本發(fā)明涉及一種提高匹配精度方法，特別是一種利用RANSAC（RandomSamplingConsensus）消除Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法，從而提高匹配精度的方法，主要用于圖像處理、計(jì)算機(jī)視覺(jué)、目標(biāo)識(shí)別和匹配、3D場(chǎng)景重建和目標(biāo)跟蹤。

背景技術(shù)：
將圖像分解為局部感興趣區(qū)域或‘特征’是計(jì)算機(jī)視覺(jué)中廣泛應(yīng)用的技術(shù)。圖像表達(dá)、目標(biāo)識(shí)別和匹配、3D場(chǎng)景重建和運(yùn)動(dòng)跟蹤都依賴于圖像中穩(wěn)定、表達(dá)性強(qiáng)的特征，這些都導(dǎo)致了越來(lái)越多對(duì)特征提取方法的研究。理想的關(guān)鍵點(diǎn)檢測(cè)子發(fā)現(xiàn)圖像顯著性區(qū)域，以便發(fā)生視角變化時(shí)仍然能夠重復(fù)檢測(cè)；更一般的是對(duì)所有的圖像變換都比較魯棒。類似的，理想的關(guān)鍵點(diǎn)描述子捕捉被檢測(cè)的圖像區(qū)域最重要和最具區(qū)分性的信息，以便遇到同樣地結(jié)構(gòu)時(shí)仍然能夠被識(shí)別。此外，在獲得了這些需要的性能之后，檢測(cè)和描述的速度也需要優(yōu)化，以滿足實(shí)時(shí)性需求。目前，SIFT作為一種高性能方法而被廣泛接受，獨(dú)特性強(qiáng)、對(duì)許多圖像變換具有不變性——然而以計(jì)算復(fù)雜度作為代價(jià)。將FAST檢測(cè)子和BRIEF描述方法結(jié)合起來(lái)提供一個(gè)更合適的實(shí)時(shí)應(yīng)用方法。然而，盡管在速度上面的優(yōu)勢(shì)，但它的可靠性和穩(wěn)健性對(duì)圖像的變形和變換具有較小的容忍性，尤其是平面旋轉(zhuǎn)和尺度變化。從圖像中抽取合適的特征的內(nèi)在困難在于平衡兩個(gè)矛盾的目標(biāo)：高質(zhì)量描述和低計(jì)算量。對(duì)高質(zhì)量、高速度的特征日益增長(zhǎng)的需求導(dǎo)致了更多的學(xué)者研究以更高的速率處理更豐富的數(shù)據(jù)的方法。為此，Stefanetal在2011年提出一種高質(zhì)量、快速的關(guān)鍵點(diǎn)檢測(cè)、描述和匹配的方法——Brisk(BinaryRobustInvariantScaleKeypoint)。然而，由于環(huán)境因素等影響，會(huì)出現(xiàn)多個(gè)點(diǎn)對(duì)應(yīng)到一個(gè)點(diǎn)的錯(cuò)誤匹配情況，從而降低了關(guān)鍵點(diǎn)的重復(fù)性。因此，如何在保持關(guān)鍵點(diǎn)快速的檢測(cè)、描述和匹配的基礎(chǔ)上，進(jìn)一步提高匹配精度是目前需要解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明技術(shù)解決問(wèn)題：針對(duì)現(xiàn)有技術(shù)的不足，提供一種利用RANSAC（RandomSamplingConsensus）消除Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法，在保持關(guān)鍵點(diǎn)快速的檢測(cè)、描述和匹配的基礎(chǔ)上，進(jìn)一步提高匹配精度。為實(shí)現(xiàn)這樣的目的，本發(fā)明的技術(shù)方案：一種利用RANSAC消除Brisk關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法，包括如下步驟：步驟一、圖像預(yù)處理：采用高斯平滑濾波對(duì)待處理的兩幅圖像分別進(jìn)行處理，去除噪聲的影響，得到濾波后的平滑圖像；步驟二、對(duì)步驟一中得到的兩幅平滑圖像分別進(jìn)行Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)檢測(cè)、描述和匹配，得到兩幅圖像的對(duì)應(yīng)匹配點(diǎn)對(duì)；步驟三、利用RANSAC（RandomSamplingConsensus）對(duì)步驟二得到的對(duì)應(yīng)匹配點(diǎn)對(duì)進(jìn)行處理，消除錯(cuò)誤匹配點(diǎn)對(duì)，最終獲得正確的匹配點(diǎn)對(duì)。其中，所述步驟二中，對(duì)得到的兩幅平滑圖像分別進(jìn)行Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)檢測(cè)、描述和匹配的方法為：步驟（21）、尺度空間特征點(diǎn)檢測(cè)：使用AGAST（AdaptiveandGenericAcceleratedSegmentTest）進(jìn)行特征提取，尺度不變性是獲得高質(zhì)量特征點(diǎn)的前提，因此，不只在圖像平面搜索最大值，同時(shí)在尺度空間內(nèi)用FAST（FeaturesfromAcceleratedSegmentTest）分?jǐn)?shù)s作為顯著性測(cè)量值，尺度空間金字塔包括n個(gè)octaves，第i個(gè)octave用ci表示，每個(gè)octave包含n個(gè)intra-octavesdi，i＝{0,1,2,...,n-1},一般n＝4，Octave是原始圖像漸進(jìn)半采樣形成，di存在于ci與ci+1之間，第一個(gè)intra-octave由原始圖像以1.5的采樣因子降采樣得到，其余的di由連續(xù)半采樣得來(lái)，如果t表示尺度，那么t(ci)＝2i，t(di)＝2i．1.5，Brisk算法采用FAST9-16（FeaturesfromAcceleratedSegmentTest，需要在16個(gè)像素的圓上至少有連續(xù)9個(gè)像素的灰度值比中心像素灰度值更大或更?。┨崛√卣鼽c(diǎn)的方法如下：步驟（211）、對(duì)每一個(gè)octave和每一層intra-octave應(yīng)用FAST9-16，取相同的閾值T來(lái)分辨潛在的感興趣區(qū)域；步驟（212）、對(duì)步驟（211）得到的潛在感興趣區(qū)域的點(diǎn)進(jìn)行非極大值抑制：首先，問(wèn)題點(diǎn)需要滿足極大值條件，即在同層中八鄰域的FASTscores最大，s定義為極大值是考慮到此點(diǎn)是圖像角點(diǎn)；其次，同層和上下層的scores都應(yīng)比此點(diǎn)的scores小,由此得到滿足極大值條件的感興趣點(diǎn)和所在層的尺度；步驟（213）、檢查步驟（212）得到的感興趣點(diǎn)所在層上的patch，由于相鄰層離散程度不同，需要在patch邊緣進(jìn)行插值，至此得到一系列具有亞像素精度和浮點(diǎn)尺度的關(guān)鍵點(diǎn)集；步驟（22）、關(guān)鍵點(diǎn)描述：對(duì)于由步驟（21）得到的一系列關(guān)鍵點(diǎn)集，該關(guān)鍵點(diǎn)集由亞像素精確定位和相關(guān)浮點(diǎn)尺度組成，Brisk描述子由通過(guò)連接簡(jiǎn)單的灰度比較結(jié)果形成的二值串組成，在Brisk中，確定每個(gè)關(guān)鍵點(diǎn)的特征方向來(lái)獲得方位歸一化描述子，因此贏得旋轉(zhuǎn)不變性；步驟（23）、描述子匹配：匹配兩個(gè)Brisk描述子是一個(gè)簡(jiǎn)單的漢明距離的計(jì)算，兩個(gè)描述子中不同的比特位的數(shù)量為不相似度的度量。其中，所述步驟三中，利用RANSAC算法對(duì)步驟二得到的匹配點(diǎn)對(duì)進(jìn)行處理，消除錯(cuò)誤匹配點(diǎn)對(duì)的方法為：步驟（31）、隨機(jī)在步驟二得到的候選匹配點(diǎn)集中選出三對(duì)不共線的匹配點(diǎn)對(duì)，根據(jù)選取出的匹配點(diǎn)對(duì)計(jì)算仿射變換矩陣M；步驟（32）、針對(duì)匹配圖像中的所有特征點(diǎn)X，計(jì)算仿射變換M·X，選出滿足|MX-X'|＜ε的點(diǎn)對(duì)構(gòu)成內(nèi)點(diǎn)，其中X'為對(duì)應(yīng)X的匹配點(diǎn)對(duì)，ε為選定的閾值，如果內(nèi)點(diǎn)數(shù)大于預(yù)設(shè)的閾值t，使用這些內(nèi)點(diǎn)在最小二乘意義下重新計(jì)算變換矩陣M，再次更新內(nèi)點(diǎn)數(shù)目，若內(nèi)點(diǎn)數(shù)目小于t，返回步驟（31）；步驟（33）、經(jīng)過(guò)N次迭代后，如果最大內(nèi)點(diǎn)集合內(nèi)包含的點(diǎn)的個(gè)數(shù)趨于穩(wěn)定收斂且大于t，則可根據(jù)內(nèi)點(diǎn)集合計(jì)算變換矩陣M，算法結(jié)束；否則，若最大內(nèi)點(diǎn)集合內(nèi)包含的點(diǎn)的個(gè)數(shù)不再改變且小于閾值t，則算法失敗。其中，所述步驟（22）中，對(duì)于由步驟（21）得到的一系列關(guān)鍵點(diǎn)集，該關(guān)鍵點(diǎn)集由亞像素精確定位和相關(guān)浮點(diǎn)尺度組成，Brisk描述子生成方法為：步驟（41）、在每個(gè)關(guān)鍵點(diǎn)鄰域內(nèi)使用確定的采樣模式，定義N個(gè)位置均勻分布在以關(guān)鍵點(diǎn)為圓心的同心圓上，其中小的黑色實(shí)心圓表示采樣位置；大的虛線圓半徑對(duì)應(yīng)于平滑該采樣點(diǎn)的灰度值所用的高斯核的標(biāo)準(zhǔn)差，模式尺度為1，對(duì)于圖像中一個(gè)特定的關(guān)鍵點(diǎn)，考慮所有采樣點(diǎn)對(duì)集，定義短距離點(diǎn)對(duì)和長(zhǎng)距離點(diǎn)對(duì)；步驟（42）、建立描述子：為了獲得旋轉(zhuǎn)和尺度歸一化描述子，在關(guān)鍵點(diǎn)周圍采用旋轉(zhuǎn)采樣模式，通過(guò)執(zhí)行所有短距離點(diǎn)對(duì)的灰度比較獲得二值比特矢量描述子。本發(fā)明與現(xiàn)有技術(shù)相比的有益效果在于：（1）本發(fā)明采用基于Brisk（BinaryRobustInvariantScaleKeypoint）的特征點(diǎn)檢測(cè)、描述和匹配方法，與傳統(tǒng)基于sift、surf相比在保持較高質(zhì)量的同時(shí)具有更高的匹配速度；（2）本發(fā)明在基于Brisk（BinaryRobustInvariantScaleKeypoint）的特征點(diǎn)檢測(cè)、描述和匹配的基礎(chǔ)上，利用RANSAC（RandomSamplingConsensus）消除關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)，在保持原有方法高質(zhì)量和快速的同時(shí)，進(jìn)一步提高了匹配精度。（3）本發(fā)明采用基于Brisk（BinaryRobustInvariantScaleKeypoint）的特征點(diǎn)檢測(cè)、描述和匹配方法，在此基礎(chǔ)上利用RANSAC（RandomSamplingConsensus）消除關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)，對(duì)視角變化、尺度、旋轉(zhuǎn)和模糊情況均能適應(yīng)。附圖說(shuō)明圖1為本發(fā)明方法實(shí)現(xiàn)流程圖；圖2為本發(fā)明采用Brisk關(guān)鍵點(diǎn)描述時(shí)使用的采樣模式；圖3為本發(fā)明采用Brisk方法對(duì)兩幅待匹配圖像進(jìn)行關(guān)鍵點(diǎn)檢測(cè)、描述和匹配后的結(jié)果；圖4為本發(fā)明采用RANSAC方法消除錯(cuò)誤匹配點(diǎn)對(duì)后得到的匹配結(jié)果；圖5為本發(fā)明對(duì)發(fā)生視角變化情況下的圖像進(jìn)行匹配后的結(jié)果；圖6為本發(fā)明對(duì)發(fā)生旋轉(zhuǎn)和尺度變化情況下的圖像進(jìn)行匹配后的結(jié)果；圖7為本發(fā)明對(duì)發(fā)生模糊情況下的圖像進(jìn)行匹配后的結(jié)果。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說(shuō)明。本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于以下的實(shí)施例。本發(fā)明基于Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)檢測(cè)、描述和匹配，輸入圖像為網(wǎng)上公開(kāi)的數(shù)據(jù)集。如圖1所示，本發(fā)明提供了一種利用RANSAC（RandomSamplingConsensus）消除Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法，包含以下步驟：步驟一、圖像預(yù)處理。由于光照或成像系統(tǒng)的缺陷，獲取的待處理圖像會(huì)受到噪聲的影響，從而影響后續(xù)的處理。因此，在執(zhí)行后續(xù)的處理算法之前，對(duì)待處理圖像進(jìn)行預(yù)處理。本方法采用高斯平滑濾波來(lái)去除噪聲的影響，得到濾波后的平滑圖像。步驟二、對(duì)步驟一中得到的兩幅平滑圖像分別進(jìn)行Brisk（BinaryRobustInvariantScaleKeypoint）關(guān)鍵點(diǎn)檢測(cè)、描述和匹配，得到兩幅圖像的對(duì)應(yīng)匹配點(diǎn)對(duì)，具體方法如下：（2.1）尺度空間特征點(diǎn)檢測(cè)：由于焦點(diǎn)聚集在計(jì)算有效性上，使用Mairetal提出的AGAST（AdaptiveandGenericAcceleratedSegmentTest）方法進(jìn)行特征提取。AGAST（AdaptiveandGenericAcceleratedSegmentTest）是目前流行的FAST的加速性能的一種擴(kuò)展。尺度不變性是獲得高質(zhì)量特征點(diǎn)的前提，因此，為了獲得尺度不變性，不只在圖像平面搜索最大值，同時(shí)在尺度空間內(nèi)用FAST分?jǐn)?shù)s作為顯著性測(cè)量值。盡管離散化的尺度軸比可選高性能的檢測(cè)子得間隔粗糙，但是Brisk檢測(cè)子是在連續(xù)尺度空間估計(jì)每個(gè)特征點(diǎn)的真實(shí)尺度。尺度空間金字塔包括n個(gè)octaves，第i個(gè)octave用ci表示，每個(gè)octave包含n個(gè)intra-octavesdi,i＝{0,1,2,...,n-1},一般n＝4，Octave是原始圖像漸進(jìn)半采樣形成。di存在于ci與ci+1之間。第一個(gè)intra-octave由原始圖像以1.5的采樣因子降采樣得到。其余的di由連續(xù)半采樣得來(lái)。如果t表示尺度，那么t(ci)＝2i，t(di)＝2i·1.5。AGAST在特征點(diǎn)檢測(cè)中提供多種不同模式的采樣模板，Brisk算法大部分采用其中的FAST9-16提取特征點(diǎn)，其需要在16個(gè)像素的圓上至少有連續(xù)9個(gè)像素的灰度值比中心像素灰度值更大或更小，具體方法如下：（2.1.1）對(duì)每一個(gè)octave和每一層intra-octave應(yīng)用FAST9-16，取相同的閾值T來(lái)分辨潛在的感興趣區(qū)域；（2.1.2）對(duì)上述（211）得到的潛在感興趣區(qū)域的點(diǎn)進(jìn)行非極大值抑制：首先，問(wèn)題點(diǎn)需要滿足極大值條件，即在同層中八鄰域的FASTscores最大。s定義為極大值是考慮到此點(diǎn)是圖像角點(diǎn)。其次，同層和上下層的scores都應(yīng)比此點(diǎn)的scores小，由此得到滿足極大值條件的感興趣點(diǎn)和所在層的尺度。檢測(cè)等大小的方形patch內(nèi)部：邊長(zhǎng)選擇兩個(gè)像素。既然相鄰層是不同離散化的，就需要在patch邊緣進(jìn)行插值。由于在半采樣和降采樣時(shí)可能濾掉了潛在的最大值，因此需要進(jìn)行插值，通過(guò)曲線擬合把最大值定位出來(lái)。由于確定一個(gè)特征點(diǎn)需要除本層以外的上下兩層，但c0層是最底層，因此需要虛擬一個(gè)d-1層，但這層不使用FAST9-16，而使用FAST5-8，即在8個(gè)像素的圓上至少有連續(xù)5個(gè)像素的灰度值比中心像素灰度值更大或更小。在這種情況下，不要求d-1層的patch分?jǐn)?shù)比c0層上檢測(cè)的點(diǎn)的分?jǐn)?shù)低?？紤]到圖像顯著性不僅在圖像上同時(shí)沿著尺度維作為一個(gè)連續(xù)的數(shù)量，對(duì)于每個(gè)檢測(cè)到的極大值執(zhí)行亞像素和連續(xù)尺度精確提取。為了約束提煉過(guò)程的復(fù)雜度，首先對(duì)每個(gè)三分?jǐn)?shù)塊（關(guān)鍵點(diǎn)所在層、上下層）在最小均方意義上擬合一個(gè)2D二次函數(shù)，生成三個(gè)亞像素顯著性最大值。為了避免重采樣，在每一層考慮一個(gè)3*3的分?jǐn)?shù)塊。其次，這些精細(xì)分?jǐn)?shù)用來(lái)擬合沿著尺度軸的1D拋物線，生成最終的最大值上的分?jǐn)?shù)估計(jì)和尺度估計(jì)。作為最后一步，在確定的尺度周圍的層中塊之間的圖像坐標(biāo)上進(jìn)行重新差值，至此得到一系列具有亞像素精度和浮點(diǎn)尺度的關(guān)鍵點(diǎn)集。（2.2）關(guān)鍵點(diǎn)描述：對(duì)于由步驟（2.1）得到的一系列關(guān)鍵點(diǎn)集（由亞像素精確定位和相關(guān)浮點(diǎn)尺度組成），Brisk描述子由通過(guò)連接簡(jiǎn)單的灰度比較結(jié)果形成的二值串組成。在Brisk中，確定每個(gè)關(guān)鍵點(diǎn)的特征方向來(lái)獲得方位歸一化描述子，因此贏得旋轉(zhuǎn)不變性。此外，為了最大化描述性能，仔細(xì)選擇亮度比較。（2.2.1）采樣模式和旋轉(zhuǎn)估計(jì)。在關(guān)鍵點(diǎn)鄰域內(nèi)使用一種確定的采樣模式。如圖2所示，定義N個(gè)位置均勻分布在以關(guān)鍵點(diǎn)為圓心的同心圓上。其中小的黑色實(shí)心圓表示采樣位置；大的虛線圓半徑對(duì)應(yīng)于平滑該采樣點(diǎn)的灰度值所用的高斯核的標(biāo)準(zhǔn)差。圖中所示的模式尺度為1。為了避免混疊效應(yīng)，在模式中采樣點(diǎn)pi的圖像灰度時(shí)，應(yīng)用高斯平滑，其標(biāo)準(zhǔn)差σi與獨(dú)立圓中點(diǎn)之間的距離成正比。對(duì)于圖像中一個(gè)特定的關(guān)鍵點(diǎn)k，考慮N·(N-1)/2個(gè)采樣點(diǎn)對(duì)(pi,pj)中的一個(gè)，其中N為關(guān)鍵點(diǎn)k周圍同心圓上的采樣點(diǎn)數(shù)。這些點(diǎn)上的平滑灰度值分別為I(pi,σi)和I(pj,σj)，通過(guò)式（2-1）估計(jì)局部梯度g(pi,pj)其中pi，pj分別為第i和第j個(gè)采樣點(diǎn)的位置矢量，I(pi,σi)和I(pj,σj)分別為第i和第j個(gè)采樣點(diǎn)上高斯平滑核標(biāo)準(zhǔn)差分別為σi和σj的平滑灰度值，g(pi,pj)為點(diǎn)對(duì)(pi,pj)上的局部梯度?？紤]所有采樣點(diǎn)對(duì)集?。浩渲蠳為關(guān)鍵點(diǎn)k周圍同心圓上的采樣點(diǎn)數(shù)。定義短距離點(diǎn)對(duì)子集S和長(zhǎng)距離點(diǎn)對(duì)子集L：δmax}⊆A]]>其中閾值距離設(shè)置為δmax＝9.75t和δmin＝13.67t(t為關(guān)鍵點(diǎn)k的尺度)，A為所有采樣點(diǎn)對(duì)集。迭代長(zhǎng)距離點(diǎn)對(duì)子集L中的點(diǎn)對(duì)，根據(jù)式（2-4）估計(jì)關(guān)鍵點(diǎn)k的特征模式方位其中g(shù)(pi,pj)表示點(diǎn)對(duì)(pi,pj)上的局部梯度，L為長(zhǎng)距離點(diǎn)對(duì)子集的長(zhǎng)度，gx和gy分別為點(diǎn)對(duì)(pi,pj)上沿X和Y方向的梯度值，g為關(guān)鍵點(diǎn)k上的梯度矢量。采用長(zhǎng)距離點(diǎn)對(duì)計(jì)算局部梯度是基于這樣一個(gè)假設(shè)：局部梯度互相抵消，因此對(duì)全局梯度的確定沒(méi)有影響。（2.2.2）建立描述子。為了形成旋轉(zhuǎn)和尺度歸一化描述子，Brisk應(yīng)用在關(guān)鍵點(diǎn)周圍旋轉(zhuǎn)α＝arctan2(gy,gx)的采樣模式。通過(guò)執(zhí)行所有短距離點(diǎn)對(duì)（即旋轉(zhuǎn)模式）的灰度比較形成比特矢量描述子dk，每個(gè)比特對(duì)應(yīng)于：I(Piα,σi)0,otherwise---(2-5)]]>其中表示第i個(gè)采樣點(diǎn)處平滑灰度值的高斯核標(biāo)準(zhǔn)差為σi、旋轉(zhuǎn)角度為α的旋轉(zhuǎn)模式下的灰度值，表示第j個(gè)采樣點(diǎn)處平滑灰度值的高斯核標(biāo)準(zhǔn)差為σj、旋轉(zhuǎn)角度為α的旋轉(zhuǎn)模式下的灰度值，b為描述子矢量中的比特位。BRIEF（BinaryRobustIndependentElementaryFeatures）描述子也可以通過(guò)亮度比較獲得，除了預(yù)先的尺度化和旋轉(zhuǎn)Brisk有一些基本的不同。首先，Brisk使用確定性的采樣模式在關(guān)鍵點(diǎn)周圍給定的半徑內(nèi)形成一個(gè)均勻的采樣點(diǎn)密度。接下來(lái)，定制的高斯平滑不會(huì)扭曲亮度比較的信息內(nèi)容，通過(guò)模糊兩個(gè)作比較的采樣點(diǎn)對(duì)。此外，Brisk使用更少的采樣點(diǎn)，限制了查找灰度值的復(fù)雜度。最后，從空間上限制比較以便于亮度變化僅限于局部連續(xù)。有采樣模式和距離閾值，獲得512長(zhǎng)度的比特串。（2.3）描述子匹配：匹配兩個(gè)Brisk描述子是一個(gè)簡(jiǎn)單的漢明距離的計(jì)算。兩個(gè)描述子中不同的比特位的數(shù)量為不相似度的度量。對(duì)castle.jpg與castle_1.jpg進(jìn)行測(cè)試，其發(fā)生了視角和尺度變化，閾值為70，利用Brisk方法進(jìn)行關(guān)鍵點(diǎn)檢測(cè)、描述和匹配后得到的匹配結(jié)果如圖3所示。其中黑色圓心表示檢測(cè)到的對(duì)應(yīng)匹配點(diǎn)所在位置，半徑大小代表了該點(diǎn)所在的尺度大小，從圓心到圓上的黑色半徑表示該點(diǎn)的方位，兩幅圖像中的灰色線段表示對(duì)應(yīng)匹配點(diǎn)對(duì)。實(shí)驗(yàn)發(fā)現(xiàn)，左邊檢測(cè)到285個(gè)關(guān)鍵點(diǎn)，右邊檢測(cè)到299個(gè)關(guān)鍵點(diǎn)，匹配對(duì)數(shù)有16對(duì)。從圖中可看到，結(jié)果會(huì)出現(xiàn)多個(gè)點(diǎn)匹配到一個(gè)點(diǎn)的情況，因此有錯(cuò)誤匹配。步驟三、利用RANSAC（RandomSamplingConsensus）對(duì)步驟二得到的對(duì)應(yīng)匹配點(diǎn)對(duì)進(jìn)行處理，消除錯(cuò)誤匹配點(diǎn)對(duì)，最終獲得正確的匹配點(diǎn)對(duì)，具體步驟如下：（3.1）隨機(jī)在步驟二得到的候選匹配點(diǎn)集中選出三對(duì)不共線的匹配點(diǎn)對(duì)，根據(jù)選取出的匹配點(diǎn)對(duì)計(jì)算仿射變換矩陣M；（3.2）針對(duì)匹配圖像中的所有特征點(diǎn)X，計(jì)算仿射變換M·X，選出滿足|MX-X'|＜ε的點(diǎn)對(duì)構(gòu)成內(nèi)點(diǎn)。其中X'為對(duì)應(yīng)X的匹配點(diǎn)對(duì)，ε為選定的閾值。如果內(nèi)點(diǎn)數(shù)大于預(yù)設(shè)的閾值t，使用這些內(nèi)點(diǎn)在最小二乘意義下重新計(jì)算變換矩陣M，再次更新內(nèi)點(diǎn)數(shù)目。若內(nèi)點(diǎn)數(shù)目小于t，返回步驟（31）；（3.3）經(jīng)過(guò)N次迭代后，如果最大內(nèi)點(diǎn)集合內(nèi)包含的點(diǎn)的個(gè)數(shù)趨于穩(wěn)定收斂且大于t，則可根據(jù)內(nèi)點(diǎn)集合計(jì)算變換矩陣M，算法結(jié)束；否則，若最大內(nèi)點(diǎn)集合內(nèi)包含的點(diǎn)的個(gè)數(shù)不再改變且小于閾值t，則算法失敗。利用步驟三所述方法對(duì)上述步驟二得到的匹配結(jié)果進(jìn)行錯(cuò)誤匹配消除后得到的匹配結(jié)果如圖4所示。實(shí)驗(yàn)發(fā)現(xiàn)，經(jīng)過(guò)錯(cuò)誤匹配消除后得到的正確匹配點(diǎn)數(shù)為9對(duì)。從圖中可以看出，得到的對(duì)應(yīng)匹配點(diǎn)對(duì)均為正確匹配點(diǎn)，從而進(jìn)一步提高了匹配精度。為了說(shuō)明采用Brisk方法對(duì)視角變化、尺度、旋轉(zhuǎn)和模糊情況下的不變性，用從網(wǎng)上下載的數(shù)據(jù)集進(jìn)行測(cè)試，使用本發(fā)明進(jìn)行錯(cuò)誤匹配點(diǎn)對(duì)消除后得到的匹配結(jié)果分別如圖5、6、7所示，其中兩幅圖像間的灰色線段表示對(duì)應(yīng)的匹配點(diǎn)對(duì)，線段的兩個(gè)端點(diǎn)分別表示兩幅圖像中找到的對(duì)應(yīng)匹配點(diǎn),以端點(diǎn)為圓心的黑色圓半徑大小表示該點(diǎn)的尺度大小，半徑取向表示該點(diǎn)的方位。圖5發(fā)生了視角變化，圖6發(fā)生了旋轉(zhuǎn)和尺度變化，圖7發(fā)生了模糊。從圖中可以看出，當(dāng)圖像發(fā)生視角、旋轉(zhuǎn)、尺度、模糊等變化時(shí)，綜合利用Brisk以及RANSAC后得到的匹配結(jié)果比單一使用Brisk方法更精確，匹配精度更高。為了定量評(píng)估匹配算法的性能，對(duì)以上圖像進(jìn)行測(cè)試，計(jì)算匹配的特征比(匹配點(diǎn)對(duì)與兩幅匹配圖中檢測(cè)到的特征點(diǎn)中最小個(gè)數(shù)之比，RatioofMatchingFeatureswithAllFeatures,RMFAF)、正確匹配的特征百分比(正確匹配點(diǎn)對(duì)與兩幅匹配圖中檢測(cè)到的特征點(diǎn)中最小個(gè)數(shù)之比，RatioofCorrectMatchingFeatureswithAllFeatures,RCMFAF)以及正確匹配的特征點(diǎn)對(duì)與所有匹配的特征點(diǎn)對(duì)的百分比(RatioofCorrectMatchingFeatureswithMatchingFeatures,RCMFMF)，如表一所示。從表中可以看出，不管圖像出現(xiàn)何種變化，均會(huì)出現(xiàn)錯(cuò)誤匹配點(diǎn)對(duì)，經(jīng)過(guò)RANSAC消除錯(cuò)誤匹配點(diǎn)對(duì)后，進(jìn)一步提高了匹配精度，為后續(xù)用于跟蹤應(yīng)用場(chǎng)景提供了基礎(chǔ)。表一不同圖像測(cè)試性能比較ImagesetRMFAFRCMFAFRCMFMFFigure45.6%3.15%56.25%Figure539.4%38.2%96.9%Figure641.75%41.47%99.35%Figure769.4%61.1%88%本發(fā)明未詳細(xì)闡述部分屬于本領(lǐng)域技術(shù)人員的公知技術(shù)。本技術(shù)領(lǐng)域中的普通技術(shù)人員應(yīng)當(dāng)認(rèn)識(shí)到，以上的實(shí)施例僅是用來(lái)說(shuō)明本發(fā)明，而并非用作為對(duì)本發(fā)明的限定，只要在本發(fā)明的實(shí)質(zhì)精神范圍內(nèi)，對(duì)以上所述實(shí)施例變化，變型都將落在本發(fā)明權(quán)利要求書(shū)的范圍內(nèi)。