CN101398901A - 用于辅助导航的快速图像匹配方法 - Google Patents

Abstract

一种用于辅助导航的快速图像匹配方法，包括以下步骤：1)设参考图像尺寸大小为M×M，则可将其分解成尺寸为(M/2)×(M/2)，…，(M/2ⁿ)×(M/2ⁿ)的图像，从而组成n级分辨率图像；2)将用于被匹配的实时图像分解成n级分辨率图像；3)匹配实时图像和参考图像的底层分辨率图像，找到最低一级匹配位置(x，y)；4)在高一级分辨率图像中，匹配过程只在低一级匹配位置在高一级参考图的相应位置(2x，2y)的相邻区域(2x±t，2y±t)上进行，在这一小区域找出匹配位置，再采取相同策略向高一级分辨率搜索，找出最终的匹配位置。本发明应用多层匹配的搜索策略和实数编码的遗传算法，增强了图像匹配的抗干扰的能力、精确性和实时性。

Description

用于辅助导航的快速图像匹配方法

技术领域

本发明涉及用于辅助导航的图像匹配方法。

背景技术

图像导航技术是最早应用于导航的技术之一。它与人类视觉密切相关，人类开始的导航是依赖人眼和大脑对周围景物的判断来确定自己的位置，这实际上就是最原始的图像导航。随着科技的发展，图像导航技术也得到很大的发展。随着科学技术和计算机技术的飞速发展，组合导航系统已成为发展的主流，而图像匹配辅助导航系统则是当前研究的热点之一。开展基于图像特征的景象匹配辅助的自主精确导航技术研究，具有相当重要的理论意义和应用价值。

图像匹配辅助导航系统是利用航行装置的传感器获取实时地面景物图像，并与机载计算机中预先存储的二维图像数字地图相比较，用于确定出当前位置。由于图像匹配定位的精度很高，因此可以利用这种精确的位置信息来消除惯导系统长时间工作的累计误差，以提高导航定位的精度和自主性。同时，图像匹配辅助导航系统还具有提供目标信息的能力，从而可以实现自主的精确打击。由于采用来自不同传感器的图像数据，成像的季节、天气、时间、成像传感器和成像姿态差异、以及地面特征等方面皆有较大差异，因此这两种图像间匹配为非相似匹配，因此图像匹配算法必须有足够的鲁棒性，且必须满足导航实时性需要，现有技术在实时性和鲁棒性上很难满足要求。

国内外研究者在辅助导航图像匹配算法方面开展了大量的研究，在图像匹配辅助导航系统中，由于为异传感器匹配，因此必须提取图像的特征进行匹配。于秋则等提出一种利用改进的Hausdorff(HD)距离作为相似性度量和二进制编码的遗传算法作搜索策略来匹配合成孔径雷达(SAR)图像和光学图像边缘特征的方法，二进制遗传算法用于图像匹配会在收敛性上会有制约。冷雪飞等提出的《基于分支特征点的导航用实时图像匹配算法》中提出，通过提取图像的分支特征点，并根据分支点的特性推导出一种加权的HD作相似性度量作相似性度量，但是，分支特征点在边缘特征不明显的图像中无法提取。

发明内容

本发明的目的在于，提供一种用于辅助导航的快速图像匹配方法，以满足其实时性、高精度和高可靠性的要求。

本发明采用如下技术方案：

一种用于辅助导航的快速图像匹配方法，包括以下步骤：

1)设参考图像尺寸大小为M×M，则可将其分解成尺寸为(M/2)×(M/2)，…，(M/2ⁿ)×(M/2ⁿ)的图像，从而组成n级分辨率图像；

2)将用于被匹配的实时图像分解成n级分辨率图像；

3)匹配实时图像和参考图像的底层分辨率图像，找到最低一级匹配位置(x，y)；

4)在高一级分辨率图像中，匹配过程只在低一级匹配位置在高一级参考图的相应位置(2x，2y)的相邻区域(2x±t，2y±t)上进行，在这一小区域找出匹配位置，再采取相同策略向高一级分辨率搜索，找出最终的匹配位置。

进一步地，在所述步骤4)中，采用遗传算法寻找最终的匹配位置。

进一步地，所述遗传算法具体为：

种群中个体染色体包含图像点的横纵坐标值两个基因，定义交叉算子为父代个体两两相互交换纵坐标形成新一代个体：父代个体A₀(x_a，y_a)B₀(x_b，y_b)，则子代个体为A₁(x_a，y_b)和B₁(x_b，y_a)；定义变异算子为：x’＝m，m∈[1，H-h+1]；y’＝n，n∈[1，L-1+1]；其中H、L、h、1分别为参考图像高度和宽度及实时图像的高度和宽度，x’，y’为变异后基因，m、n为域内的随机数；基于遗传算法的流程如下：

41)在图像中随机产生规模为G的初始种群，形成初始种群Ni(x_i，y_i)，i＝(1，…，G)，设定交叉概率Pm和变异概率值Pc，进化最大代数Gm；

42)计算群体中各个体的适应度值f(Ni)；

43)选择G个个体两两配对，根据设定的交叉率交叉生成新的个体，并按变异概率对新个体进行变异操作，计算新个体的适应值；

44)将得到的G个新个体与G个父代共2G个体按适用度值从大到小排序，取前G个个体作为下一代群体；

45)进化到最大代数目或连续15代种群个体最大值没有增大时随即停止执行，取进化过程中适应度最高的个体为最佳匹配位置。

进一步地，所述适应度值采用如下适应度函数计算：

f(x，y)＝1/H(A，B)

其中，(x，y)表示匹配位置， $H(A,B)=\frac{\max (h(A,B),h(B,A))}{Q\left(A\right)+Q\left(B\right)},$ Q(A)、Q(B)为HD距离阈值的点累积数，即点集A、B间重合或基本重合的点数， $h(A,B)=\underset{a\∈A}{\max }\underset{b\∈B}{\min }\left|\right|a-b\left|\right|$ 为A到B的有向距离， $h(B,A)=\underset{b\∈B}{\max }\underset{a\∈A}{\min }\left|\right|b-a\left|\right|$ 为B到A的有向距离。

进一步地，所述步骤43)中采用轮盘赌方法选择G个个体两两配对。

本发明从提高图像匹配算法的精确性、快速性和鲁棒性的角度出发，在改进的HD距离基础上，应用多层匹配的搜索策略和实数编码的遗传算法，增强了图像匹配的抗干扰的能力、精确性和实时性。

附图说明

图1至图4为各四次实验图的搜索进化图；

图5匹配误差统计图；

图6匹配时间统计图。

具体实施方式

一种用于辅助导航的快速图像匹配方法，包括以下步骤：

1)设参考图像尺寸大小为M×M，则可将其分解成尺寸为(M/2)×(M/2)，…，(M/2ⁿ)×(M/2ⁿ)的图像，从而组成n级分辨率图像；

2)将用于被匹配的实时图像分解成n级分辨率图像；

3)匹配实时图像和参考图像的底层分辨率图像，找到最低一级匹配位置(x，y)；

4)在高一级分辨率图像中，匹配过程只在低一级匹配位置在高一级参考图的相应位置(2x，2y)的相邻区域(2x±t，2y±t)上进行，在这一小区域找出匹配位置，再采取相同策略向高一级分辨率搜索，找出最终的匹配位置。

其中，在所述步骤4)中，采用遗传算法(GA)寻找最终的匹配位置。

遗传算法(GA)首先由JohnHolland在1975年提出，是一种利用自然选择和进化思想在高维空间寻优的方法，已广泛应用图像匹配领域。遗传算法的关键过程有：a)种群初始化和种群个体编码b)构造评价函数，即种群个体的适应度函数，c)遗传操作：选择、交叉、变异。d)演化代数：群体经过若干代的演化，进化到搜索空间中的优化区域，最终收敛于最优状态。其中，种群大小一般取20—150，规模越大，个体多样性越高，但如果规模太大，算法的计算量也会增加。基本遗传算法采用二进制编码，为了克服二进制编码的海明悬崖(Hammingcliffs)、固定精度等缺点，本发明采用不必进制转换的实数编码。

考虑图像匹配的特殊性，本发明的种群中个体染色体包含两个基因，即图像点的横纵坐标值，如个体G(x，y)。寻找最终的匹配位置实质是求解HD最小的距离，考虑适应度函数设计的条件：单值、连续、非负和最大化，本发明定义的适应度函数为：

f(x，y)＝1/H(A，B)

其中，(x，y)表示匹配位置。当H(A，B)越小时，适应度越高。

定义交叉算子为父代个体两两相互交换纵坐标形成新一代个体：父代个体A₀(x_a，y_a)B₀(x_b，y_b)，则子代个体为A₁(x_a，y_b)和B₁(x_b，y_a)。定义变异算子为：x’＝m，m∈[1，H-h+1]；y’＝n，n∈[1，L-1+1]。其中H、L、h、1分别为参考图像高度和宽度及实时图像的高度和宽度，x’，y’为变异后基因，m、n为域内的随机数。基于遗传算法的基本流程如下：

41)在图像中随机产生规模为G的初始种群，形成初始种群Ni(x_i，y_i)，i＝(1，…，G)，设定交叉概率Pm和变异概率值Pc，进化最大代数Gm；

42)计算群体中各个体的适应度值f(Ni)；

43)采用轮盘赌方法选择G个个体两两配对，根据设定的交叉率交叉生成新的个体，并按变异概率对新个体进行变异操作，计算新个体的适应值；

44)将得到的G个新个体与G个父代共2G个体按适用度值从大到小排序，取前G个个体作为下一代群体；

45)进化到最大代数目或连续15代种群个体最大值没有增大时随即停止执行，取进化过程中适应度最高的个体为最佳匹配位置。

进一步地，本发明中的适应度函数中的H(A，B)的定义和计算过程如下：

首先利用现有的坎尼(Canny)算子提取图像的边缘特征，并用3-4距离变换(3-4DT)方法对边缘二值图像进行变换，以变换后的边缘距离图像为匹配特征。针对传统HD距离的局限性提出了一种，并以之为相似性度量；搜索策略根据人眼视觉系统的机制采用上述分层匹配方法，同时使用一种改进的实数编码遗传算法来加快底层图像匹配的速度。

现有的HD距离因其计算的简便性被广泛应用于二维图像匹配中，又称最大最小距离。其表述为：

给定有限的两个点集A＝{a₁，a₂，…，a_p}，B＝{b₁，b₂…，b_q}，则点集A和B的HD距离定义为：

H(A，B)＝max(h(A，B)，h(B，A))

式中， $h(A,B)=\underset{a\∈A}{\max }\underset{b\∈B}{\min }\left|\right|a-b\left|\right|$ 为A到B的有向距离， $h(B,A)=\underset{b\∈B}{\max }\underset{a\∈A}{\min }\left|\right|b-a\left|\right|$ 为B到A的有向距离，‖·‖是某种意义的范数，如欧氏距离。但此定义的HD距离对噪声、漏检点很敏感，需要对其定义进行改进，研究者提出了部分、平均、平均、加权等HD距离的改进形式。本发明提出的改进HD距离(I-HD)，即融合点集重合数的HD距离公式为：

$H(A,B)=\frac{\max (h(A,B),h(B,A))}{Q\left(A\right)+Q\left(B\right)}$

Q(A)、Q(B)为Hausdorff距离阈值的点累积数，即点集A、B间重合或基本重合的点数，本公式综合考虑了点集重合数，当两集合可能匹配点较少时，得出的Hausdorff距离就会较大从而排除相似的可能，并能克服噪声、图像遮挡、异源等影响，从而避免误匹配，极大增强了图像匹配的鲁棒性。

以下为具体实验实例：

取同一区域的光学图像和四幅红外图像作参考图像和实时图像作为实验图，其中光学图像大小为300*300，分辨率为1m；而四幅红外图像大小都为100*100，分辨率为5m。实验中采用参数：最小距离阈值τ为8，距离变换迭代次数为2；分层级数n为2，搜索相邻域参数t＝5；在遗传算法中，种群规模G为40，进化最大代数Gm为100，交叉概率Pc为0.8，变异概率Pm为0.06。

为了作对比，本实例还验证了不加入遗传算法的分层匹配，表1对两种算法作了比较。设X方向和Y方向的位置偏差为Δx，Δy，则匹配误差为从表1可以看出，本发明加入遗传算法和未加遗传算法的算法比较，匹配速度有显著提高，精度却没有受到影响。

表1

图1至图4为各四次实验图的搜索进化图，其中横坐标为进化代数，纵坐标为每代的最大适应度值，匹配各自进化到第7、11、15、14代即寻到最优个体，说明本发明的遗传算法有很好的可行性，能以较少的进化代数达到最优解。

为了验证本发明提出的I-HD的鲁棒性，对随机选取的同区域的100幅红外图像加入不同密度的椒盐噪声，然后分别用M-HD和I-HD进行匹配，匹配成功率(误差在3个像素内)与噪声水平的关系如表2所示：

表2

 

噪声密度	0	0.03	0.15	0.06	0.1
						M-HD	90％	86％	82％	79％	74％
I-HD	100％	98％	95％	95％	94％

从表2可以看出，本发明提出的I-HD的匹配成功率在不同噪声水平下都明显比M-HD要高。本发明还在参考图像对应区域的红外图像选取了100幅子图作匹配，匹配误差(单位为像素)曲线和匹配时间(单位为ms)曲线如图5和图6所示：

从图5可以看出匹配的误差在2.5个像素之内，算得误差平均值为1.036，误差的标准方差为0.468，相应于分辨率1m的参考图像的整体匹配则有1.036m的平均误差和0.468m的标准方差.，而导航制导中通常要求匹配算法的误差标准方差≤20m，由以上分析得算法有很高的匹配精度，能很好的满足误差方面的要求。从图6可以求出：匹配时间平均值为1283ms，标准方差为159ms，最大值为2241ms。算法的速度也是很快的，而且由于遗传的算法隐含的并行性，使得算法硬件实现的实时性将得到更好的体现。

Claims (5)

1、一种用于辅助导航的快速图像匹配方法，其特征在于包括以下步骤：

1)设参考图像尺寸大小为M×M，则可将其分解成尺寸为(M/2)×(M/2)，…，(M/2ⁿ)×(M/2ⁿ)的图像，从而组成n级分辨率图像；

2)将用于被匹配的实时图像分解成n级分辨率图像；

3)匹配实时图像和参考图像的底层分辨率图像，找到最低一级匹配位置(x，y)；

4)在高一级分辨率图像中，匹配过程只在低一级匹配位置在高一级参考图的相应位置(2x，2y)的相邻区域(2x±t，2y±t)上进行，在这一小区域找出匹配位置，再采取相同策略向高一级分辨率搜索，找出最终的匹配位置。

2、根据权利要求1所述的用于辅助导航的快速图像匹配方法，其特征在于：

在所述步骤4)中，采用遗传算法寻找最终的匹配位置。

3、根据权利要求2所述的用于辅助导航的快速图像匹配方法，其特征在于：

所述遗传算法具体为：

种群中个体染色体包含图像点的横纵坐标值两个基因，定义交叉算子为父代个体两两相互交换纵坐标形成新一代个体：父代个体A₀(x_a，y_a)B₀(x_b，y_b)，则子代个体为A₁(x_a，y_b)和B₁(x_b，y_a)；定义变异算子为：x’＝m，m∈[1，H-h+1]；y’＝n，n∈[1，L-1+1]；其中H、L、h、l分别为参考图像高度和宽度及实时图像的高度和宽度，x’，y’为变异后基因，m、n为域内的随机数；基于遗传算法的流程如下：

41)在图像中随机产生规模为G的初始种群，形成初始种群Ni(x_i，y_i)，i＝(1，…，G)，设定交叉概率Pm和变异概率值Pc，进化最大代数Gm；

42)计算群体中各个体的适应度值f(Ni)；

43)选择G个个体两两配对，根据设定的交叉率交叉生成新的个体，并按变异概率对新个体进行变异操作，计算新个体的适应值；

44)将得到的G个新个体与G个父代共2G个体按适用度值从大到小排序，取前G个个体作为下一代群体；

45)进化到最大代数目或连续15代种群个体最大值没有增大时随即停止执行，取进化过程中适应度最高的个体为最佳匹配位置。

4、根据权利要求3所述的用于辅助导航的快速图像匹配方法，其特征在于：

所述适应度值采用如下适应度函数计算：

f(x，y)＝1/H(A，B)

其中，(x，y)表示匹配位置， $H(A,B)=\frac{\max (h(A,B),h(B,A))}{Q\left(A\right)+Q\left(B\right)},$ Q(A)、Q(B)为HD距离阈值的点累积数，即点集A、B间重合或基本重合的点数， $h(A,B)=\underset{a\∈A}{\max }\underset{b\∈B}{\min }\left|\right|a-b\left|\right|$ 为A到B的有向距离， $h(B,A)=\underset{b\∈B}{\max }\underset{a\∈A}{\min }\left|\right|b-a\left|\right|$ 为B到A的有向距离。

5、根据权利要求3所述的用于辅助导航的快速图像匹配方法，其特征在于：所述步骤43)中采用轮盘赌方法选择G个个体两两配对。

Images