(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111660379.5 (22)申请日 2021.12.31 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 陈俊　郑美艳　葛小青　李宇　 刘巍　夏炜　段建波　 (74)专利代理 机构 北京理工大 学专利中心 11120 专利代理师 温子云　仇蕾安 (51)Int.Cl. G06T 7/33(2017.01) G06V 10/75(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于邻接关系一致的图像特征点误匹 配剔除方法 (57)摘要 本发明属于图像处理方法， 具体涉及一种基 于邻接关系一致的图像特征点误匹配剔除方法。 它包括下述步骤， 步骤1： 提取特征点； 提取特征 点， 构建描 述向量； 步骤2： 特征点匹配； 步骤3： 得 到内点集； 步骤4： 构建邻域关系； 步骤5： 计算； 步 骤6： 计算恢复的内点集； 步骤7： 得到完整的内点 集。 本发明的显著效果是： (1)基于Delau nay剖分 算法构建稳定的局部邻接关系。 (2)基于 Delaunay三角网的几何性， 为邻接关系一致模型 增强了几何约束和稳定性。 (3)增加了一项决策， 进行了外点预过滤。 提高了算法在非刚性形变、 异常高外点率(高于90％)数据下的鲁棒性。 (4) 提出了一种基于三角形相似度的全局描述方法， 提高了算法的召回率。 权利要求书3页 说明书7页 附图1页 CN 114494370 A 2022.05.13 CN 114494370 A 1.一种图像特 征点误匹配剔除方法， 其特 征在于： 包括下述 步骤， 步骤1： 提取 特征点； 提取特征点， 构建描述向量； 步骤2： 特 征点匹配； 步骤3： 得到内点 集； 步骤4： 构建邻域关系； 步骤5： 计算初始内点 集； 步骤6： 计算恢复的内点 集； 步骤7： 得到 完整的内点 集。 2.如权利要求1所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤1包 括 采用Harris角点算法分别提取目标图像Is和匹配图像It中的特征点， 采用SIFT算法对 特征点构建描述向量； 然后进入步骤2。 3.如权利要求2所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤2包 括 采用NNDR(Ne arest Neighbor  Distance  Ratio)算法将目标图像中各特征点分别与匹 配图像中的各特征点进行匹配， 得到N对初始匹配结果 其中xi， yi是表示特 征点位置的二维列向量； 然后进入步骤3 。 4.如权利要求3所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤3包 括 使用Delaunay三角剖分算法对初始匹配点分别进行局部连接， 构建三角网， 得到点集 x， y的邻域内点 集ks、 kt； 然后进入步骤4。 5.如权利要求4所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤4包 括 将三角网中某一节点的直接连接节点设为直接邻 接节点， 将通过直接邻 接节点与 该节 点相通的节点设为次级邻接节点， 构建邻域关系， 然后进入步骤5 。 6.如权利要求5所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤5包 括 步骤5.1： 计算基于直接邻接节点构建邻 接关系的损失函数， 基于非刚性形变的图像在 局部区域内特征点间的局部邻接关系保持不变的假设， 当两个待匹配点集中无外点时， 匹 配点集中所有的邻接关系将保持一致， 因此， 我们利用邻域内保持匹配关系的数量占邻域 点集总数量的百分比作为判断匹配点对是否为内点的度量指标， 邻域内保持匹配关系的数 量占邻域点集总数量的百分比越大， 证明该邻域的中心点对是正确匹配的可能性越大， 将 损失函数写为邻域内不能保持邻接关系的百分比与外点数量的和的形式： 其中， 为以xi和yi为中心的两个邻域内具有 匹配关系的点集， 匹配关系集由步权　利　要　求　书 1/3 页 2 CN 114494370 A 2骤2得到， 分别为以xi和yi为中心的邻域内的特征点集， 该特征点集由步骤3得到， I1是内点集， 在损失函数C1最小时该集合取得最优解； | ·|为集合的基数， 等式右边的第 一 项为针对匹配点的邻域中不能保持匹配关系一致的点对的惩罚项， 第二项是通过λ控制强 度使内点数量最大化， pi是一个二值函数， 以邻域内保持匹配关系的点对数目是否大于等 于2来判断该邻域的中心特征点是否可信任， 剔除掉不被信任的连接关系， pi的表达式如 下： 根据(1)式计算基于直接邻接节点构建邻接关系的损失函数C1， 然后进入步骤5.2； (1) 式中的λ是输入参数， 作为判断内点的阈值， λ取值范围为[0， 1]， (1)式中的N是初始匹配后 的点对数量， i是第i个匹配的索引， 如果第i个匹配的C1值小于λ， 则表示该匹配是一个内 点， 参数 λ和N的数值由外 部直接设定 。 步骤5.2： 计算基于直接邻接节点和次级邻接节点构建邻接关系的损失函数， 计算公式 如下所示： 其中， 分别为以xi为中心的邻域内具有匹配关系的直接邻接节点集和次级邻 接节点集， 分别为以yi为中心的邻域内具有匹配关系的直接邻接节点集和次级邻 接节点集， 分别为以xi为中心的邻域内的直接邻接节点集和次级邻接节点集， 分别为以yi为中心的邻域 内的直接邻接节点集和次级邻接节点集， I2是内点集， 根 据(3)式计算基于直接邻接节点构建邻接关系的损失函数C2， 然后进入步骤5.3， 步骤5.3： 根据(4)式计算 最终的损失函数C， 然后进入步骤5.4； C＝0.5*C1+0.5*C2         (4) 步骤5.4： 根据(5)式得到初始内点 集I0， 然后进入步骤5.5； I0＝{i|Ci≤ λ， i＝1，…， N}         (5) λ是输入参数， 作为判断内点的阈值， λ取值范围为[0， 1]； N是初始匹配后的点对数量， 其中， i是第i个匹配的索引， 第i个匹配满足c即成本小于 λ 的， 该匹配就是一个内点， 步骤5.5： 得到初始正确匹配点集S1和初始错误匹配点集S2， S1＝{xi， yi|i＝I0}， S2为初 始误匹配点 集， 是S与S1的差集。 7.如权利要求6所述的一种图像特征点误匹配剔除方法， 其特征在于： 所述的步骤6包 括 步骤6.1： 根据(6)式计算两个三角形的相似度， 其中A1， A2为集合S2中的一对匹配点， B1， B2， 和C1， C2， 为集合S1中的两对匹配点对， 然后进入步骤6.2； 权　利　要　求　书 2/3 页 3 CN 114494370 A 3