空间一致性约束与全局运动建模的特征匹配方法研究

In the complex and changeable scenario of computer vision, how to build a unified spatial motion model and search an optimized solution in a high-dimensional matching space is the key problem of feature matching. To solve this problem, we plan to study the global motion modeling, spatial coherent constraint and mismatches removal under the specific application demand, and we aim to propose an efficient, robust and unified feature matching method. Specifically, we plan to 1) analyze the global motion and the local neighborhood structure preserving of features, and present a manifold assumption and graph analysis-based spatial coherent constraint to recover the feature correspondences correctly; 2) study the optimization problem in the high-dimensional matching space, and design a progressive sparse-to-dense searching scheme to ensure the convergence of the matching model; 3) analyze the maximum likelihood mixture model of mismatches removal, and design a learning mechanism of coherent vector fields under spatial constraint to improve the robustness for solving nonparametric motion models. The proposed framework combines the robustness of sparse features and the adaptability of dense features, which provide an accurate and feasible solution for feature matching in complex scenarios. The research results will promote the development of intelligent city construction, virtual reality technology, medical diagnosis and other related fields. Therefore, this project is of great significant.

在复杂多变的计算机视觉场景中，如何构造统一的空间运动模型并在高维匹配空间中快速寻优是特征匹配亟待解决的问题。针对该问题，本项目结合具体的应用需求，对全局运动建模、空间一致性约束、以及误匹配剔除方法开展研究，旨在提出一种高效、鲁棒、统一的特征匹配方法。具体地，通过分析特征的全局运动与局部邻域结构保持，提出基于流形假设与图分析技术的空间一致性约束，以实现特征点对应的精确恢复；研究在高维匹配空间的算法寻优问题，提出稀疏特征稠密化的累进式搜索方案，为模型的快速收敛提供保障；分析误匹配剔除的最大似然混合模型，提出空间约束下的一致性向量场学习机制，以提高算法对非参数运动模型的鲁棒性。本项目提出的理论框架结合了稀疏特征的鲁棒性与稠密特征的适应性，为复杂场景下的特征匹配提供了准确可行的关键技术支持。研究成果将促进智慧城市建设、虚拟现实技术、医疗诊断等领域的发展。因此，本项目具有十分重要的研究意义。

图像特征匹配是计算机视觉与模式识别中的基本问题之一。由于特征匹配的场景复杂多变，且空间变换模型包括参数模型和非参数模型，彼此间不同的求解方法和场景适应性增加了模型选择的难度。传统的方法在变形、噪声、遮挡、旋转、多视点和离群点等退化情况的干扰下的稳健性欠佳，且常造成特征匹配的失效。本课题主要针对核心目标展开了四方面的相关研究：1）在特征匹配理论框架方面，我们构建图像特征匹配中的空间一致性约束方法，解决了在复杂场景下退化情况下的算法鲁棒性；2）在复杂场景下抑制误匹配干扰方面，我们建立了特征匹配中的误匹配检测模型，提高了在稀疏点集和稠密点云上的匹配精度和鲁棒性；3）在特征匹配初始化方面，我们提出了空间一致性对应估计的建立及引导方法，提高了匹配模型在复杂场景下的自适应性；4）在空间一致性约束特征匹配模型的实用性方面，我们通过应用研究，研发出可应用于多模态眼底视网膜图像配准及分割的特征匹配方法。在本项目支持下，共发表论文7篇，包括2篇国际会议，5篇SCI期刊论文，参加国内外学术交流10人次，培养硕士研究生18名。相关研究成果得到了国内外同行的关注。