一種視覺導航中的特征提取與匹配方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種視覺導航中的特征提取與匹配方法，采用二維最大熵閾值分割法提取出特征區(qū)域；將特征區(qū)域的外接方形區(qū)域進行圖像歸一化處理；將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。該方案中通過特征點的匹配來獲取匹配點的數(shù)量，以該數(shù)量作為篩選條件，獲得匹配點最多的特征區(qū)域完成了特征區(qū)域的匹配，更進一步得到實際匹配對，增加了紋理細密且單一的導航圖像在發(fā)生切變等仿射變換條件下的匹配點。
【專利說明】一種視覺導航中的特征提取與匹配方法及系統(tǒng)

【技術領域】
[0001]本發(fā)明涉及一種圖像分析及處理方法，具體地說是一種視覺導航中的特征提取與匹配方法。

【背景技術】
[0002]導航是指運動體按照預先給定的任務命令，根據(jù)已知的地圖信息做出全局路徑規(guī)劃，并在行進過程中，不斷感知周圍的局部環(huán)境信息，做出各種決策，隨時調(diào)整自身的姿態(tài)與位置，引導自身安全行駛，直至目標位置。慣性導航方式是最常見的導航方式，但是由于本身器件固有精度限制及外界環(huán)境影響會有一定誤差存在，并會在導航過程中累加并影響最終結(jié)果，尤其對于內(nèi)部濕滑或含有物料的管道，極易因為打滑而導致位置估計錯誤，從而無法正確定位事故點。而對于無人機及小行星探測器，外界環(huán)境對慣性導航的干擾也是一項不可忽略的問題。
[0003]視覺導航具有功耗小、信息量大的特點，可以避免慣性導航自身及外在影響所導致的誤差。視覺導航是采用CCD攝像頭拍攝路面圖像，運用機器視覺等相關技術識別路徑，實現(xiàn)自動導航的一種新興導航方法。視覺導航依據(jù)視覺圖像，利用圖像處理、計算機視覺、模型識別等相關技術獲取運動體的運動信息和空間位置信息。由于視覺導航通常采用被動工作方式，設備簡單、成本低、經(jīng)濟性好、應用范圍較廣，在理論上具有最佳引導柔性，因此近年來發(fā)展非常迅速實現(xiàn)導航。
[0004]視覺導航既適用于室內(nèi)環(huán)境，也適用于室外環(huán)境，兩者都必須區(qū)分探測目標與背景。為了將障礙與背景分開，所需的圖像計算量很大，導致系統(tǒng)的實時性較差。可采用一些圖像處理方法，其中包括:使用Hough變換從圖像中提取直線形式的道路邊界，并通過對比探測到的道路信息與機器人內(nèi)部存儲的地圖，修正偏差，實現(xiàn)導航，這種方法可以提高導航的魯棒性。也可以把圖像分解成為目標、背景、平地、不平地四類，并根據(jù)分解后的結(jié)果，將環(huán)境信息歸類于平原模式和目標模式，然后針對不同的模式采用不同的環(huán)境表示方法和導航方式。
[0005]現(xiàn)有視覺導航主要分為兩種方法:一種是利用人工設置的路標，如車輛自動駕駛、機器人自主尋徑等，這種方法需要視覺環(huán)境中存在人為設置的路標，而對于經(jīng)常磨損的管道、無人進入的戈壁和外太空來說，人為設置路標不能實現(xiàn)。另一種是直接對視覺圖像進行分析，提取自然場景特征并進行匹配。這種方法對所拍攝圖像內(nèi)容沒有嚴格路標要求，但希望其能對圖像間的分辨率差異、仿射變換、亮度變化有一定的不變性。
[0006]當前的視覺導航中的特征提取與匹配方法主要分為兩種:一種是對特征區(qū)域進行匹配，一種是對特征點進行匹配。特征區(qū)域匹配方法即從圖像中提取有特點的區(qū)域進行匹配:使用閾值分割、迭代法、熵方法等方法將特征區(qū)域提取出來，使用相關匹配等方法對特征區(qū)域進行匹配。對于特征區(qū)域來說，所占像素越多，形狀越豐富，匹配效果越好，但是在固定大小的圖像中這樣的特征區(qū)域數(shù)量有限，出現(xiàn)匹配錯誤所帶來的誤差不可忽略。同時切變等仿射變換將會改變特征區(qū)域形狀，將會出現(xiàn)大量匹配錯誤。特征點匹配方法即使用角點匹配方法提取出圖像中的顏色突變點并匹配，或使用SURF、SIFT等方法，提取出圖像中函數(shù)最小值的像素點并進行匹配。這些方法得到大量的匹配點，但當遇到仿射變換尤其是切變等仿射變換會使匹配點大量減少，相對于特征區(qū)域匹配的優(yōu)勢無法明顯體現(xiàn)出來。
[0007]中國專利文獻CN103226820A中公開了一種改進的二維最大熵分割夜視圖像融合目標檢測算法，首先通過對二維直方圖的改進，選取權值利用該直方圖計算最大熵和對紅外和微光圖像分割，但是二維最大熵閾值分割法適用于目標占整體圖像像素較多并且目標與背景有較大差異的圖像，對于管道內(nèi)部、戈壁、小行星表面的圖像，目標較小，紋理與背景相似，分割后的結(jié)構(gòu)噪聲較大，導致匹配錯誤率較高。
[0008]在中國專利文獻CN102722731A中公開了一種基于改進SIFT算法的高效圖像匹配方法，利用SIFT算子對輸入的參考圖像和待匹配圖像進行特征點提取，結(jié)合Harris算子對SIFT提取的特征點進行優(yōu)化以篩選具有代表性的角點作為最終的特征點，對SIFT特征描述符進行降維處理，獲取參考圖像和待匹配圖像的64維特征向量描述符，利用最近鄰/次緊鄰算法對參考圖像和待匹配圖像進行初始匹配，并采用隨機采樣一致性算法剔除其中的錯誤匹配，從而實現(xiàn)圖像的精匹配。但是對于紋理細密且單一的導航圖像會發(fā)生切變等仿射變換，降低了匹配精度。


【發(fā)明內(nèi)容】

[0009]為此，本發(fā)明所要解決的技術問題在于現(xiàn)有的特征提取即匹配方法對于紋理與背景相似的圖像分割后噪聲大、匹配精度低的技術問題，從而提出一種適用于紋理與背景相似的圖像的特征提取與匹配方法。
[0010]為解決上述技術問題，本發(fā)明的提供一種視覺導航中的特征提取與匹配方法，包括如下步驟:
[0011]采用二維最大熵閾值分割法提取出特征區(qū)域；
[0012]將提取后的特征區(qū)域的外接方形區(qū)域進行圖像歸一化處理；
[0013]將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
[0014]優(yōu)選地，所述采用二維最大熵閾值分割法提取出特征區(qū)域后，還包括:過濾掉包含的像素點小于預設閾值的特征區(qū)域。
[0015]優(yōu)選地，采用二維最大熵閾值分割法提取出特征區(qū)域的過程中，包括:
[0016]將每個像素點和其相鄰像素點作為一個鄰域；
[0017]計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)；
[0018]根據(jù)二維函數(shù)點的位置進行噪聲去除；
[0019]計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
[0020]優(yōu)選地，根據(jù)二維函數(shù)點的位置進行噪聲去除的過程包括:
[0021]對于遠離對角線的二維函數(shù)點，像素點和鄰域均值差值較大，該像素點相對于周圍鄰域像素點來說為突變像素點，將其忽略。
[0022]優(yōu)選地，將提取后的特征區(qū)域進行圖像歸一化處理的過程為將分割后的特征區(qū)域的外接方形使用歸一化方法進行歸一化處理，包括:
[0023]計算方形的重心，移動重心，消除位移所帶來的影響；
[0024]將圖像沿X方向進行切變，消除X方向的切變影響；
[0025]將圖像沿y方向進行切變，消除y方向的切變影響；
[0026]將圖像沿xy方向進行切變，消除縮放帶來的影響。
[0027]優(yōu)選地，采用SIFT算法得到特征點的特征向量的過程，包括
[0028]獲取特征點，然后對所述特征點進行篩選，得到有效特征點；
[0029]統(tǒng)計該特征點周圍圖像的梯度，形成梯度方向直方圖；
[0030]生成特征向量。
[0031]優(yōu)選地，進行匹配時以各特征向量的歐式距離來作為相似性的判定度量。
[0032]另外，一種視覺導航中的特征提取與匹配系統(tǒng)，包括:
[0033]特征區(qū)域提取單元:采用二維最大熵閾值分割法提取出特征區(qū)域；
[0034]歸一化處理單元:將提取后的特征區(qū)域外接方形進行圖像歸一化處理；
[0035]匹配單元:將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
[0036]優(yōu)選地，所述特征區(qū)域提取單元，還包括過濾子單元，過濾掉包含的像素點小于預設閾值的特征區(qū)域。
[0037]優(yōu)選地，所述特征區(qū)域提取單元，包括:
[0038]鄰域建立子單元:將每個像素點和其相鄰像素點作為一個鄰域；
[0039]函數(shù)建立子單元:計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)；
[0040]去噪子單元:根據(jù)二維函數(shù)點的位置進行噪聲去除；
[0041]分割子單元:計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
[0042]本發(fā)明的上述技術方案相比現(xiàn)有技術具有以下優(yōu)點，
[0043](I)本發(fā)明提供一種視覺導航中的特征提取與匹配方法，包括采用二維最大熵閾值分割法提取出特征區(qū)域；將提取后的特征區(qū)域的外接方形進行圖像歸一化處理；將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。該方案中，在進行特征匹配時，將特征點匹配和特征區(qū)域匹配相結(jié)合，對SIFT算法進行了改進，由于SIFT算法是針對特征點進行匹配，本方案中通過特征點的匹配來獲取匹配點的數(shù)量，以該數(shù)量作為篩選條件，獲得匹配點最多的特征區(qū)域完成了特征區(qū)域的匹配，將特征點匹配和特征區(qū)域匹配有效的結(jié)合在一起，增加了紋理細密且單一的導航圖像在發(fā)生切變等仿射變換條件下的匹配點，大量的匹配對可以進一步進行篩選，對于精確導航有很大意義。
[0044](2)本發(fā)明所述的特征提取與匹配方法，將提取后的特征區(qū)域外接方形進行圖像歸一化處理，由于SIFT算法對切變等仿射變換敏感，因此可以使用圖像歸一化消除仿射變換。圖像歸一化是往往用于單個主體的圖像，而紋理細密的圖像主體不突出，無法直接使用圖像歸一化，因此先使用二維最大熵閾值分割法提取出主體突出的小特征區(qū)域。通過先使用二維最大熵閾值分割法提取特征區(qū)域，再采用歸一化處理的方式，不僅避免了二維最大熵閾值分割法僅適用于目標占整體圖像像素較多并且目標與背景有較大差異的圖像的問題，也克服了紋理細密的圖像主體不突出，無法直接使用圖像歸一化的問題，消除了仿射變換。
[0045](3)本發(fā)明所述的特征提取與匹配方法，所述采用二維最大熵閾值分割法提取出特征區(qū)域后，還包括過濾掉包含的像素點小于預設閾值的特征區(qū)域。由于圖像紋理細密，使用二維最大熵閾值分割法得出的特征區(qū)域中會有僅僅幾個像素組成的的特征區(qū)域，這些特征區(qū)域特征不明顯，易造成匹配錯誤，因此選擇較大的區(qū)域作為進行下一步處理的區(qū)域，去除小像素點的特征區(qū)域，減少匹配錯誤，也提高了匹配速度，減少了數(shù)據(jù)處理量。
[0046](4)本發(fā)明所述的特征提取與匹配方法，采用二維最大熵閾值分割法提取出特征區(qū)域的過程中，所有二維函數(shù)點集中在對角線附近，說明一致性和相關性較強，屬于目標或背景區(qū)域。遠離對角線的點，像素點和鄰域均值差距較大，該像素點相對于周圍相鄰像素來說是一個突變像素，因此可以認為該像素點是噪聲或者邊界部分而將其忽略，這樣二維最大熵閾值分割法就具備了一定的抗噪聲性能。

【專利附圖】

【附圖說明】
[0047]為了使本發(fā)明的內(nèi)容更容易被清楚的理解，下面根據(jù)本發(fā)明的具體實施例并結(jié)合附圖，對本發(fā)明作進一步詳細的說明，其中
[0048]圖1是本發(fā)明所述的視覺導航中的特征提取方法與匹配方法的流程圖；
[0049]圖2是本發(fā)明所述的視覺導航中的特征提取方法與匹配系統(tǒng)的結(jié)構(gòu)框圖。

【具體實施方式】
[0050]實施例1:
[0051]本實施例中提供一種視覺導航中的特征提取與匹配方法，包括如下步驟:
[0052](I)采用二維最大熵閾值分割法提取出特征區(qū)域。二維最大熵閾值分割法是一種特征區(qū)域提取的常規(guī)方法，使用二維最大熵閾值分割法提取出主體突出的小特征區(qū)域:計算圖片中每一個點的熵的值，確定分割閾值使得圖片熵達到最大。在此過程中，為了提高二維最大上閾值分割法的抗噪聲性能，會對像素點進行去噪處理。將每個像素點和其相鄰像素點作為一個鄰域；計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)。根據(jù)二維函數(shù)點的位置進行噪聲去除，所有二維函數(shù)點集中在對角線附近，說明一致性和相關性較強，屬于目標或背景區(qū)域；對于遠離對角線的二維函數(shù)點，像素點和鄰域均值差值較大，該像素點相對于周圍鄰域像素點來說為突變像素點，將其忽略。二維最大熵閾值分割法通過計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
[0053](2)將提取后的特征區(qū)域進行圖像歸一化處理。通過將分割后的特征區(qū)域的外接方形使用歸一化方法進行歸一化處理，使用提取的特征區(qū)域的外接方形進行歸一化，可以減少運算量，降低算法的復雜度。采用將提取后的特征區(qū)域的外接方形進行圖像歸一化處理的方式，包括:
[0054]a)計算方形的重心，移動重心，消除位移所帶來的影響；
[0055]b)將圖像沿X方向進行切變，消除X方向的切變影響；
[0056]c)將圖像沿y方向進行切變，消除y方向的切變影響；
[0057]d)將圖像沿xy方向同時進行切變，消除縮放帶來的影響。這一步是從兩
[0058]個方向同時進行的，相當于等比例縮放。
[0059]圖像歸一化是往往用于單個主體的圖像，而紋理細密的圖像主體不突出，無法直接使用圖像歸一化，因此先使用二維最大熵閾值分割法提取出主體突出的小特征區(qū)域，再通過圖像歸一化來消除仿射變換。
[0060](3)將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，SIFT算法是一種特征匹配時常規(guī)采用的方式，通過獲取特征點進行特征點之間的匹配。選擇兩幅圖像，這兩幅圖像是相鄰時刻獲取的兩幅圖像，針對每幅圖像已經(jīng)進行了上述區(qū)域分割和歸一化處理，使用SIFT算法，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與相鄰的第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
[0061]SIFT算法獲取特征向量的過程包括:獲取特征點，然后對所述特征點進行篩選，得到有效特征點；統(tǒng)計該特征點周圍圖像的梯度，形成梯度方向直方圖；生成特征向量。進行匹配時以各特征向量的歐式距離來作為相似性的判定度量。
[0062]該方案中，在進行特征匹配時，將特征點匹配和特征區(qū)域匹配相結(jié)合，對SIFT算法進行了改進，由于SIFT算法是針對特征點進行匹配，本方案中通過特征點的匹配來獲取匹配點的數(shù)量，以該數(shù)量作為篩選條件，獲得匹配點最多的特征區(qū)域完成了特征區(qū)域的匹配，將特征點匹配和特征區(qū)域匹配有效的結(jié)合在一起，增加了紋理細密且單一的導航圖像在發(fā)生切變等仿射變換條件下的匹配點，大量的匹配對可以進一步進行篩選，對于精確導航有很大意義。同時，使用二維最大熵閾值分割法對圖像進行處理，也為管道健康程度分析或地面地形環(huán)境分析提供了相應的數(shù)據(jù)。針對管道內(nèi)部圖像，戈壁、小行星表面圖像之間圖像相似、紋理細密單一的特點，對SIFT進行改進，實現(xiàn)視覺導航中的特征提取與匹配:使用二維最大熵閾值分割法提取出特征區(qū)域，結(jié)合圖像歸一化得到校正后的圖像，使得SIFT算法匹配特征區(qū)域并提取出更多的匹配點。
[0063]實施例2:
[0064]本實施例中提供一種視覺導航中的特征提取與匹配方法，在上述實施例的基礎上，在所述采用二維最大熵閾值分割法提取出特征區(qū)域后，還包括過濾掉包含的像素點小于預設閾值的特征區(qū)域的步驟。由于圖像紋理細密，使用二維最大熵閾值分割法得出的特征區(qū)域中會有僅僅幾個像素組成的的特征區(qū)域，這些特征區(qū)域特征不明顯，易造成匹配錯誤，因此選擇較大的區(qū)域作為進行下一步處理的區(qū)域，去除小像素點的特征區(qū)域，可以減少匹配錯誤，也提高了匹配速度，減少了數(shù)據(jù)處理量。
[0065]本實施例中提供一種視覺導航中的特征提取與匹配方法，主要環(huán)節(jié)的具體設計如下:
[0066](I)基于二維最大熵閾值分割法
[0067]由于SIFT算法對切變等仿射變換敏感，因此可以使用圖像歸一化消除仿射變換。圖像歸一化是往往用于單個主體的圖像，而紋理細密的圖像主體不突出，無法直接使用圖像歸一化，因此先使用二維最大熵閾值分割法提取出主體突出的小特征區(qū)域:計算圖片中每一個點的熵的值，確定分割閾值使得圖片熵達到最大。二維最大熵閾值分割法將每個像素以及該像素周圍的8個相鄰像素作為一個鄰域，位于不同鄰域的像素，即使像素值相同，鄰域均值也不會相同，這樣可以將兩者區(qū)分開來。對于灰度級為L的圖像，除圖像邊緣像素夕卜，其中每一個像素都有其相對應的由9個像素組成的鄰域，這樣可以形成LXL種不同的像素-均值對，這樣的像素對最終組成了一個二維函數(shù)。所有二維函數(shù)點集中在對角線附近，說明一致性和相關性較強，屬于目標或背景區(qū)域。遠離對角線的點，像素點和鄰域均值差距較大，該像素點相對于周圍8個像素來說是一個突變像素，因此可以認為該像素點是噪聲或者邊界部分而將其忽略，這樣二維最大熵閾值分割法就具備了一定的抗噪聲性能。計算屬于目標或背景區(qū)域的像素熵并使其最大，即可得出分割閾值。
[0068]所述采用二維最大熵閾值分割法提取出特征區(qū)域后，還包括過濾掉包含的像素點小于預設閾值的特征區(qū)域。由于圖像紋理細密，使用二維最大熵閾值分割法得出的特征區(qū)域中會有僅僅幾個像素組成的的特征區(qū)域，這些特征區(qū)域特征不明顯，易造成匹配錯誤，因此選擇較大的區(qū)域作為進行下一步處理的區(qū)域，通過去除小像素點的特征區(qū)域，減少匹配錯誤。
[0069](2)特征區(qū)域后的圖像歸一化處理，提取將分割后的特征區(qū)域的外接方形使用歸一化方法進行歸一化。每一個特征區(qū)域的外接方形都是一個有單個主體的圖像，對這種圖像的歸一化效果最好。歸一化步驟如下:
[0070]a)計算方形的重心，移動重心，消除位移所帶來的影響。
[0071]b)將圖像沿X方向進行切變，消除X方向的切變影響。
[0072]c)將圖像沿y方向進行切變，消除y方向的切變影響。
[0073]d)同時將圖像沿xy方向進行切變，消除縮放所帶來的影響。
[0074]此步驟中，將提取后的特征區(qū)域進行圖像歸一化處理，由于SIFT算法對切變等仿射變換敏感，因此可以使用圖像歸一化消除仿射變換。圖像歸一化是往往用于單個主體的圖像，而紋理細密的圖像主體不突出，無法直接使用圖像歸一化，因此先使用二維最大熵閾值分割法提取出主體突出的小特征區(qū)域。通過先使用二維最大熵閾值分割法提取特征區(qū)域，再采用歸一化處理的方式，不僅避免了二維最大熵閾值分割法僅適用于目標占整體圖像像素較多并且目標與背景有較大差異的圖像的問題，也克服了紋理細密的圖像主體不突出，無法直接使用圖像歸一化的問題，消除了仿射變換。
[0075](3)將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，使用SIFT匹配每一個歸一化后的特征區(qū)域與另一幅圖上的歸一化后的特征區(qū)域，匹配的過程如下:
[0076]a)DoG尺度空間生成與特征點檢索:使用高斯函數(shù)形成不同尺度空間圖像，相減得到高斯差分尺度空間DoG。計算不同尺度下的DoG算子的響應值可以擬合出該點在不同尺度下的DoG算子的響應曲線，從而求得極值點所在尺度空間，若該極值點是相鄰尺度相鄰像素點的極值，則該點為特征點。
[0077]b)極值點篩選。由于歸一化后的圖像有明顯黑色邊緣，需要對特征點進行篩選，得到有效特征點。
[0078]c)特征點方向。統(tǒng)計該特征點周圍圖像的梯度:以特征點為中心，統(tǒng)計4.5倍尺度為半徑的區(qū)域中每個像素點的圖像梯度模值和方向并分類形成形成梯度方向直方圖。取峰值方向和大于80%峰值的方向為特征點主方向和輔方向。將特征區(qū)域按照主方向和輔方向旋轉(zhuǎn)為同一個方向。
[0079]d)特征向量生成。將以特征點為中心的鄰域高斯加權后均分為4x4個區(qū)域，統(tǒng)計每個區(qū)域中的梯度方向直方圖。
[0080]e)對比兩幅圖像中各特征點的特征向量的歐式距離來作為相似性的判定度量。取匹配點最多的兩幅特征區(qū)域作為匹配區(qū)域，其中的特征點為匹配特征點。
[0081]本方案中的特征提取和匹配方法，對SIFT算法進行改進，將特征點的匹配和特征區(qū)域的匹配進行了融合，增加了紋理細密且單一的導航圖像在發(fā)生切變等仿射變換條件下的匹配點，大量的匹配對可以進一步進行篩選，對于精確導航有很大意義。同時，使用二維最大熵閾值分割法對圖像進行處理，也為管道健康程度分析或地面地形環(huán)境分析提供了相應的數(shù)據(jù)。此外，還通過歸一化處理的方式消除了仿射變換，提高了 SIFT算法的精度。
[0082]實施例3:
[0083]本實施例中還提供使用上述方法的一種視覺導航中的特征提取與匹配系統(tǒng)，包括如下部分:
[0084]特征區(qū)域提取單元:采用二維最大熵閾值分割法提取出特征區(qū)域；
[0085]歸一化處理單元:將提取后的特征區(qū)域進行圖像歸一化處理；
[0086]匹配單元:采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
[0087]其中，所述特征區(qū)域提取單元，還包括過濾子單元，過濾掉包含的像素點小于預設閾值的特征區(qū)域。
[0088]進一步地，所述特征區(qū)域提取單元，包括:
[0089]鄰域建立子單元:將每個像素點和其相鄰像素點作為一個鄰域；
[0090]函數(shù)建立子單元:計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)；
[0091]去噪子單元:根據(jù)二維函數(shù)點的位置進行噪聲去除；
[0092]分割子單元:計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
[0093]優(yōu)選地，上述去噪子單元，還包括對于遠離對角線的二維函數(shù)點，像素點和鄰域均值差值較大，該像素點相對于周圍鄰域像素點來說為突變像素點，將其忽略。
[0094]進一步優(yōu)選地,所述歸一化處理單元,還包括:
[0095]第一消除子單元:計算方形的重心，移動重心，消除位移所帶來的影響；
[0096]第二消除子單元:將圖像沿X方向進行切變，消除X方向的切變影響；
[0097]第三消除子單元:將圖像沿y方向進行切變，消除y方向的切變影響；
[0098]第四消除子單元:將圖像沿xy方向進行切變，消除縮放帶來的影響。
[0099]進一步地，匹配單元還包括:
[0100]有效特征點獲取子單元:獲取特征點，然后對所述特征點進行篩選，得
[0101]到有效特征點；
[0102]直方圖形成單元:統(tǒng)計該特征點周圍圖像的梯度，形成梯度方向直方圖；
[0103]特征向量生成單元:生成特征向量。
[0104]判定度量單元:進行匹配時以各特征向量的歐式距離來作為相似性的判定度量。
[0105]本實施例中的特征提取與匹配系統(tǒng)，針對管道內(nèi)部圖像，戈壁、小行星表面圖像之間圖像相似、紋理細密單一的特點，對SIFT進行改進，實現(xiàn)視覺導航中的特征提取與匹配，使用二維最大熵閾值分割法提取出特征區(qū)域，結(jié)合圖像歸一化得到校正后的圖像，使得SIFT算法匹配特征區(qū)域并提取出更多的匹配點。
[0106]顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。
【權利要求】
1.一種視覺導航中的特征提取與匹配方法，其特征在于，包括如下步驟: 采用二維最大熵閾值分割法提取出特征區(qū)域； 將提取后的特征區(qū)域的外接方形區(qū)域進行圖像歸一化處理； 將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
2.根據(jù)權利要求1所述的特征提取與匹配方法，其特征在于，所述采用二維最大熵閾值分割法提取出特征區(qū)域后，還包括:過濾掉包含的像素點小于預設閾值的特征區(qū)域。
3.根據(jù)權利要求1或2所述的特征提取與匹配方法，其特征在于，采用二維最大熵閾值分割法提取出特征區(qū)域的過程中，包括: 將每個像素點和其相鄰像素點作為一個鄰域； 計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)； 根據(jù)二維函數(shù)點的位置進行噪聲去除； 計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
4.根據(jù)權利要求1-3任一所述的特征提取與匹配方法，其特征在于，根據(jù)二維函數(shù)點的位置進行噪聲去除的過程包括: 對于遠離對角線的二維函數(shù)點，像素點和鄰域均值差值較大，該像素點相對于周圍鄰域像素點來說為突變像素點，將其忽略。
5.根據(jù)權利要求1-4任一所述的特征提取與匹配方法，其特征在于，將提取后的特征區(qū)域進行圖像歸一化處理的過程為將分割后的特征區(qū)域的外接方形使用歸一化方法進行歸一化處理，包括: 計算方形的重心，移動重心，消除位移所帶來的影響； 將圖像沿X方向進行切變，消除X方向的切變影響； 將圖像沿y方向進行切變，消除y方向的切變影響； 將圖像沿xy方向進行切變，消除縮放帶來的影響。
6.根據(jù)權利要求1-5任一所述的特征提取與匹配方法，其特征在于，采用SIFT算法得至1J特征點的特征向量的過程，包括 獲取特征點，然后對所述特征點進行篩選，得到有效特征點； 統(tǒng)計該特征點周圍圖像的梯度，形成梯度方向直方圖； 生成特征向量。
7.根據(jù)權利要求1-6任一所述的特征提取與匹配方法，其特征在于，進行匹配時以各特征向量的歐式距離來作為相似性的判定度量。
8.—種視覺導航中的特征提取與匹配系統(tǒng)，其特征在于，包括: 特征區(qū)域提取單元:采用二維最大熵閾值分割法提取出特征區(qū)域； 歸一化處理單元:將提取后的特征區(qū)域外接方形進行圖像歸一化處理； 匹配單元:將各個圖像歸一化處理后的外接方形區(qū)域作為待匹配的特征區(qū)域，采用SIFT算法得到特征點的特征向量，將第一幅圖像中的每個特征區(qū)域內(nèi)的各個特征點與第二幅圖像中的每個特征區(qū)域內(nèi)的特征點進行匹配，獲取匹配點的個數(shù)，選擇匹配點的個數(shù)最多的兩個特征區(qū)域作為匹配區(qū)域，其中匹配的特征點作為匹配特征點。
9.根據(jù)權利要求8所述的特征提取與匹配系統(tǒng)，其特征在于，所述特征區(qū)域提取單元，還包括過濾子單元，過濾掉包含的像素點小于預設閾值的特征區(qū)域。
10.根據(jù)權利要求8或9所述的特征提取與匹配系統(tǒng)，其特征在于，所述特征區(qū)域提取單元，包括: 鄰域建立子單元:將每個像素點和其相鄰像素點作為一個鄰域； 函數(shù)建立子單元:計算鄰域內(nèi)的像素均值，形成像素-均值對，建立二維函數(shù)； 去噪子單元:根據(jù)二維函數(shù)點的位置進行噪聲去除； 分割子單元:計算屬于目標或背景區(qū)域的像素的熵值并使其最大，得出分割閾值。
【文檔編號】G06T7/00GK104134209SQ201410344863
【公開日】2014年11月5日 申請日期:2014年7月18日 優(yōu)先權日:2014年7月18日
【發(fā)明者】劉振強, 張玉, 李新生, 范力遙, 董啟強, 鐘根元, 丁飛, 王峰, 張培林, 苑曉微, 蔣麗, 楊志, 杜巖 申請人:北京國電富通科技發(fā)展有限責任公司