基于RANSAC算法的立体视觉图像匹配方法 (2009年)

针对大尺寸立体视觉测量中存在较大视差和透镜畸变等因素导致极线约束匹配率低的问题，提出了将图像校正与随机采样算法相结合的立体视觉图像匹配方法。对立体图像对进行线性校正，建立初始匹配点集；采用随机采样算法估计图像对之间的基本矩阵，恢复原始图像对之间的对极几何约束关系，剔除初始匹配点集中未匹配和误匹配的特征点，从而获得精确的匹配点集。该方法已应用于合成孔径雷达（sAR）大型可展开微波天线网面的实际测量，匹配率高于96%。 立体视觉图像匹配是一种重要的计算机视觉技术，用于确定同一场景在两个不同视角的图像中的对应关系。在大尺寸的立体视觉测量中，由于大视差和透镜畸变的影响，传统的极线约束匹配方法的匹配效率较低。针对这一问题，本文提出了一种结合图像校正与RANSAC（Random Sample Consensus）算法的立体视觉图像匹配方法。 对立体图像对进行线性校正，以减少透镜畸变的影响。线性校正通过对图像进行几何变换，使得图像的失真得到有效校正，提高了匹配点的准确性。校正过程通常涉及到对图像的透视变换，通过调整像素坐标，使得图像的几何特性更加接近理想状态。 然后，利用RANSAC算法来估计图像对之间的基本矩阵。基本矩阵是描述两幅图像之间对应点间几何关系的一个关键参数，它可以由图像对的匹配点对推算得出。RANSAC算法通过随机采样并剔除异常值，能够在噪声数据中找到一致的几何模式，从而提高匹配点的精度和稳定性。在RANSAC过程中，选取最小样本集，根据这些样本计算出一个初步的基本矩阵，再以此为基础判断其他匹配点是否符合对极几何约束，从而去除误匹配点，确保最终匹配点集的可靠性。 通过恢复图像对之间的对极几何约束关系，确定精确的匹配点集。对极几何是立体视觉的核心理论，它描述了从一个图像到另一个图像的对应点之间的几何关系，即极线约束。每一对匹配的特征点在两个图像上必须位于相同的极线上，这一约束可以用来验证和优化匹配结果。 这种方法已经在合成孔径雷达（SAR）大型可展开微波天线网面的实际测量中得到了应用，匹配率超过96%，表明其在处理大视差和大畸变场景时的有效性。相比于传统方法，该方法提高了匹配效率，降低了错误匹配的可能性，尤其适用于复杂环境下的立体视觉测量任务。 本文提出的基于RANSAC算法的立体视觉图像匹配方法，通过图像预处理和优化的匹配策略，提高了匹配的准确性和鲁棒性，对于大尺寸物体的测量提供了更可靠的技术支持。这种方法不仅融合了图像校正技术，还利用了RANSAC算法的强大去噪能力，为立体视觉领域的研究和应用开辟了新的方向。