针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Tw...针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Two-stage策略的改进LoFTR的图像特征匹配方法D2S-LoFTR。首先将原始图像1/8维度的特征匹配作为初始匹配结果,使用基于空间密度的DBSCAN算法对其特征进行聚类,提取最优匹配对的同时滤除由外点造成的误匹配。接着裁剪出由聚类得到的两幅原始图像中的共视区域,使用卷积层注意力模块(Convolutional Block Attention Module,CBAM)对其特征重构后进行二次匹配,将匹配结果与初始匹配进行融合以增强匹配的准确性。在室外数据集Megadepth上的实验结果表明,D2S-LoFTR的平均特征匹配率达到93.47%,与LoFTR相比提升1.91%,在旋转误差阈值为5°,10°,20°情况下的相对位姿估计累计曲线下面积(Area Under the cumulative Curve,AUC)分别为55.12%、71.03%、82.02%,分别提升2.32%,1.84%,0.84%,证实所提方法能够更好地适应杂乱室外场景下的图像特征匹配任务。展开更多
文摘针对图像特征匹配过程中由于杂乱的室外场景或待匹配目标被物体遮挡而产生的外点导致匹配精度低及鲁棒性差等问题,提出了一种融合基于密度的带噪空间聚类算法(Density Based Spatial Clustering of Applications with Noise,DBSCAN)与Two-stage策略的改进LoFTR的图像特征匹配方法D2S-LoFTR。首先将原始图像1/8维度的特征匹配作为初始匹配结果,使用基于空间密度的DBSCAN算法对其特征进行聚类,提取最优匹配对的同时滤除由外点造成的误匹配。接着裁剪出由聚类得到的两幅原始图像中的共视区域,使用卷积层注意力模块(Convolutional Block Attention Module,CBAM)对其特征重构后进行二次匹配,将匹配结果与初始匹配进行融合以增强匹配的准确性。在室外数据集Megadepth上的实验结果表明,D2S-LoFTR的平均特征匹配率达到93.47%,与LoFTR相比提升1.91%,在旋转误差阈值为5°,10°,20°情况下的相对位姿估计累计曲线下面积(Area Under the cumulative Curve,AUC)分别为55.12%、71.03%、82.02%,分别提升2.32%,1.84%,0.84%,证实所提方法能够更好地适应杂乱室外场景下的图像特征匹配任务。
