[论文笔记|特征点]GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence

摘要

提出了一种基于网格的运动统计方法(GMS)以剔除特征误匹配，该方法将平滑性约束融入到分离的统计框架中，并使用网格进行快速计算。GMS对于各种具有挑战性的图像变化是鲁棒的，包括视点、比例和旋转。它的速度也很快，例如，处理了50K个匹配使用一个CPU线程只需要1或2毫秒。这对实时应用有重要的意义。使用c++和OpenCV库(Bradski 2000)来实现算法。代码已经集成到OpenCV库中。

图1 GMS匹配。尽管比率检验(RT)可以消除ORB产生的许多错误匹配，但在应用中，其结果仍然有噪声(a)。为了解决这个问题，提出了GMS，该GMS进一步消除了运动不一致的对应，从而实现了高精度匹配(b)

GMS在单个CPU线程中的运行时间。GMS- S和GMS- R表示使用不同的设置分别重复基本GMS 5次和8次，运行时间线性增加。图中没有显示的GMS- SR比基本的GMS消耗了40倍的计算成本。注意，多尺度和多旋转的解决方案可以通过使用多阈值编程来加速，因为在不同的重复中不存在数据依赖性

相关工作

1. 运动统计

图2.运动统计。真匹配通常比误匹配有更多的相似邻，所以我们计算相似邻的数量来识别更好的匹配。相似邻指的是两幅图像中与参考匹配接近的匹配。

设C为图像$I_1$和$I_2$之间的所有匹配，$c_i$为连接两个图像间的点$p_i$和$q_i$之间的匹配。将$c_i$的邻居定义为：

近似邻定义为：

其中$d()$为两点的欧氏距离，$r_1,r_2$为阈值。根据SiS_iS