1

在匹配 SIFT 特征点时，会出现很多不匹配的情况。RANSAC算法可以通过寻找这些特征点的变换矩阵来去除不匹配。但是当数据空间包含很多不匹配时，找到正确的变换矩阵将非常困难。更重要的是，找到错误模型的概率非常大。为了解决这个问题，我想使用改进的 RANSAC 算法。在使用 RANSAC 算法之前，我想通过消除不属于目标区域的特征来去除部分错误特征点。为此，我想计算包含特征点的区域周围每个点的数量。当数量小于我们设置的阈值时，我们认为该点不属于目标区域并将其移除。

I = single(rgb2gray(imread('sift_basic_1.jpg'))) ;

[f,d] = vl_sift(I);

I2 = single(rgb2gray(imread('sift_basic_2.jpg'))) ;
[f2,d2] = vl_sift(I2 );
%% SIFT matches
d = im2single(d);
d2 = im2single(d2);
kdtree = vl_kdtreebuild(d ) ;
[index, distance] = vl_kdtreequery(kdtree, d, d2) ;
numMatches = size(index,2)  ;
X1 = f(1:2,index) ; X1(3,:) = 1 ;
X2 =  f2(1:2,:); X2(3,:) = 1 ;
clear H score ok ;
for t = 1:5000
    % estimate homograpyh
    subset = vl_colsubset(1:numMatches, 4) ;
    A = [] ;
    for i = subset
        A = cat(1, A, kron(X1(:,i)', vl_hat(X2(:,i)))) ;

    end
    [U,S,V] = svd(A) ;
    H{t} = reshape(V(:,9),3,3) ;

    % score homography
    X2_ = H{t} * X1 ;
    du = X2_(1,:)./X2_(3,:) - X2(1,:)./X2(3,:) ;
    dv = X2_(2,:)./X2_(3,:) - X2(2,:)./X2(3,:) ;
    ok{t} = (du.*du + dv.*dv) < 6*6 ;
    score(t) = sum(ok{t}) ;
    end
[score, best] = max(score) ;
H = H{best} ;
ok = ok{best} ;
4

0 回答 0