技術(shù)特征：
1.一種利用RANSAC消除Brisk關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法，其特征包括如下步驟：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)；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分?jǐn)?shù)s作為顯著性測(cè)量值，所述FAST是FeaturesfromAcceleratedSegmentTest，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},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提取特征點(diǎn)的方法如下，所述FAST9-16是指在需要在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：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；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a，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a，則算法失??；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)于平滑該采樣位置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；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；當(dāng)圖像發(fā)生視角、旋轉(zhuǎn)、尺度、模糊變化時(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)圖像進(jìn)行測(cè)試，計(jì)算匹配的特征比、正確匹配的特征百分比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，所述匹配的特征比為匹配點(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，所述正確匹配的特征百分比為正確匹配點(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，可以得出不管圖像出現(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)；該利用RANSAC消除Brisk關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法采用基于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；該利用RANSAC消除Brisk關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法在基于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；該利用RANSAC消除Brisk關(guān)鍵點(diǎn)錯(cuò)誤匹配點(diǎn)對(duì)的方法采用基于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)。