GMS: Grid-based Motion Statistics forFast, Ultra-robust Feature Correspondence
GMS: Grid-based Motion Statistics forFast, Ultra-robust Feature Correspondence
Abstract
文中提出一种新型的特征点匹配的方案,GMS,通过考虑运动的平滑性来提升特征信息的匹配质量,通过将匹配数量转换为匹配质量。
Introduction
文中主要解决的问题是针对特征点的局部区域像素信息存在相似的运行状态,于是通过在待匹配的特征点附近通过检测是否存在匹配簇来判断该特征点的匹配质量是否足够的好。一系列的研究表示非匹配情况下生成足够的相关运动簇概率是很低的,因此通过特征点信息附近的像素判断是否有运动簇是对于区分是否是匹配的一种有效的办法。以往的方案都是通过针对单个特征点信息的提升来提升特征信息匹配的成功率,然而本文通过大量的辅助匹配信息来构建运动簇来获得正确的匹配。
本文主要的贡献有:
- 一种结合运动平滑性的特征信息的匹配算法;
- 一种网格算法使得算法能够满足实时性;
- 相比已有的几种比较典型的算法,文中提出的方案效果更好。
Related Works
以往大部分经典的算法是通过提升单个特征信息的描述信息来实现精准的特征信息的匹配,之后通过RANSAC等算法对不合理的匹配进行踢除。于是另一种相对更加有效的方式是通过结合特征信息的分布信息来辅助匹配,提升系统特征信息的匹配精度和鲁棒性。
Our approach
文中描述了对于匹配关系之间对应的辅助像素信息,只有在正确的匹配特征点附近才会存在大量的辅助匹配信息,当匹配错误时不会存在足够数量的辅助匹配信息。文中提出一种假设为:
Notation
这一部分主要描述了文中所使用的各种符号信息,包括对应的图像信息以及其中的特征信息表示方法。
Basic statistical constraints上述表格是整个文中所用的变量,有公式
p
(
f
a
b
∣
f
a
f
)
=
β
m
/
M
p(f_a^b|f_a^f)=\beta m/M
p(fab∣faf)=βm/M运算获取特种征信息匹配的正确与否
p
t
=
t
+
(
1
−
t
)
β
m
/
M
p
f
=
β
(
1
−
t
)
(
m
/
M
)
p_t=t+(1-t)\beta m/M\\p_f=\beta(1-t)(m/M)
pt=t+(1−t)βm/Mpf=β(1−t)(m/M)通过对每个特征信息周围的辅助匹配信息进行判别进行积分设置来判断一个特征信息匹配是否正确。类似描述信息,构建二项树信息来进行阈值判别。对应特征点附近的辅助匹配描述信息的表示如下所示:
S
i
∽
{
B
(
n
,
p
t
)
,
if
x
i
i
s
T
r
u
e
B
(
n
,
p
f
)
,
if
x
i
i
s
F
a
l
s
e
S_i\backsim\begin{cases} B(n,p_t), &\text{if } x_i &is &True \\ B(n,p_f), &\text{if } x_i &is &False \end{cases}
Si∽{B(n,pt),B(n,pf),if xiif xiisisTrueFalse通过对每个特征点附近的辅助匹配信息来判断一个特征信息的匹配是否正确。
Multi-neighborhood generalization
文中提出假设3:如果局部小范围的辅助匹配满足条件,那对于大面积的匹配也符合对应的变换条件。于是对于单个的特征点小范围获得的评分鲁棒性不够,通过多个特征点信息周围的匹配提高配置的鲁棒性,想对应的评分机制是
S
i
=
∑
k
=
1
K
∣
χ
a
k
b
k
∣
−
1
S
i
∽
{
B
(
K
n
,
p
t
)
,
if
x
i
i
s
T
r
u
e
B
(
K
n
,
p
f
)
,
if
x
i
i
s
F
a
l
s
e
S_i=\sum^K_{k=1}|\chi_{a^kb^k}|-1\\S_i\backsim\begin{cases} B(Kn,p_t), &\text{if } x_i &is &True \\ B(Kn,p_f), &\text{if } x_i &is &False \end{cases}
Si=k=1∑K∣χakbk∣−1Si∽{B(Kn,pt),B(Kn,pf),if xiif xiisisTrueFalse
对应的均值和标准差为
{
m
t
=
K
n
p
t
,
s
t
=
K
n
p
t
(
1
−
p
t
)
}
T
r
u
e
{
m
f
=
K
n
p
f
,
s
f
=
K
n
p
f
(
1
−
p
f
)
}
F
a
l
s
e
\{m_t=Knp_t,s_t=\sqrt{Knp_t(1-p_t)}\}True\\\{m_f=Knp_f,s_f=\sqrt{Knp_f(1-p_f)}\}False
{mt=Knpt,st=Knpt(1−pt)
}True{mf=Knpf,sf=Knpf(1−pf)
}False于是创建评分机制
P
=
m
t
−
m
f
s
t
+
s
f
P=\frac{m_t-m_f}{s_t+s_f}
P=st+sfmt−mf其中该值越大表示可靠性越高。
Analysic
- 增加匹配数量可以提升匹配质量;
- 通过对运动预测提升匹配信息的鲁棒性;
- 通过在实际情况下对个别参数的调试配置提升系统的鲁棒性;
- 通过对一些参数设置预设值来提升系统的效果。
Grid framework for fast scoring
为了能够使得信息匹配实时性更好,引入网格化的方法。
Griding the problem
- 将整个图像分为20*20 像素网格的小cell,u对网格中的分数进行计算求解获得对应的分数。
- 为了提升系统的鲁棒性,将作用网格周围的网格也参与运算,提升系统的鲁棒性;
- 对于将图像信息分为多少网格问题,文中通过20*20的网格将10000个特征点分配,保证每个网格中有25个特征点;
- 设置阈值,判断网格内的匹配是否正确。
Implementation details
对整个系统的运行流程进行简要说明。
Experiments
Datasets
Results
Conclusion
文中提出一种通过结合周边辅助匹配提升特征信息匹配精度的方案,通过表明,通过增加匹配数量可以来提升匹配质量。