是专门针对情绪检测给出一系列的对应特征[7][8]。尽管这些是适用广角摄像机的关键问题，但是研究对应于这些摄像机的匹配技术的论文较少。对于很多应用例如点特征匹配，寻找特征点和产生特征算子的算法往往是被机械地执行，此时全景图像被当成透视图像并选用固定大小的算子，例如高斯算子，应用于整个图像。这种方法可能在适用于小的基本运动，即在相邻的两幅图像之间的特征点位置仅存在微小的变化，但这种方法并不适用于大范围的基本运动。因此我们必须考虑设计一种算法能够适用于全景图像。现在人们已经提出了大量的广角特征匹配技术。其中一部分利用尺度空间分析，既将一副图像通过连续的高斯卷积得到尺度递增的多个图像。得到了这样一系列的尺度空间图像后，通过在尺度空间内基于某些显著性矩阵寻找局部极值点来得到尺度不变特征点的位置。例如，SIFT算法和Harris-Laplace算法就是检测尺度不变特征点的。参考文献[11]里也提到了一种尺度不变特征区域检测算法。这些运用尺度空间进行分析的算法也被扩展运用到寻找尺度和仿射变换都不变的特征点。除了尺度空间分析以外，人们也研究了其它一些方法。参考文献[14]中提到了一种新的方法，即尺度不变特征是通过特征点周围一定半径内的灰度强度值的熵矩阵来确定的。参考文献[15]当中提到了一种组合方法，第一种基于图像中区域的几何特征，第二种基于局部的强度剖面。文献[16]中提到了另一种基于强度的方法，其中最稳定极值区域在多个灰度阈值水平的图像的连接处得到。本文中我们研究了一种基于SIFT的方法。现在，我们将此方法限制于非仿射变换的尺度不变特征检测，在这种情况下SIFT算法已经证明能够提供较好的结果[17]。像之前探讨的一样，SIFT需要输入图像I（x，y）的多个尺度空间表示。对于透视图像而言，图像L（x，y，t）在尺度t下的尺度空间表示是通过原图像与高斯函数的卷积得到，其公式为： (1)尺度空间分析的一个重要条件是图像中的某一点在尺度空间中的映射应该是空间不变的[18]。在图像处理中，这就意味着当摄像机旋转时，原图像中的任意一点在尺度空间中的映射应当与它的位置无关。然而，对于广角图像，一个点周围的局部区域可能会由于图像的扭曲变形，在发生旋转时产生变形。因此，单纯地对广角图像使用高斯卷积来进行尺度空间分析的结果并不理想。因此我们设想通过将原图像与球面散射方程卷积得到其尺度空间图像，其中球面散射方程可以看作是定义在球面上的高斯方程，详见文献[19]。尽管在关于折反射摄像机的光流估计中已经使用过了球面投影，并且在广角图像的尺度空间分析中也讨论了这一点，我们仍考虑在广角图像特征匹配算法中运用这一想法。本文中，我们提出了一种解决广角图像特征匹配的新方法，即使用原图像与球面投影方程进行卷积得到尺度空间图像，其中我们在频域中用球面进行补偿。之后，就能在尺度空间的极值处得到尺度不变特征点。给定了一系列由位置和尺度限定的尺度不变特征点后，进而得到特征点的描述符，其中特征点的支持区域是球面内的圆而不是原图像水平面内的圆。通过与原始的SIFT算法进行比较，我们发现这种方法在图像匹配方面效