首页 理论教育基于NNDR的匹配策略的介绍

基于NNDR的匹配策略的介绍

【摘要】:对SIFT特征的研究[146]表明,可以通过比较最近邻特征和次近邻特征的距离可以有效地甄别局部特征是否正确匹配。这就是最邻近距离比值法,其表述如下,如果待匹配特征为DA,其最邻近特征为DB,次邻近特征为DC,那么判断该特征匹配的条件为:该方法理论来源是,如果一个特征在一幅图像中与两个特征的距离都很相近,那么该特征的区分度较低,也违背了Marr提出的“匹配应该满足唯一性”的原则,会对图像相似度的判断产生干扰。

目前常用的目标匹配策略有两种:一种是距离阈值法(Threshold-based Matching),即待匹配目标与模型之间的距离小于某个阈值,则认为匹配上了,该方法非常简单,但是阈值的确定非常困难,而且目标很容易匹配上多个模型,从而产生大量的误匹配;另一种是最小距离法(Minimum Distance),即目标只匹配与其距离最近的模型,实际应用中一般还需要满足距离小于某个阈值的条件,该方法只有一个最佳的匹配结果,相对于距离阈值法来说,正确率要高。

由于图像的内容千差万别,加上场景中的运动物体、不重叠内容以及图像质量等因素的存在,一幅图像中的局部特征并不一定能够在另一幅图像中找到相似的特征,这就需要采取措施剔除那些产生干扰的噪声点,通常把这样的点称为“外点”。许多图像的背景比较相似并不具有区分性,如天空、旷野之类,它们的局部特征之间的距离要小于有用的特征之间的距离,但是它们并不能描述图像的主要内容,所以设置一个全局性的距离阈值来决定局部特征匹配与否显然是不合适的。

对SIFT特征的研究[146]表明,可以通过比较最近邻(First Nearest Neighbor)特征和次近邻(Second Nearest Neighbor)特征的距离可以有效地甄别局部特征是否正确匹配。这就是最邻近距离比值法(Nearest Neighbor Distance Ratio,NNDR),其表述如下,如果待匹配特征为DA,其最邻近特征为DB,次邻近特征为DC,那么判断该特征匹配的条件为:

978-7-111-38182-2-Chapter05-1.jpg

该方法理论来源是,如果一个特征在一幅图像中与两个特征的距离都很相近,那么该特征的区分度较低,也违背了Marr提出的“匹配应该满足唯一性”的原则,会对图像相似度的判断产生干扰。如图5-1所示,进行SIFT特征匹配的实验结果也证实了这一点,当剔除与最近邻点和次近邻点距离比值大于0.8的特征对时,排除了90%的干扰而仅仅误删了5%的正确特征对。

978-7-111-38182-2-Chapter05-2.jpg

图5-1 特征点匹配的概率分布

该实验从图像数据库中选取的待匹配图像,共提取了40000个SIFT特征,对这些待匹配的图像进行了随机数值的尺度变化和平面旋转,并进行了深度小于30°的视角变化处理,同时也加入2%的高斯噪声。