CN101556647A - 一种基于改进sift算法的移动机器人视觉定位方法 - Google Patents
一种基于改进sift算法的移动机器人视觉定位方法 Download PDFInfo
- Publication number
- CN101556647A CN101556647A CNA2009100720783A CN200910072078A CN101556647A CN 101556647 A CN101556647 A CN 101556647A CN A2009100720783 A CNA2009100720783 A CN A2009100720783A CN 200910072078 A CN200910072078 A CN 200910072078A CN 101556647 A CN101556647 A CN 101556647A
- Authority
- CN
- China
- Prior art keywords
- image
- sift
- mobile robot
- sift algorithm
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Manipulator (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于改进SIFT算法的移动机器人视觉定位方法。首先采集移动机器人行走路径中的特定标示物模版图像,运用改进的SIFT算法计算标示物模版图像的SIFT特征点向量集合;然后对标示物模版图像的SIFT特征点向量集合和待识别图像的SIFT特征点向量集合进行匹配操作;最后实现对待识别图像中的特定标示物的识别。本发明利用SIFT算法的优点,综合匹配效率与实时性,针对移动机器人图像识别的具体情况,提供了一种基于改进SIFT算法的移动机器人图像识别方法,改进SIFT算法中,采用的向量维数为6维,大大降低了匹配时间,并能对移动机器人行走路径中的复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的特定标示物进行有效识别。
Description
(一)技术领域
本发明属于移动机器人导航领域,特别涉及一种移动机器人视觉定位系统中的图像识别的方法。
(二)背景技术
图像识别技术作为移动机器人视觉定位系统的核心和基础技术之一,是目前移动机器人视觉定位领域研究的前沿和热点,该技术在移动机器人环境感知、自主定位、类人行为等具体实践中正得到越来越广泛的应用。其图像匹配算法-SIFT算法也逐渐被人们所采用。
SIFT(Scale Invariant Feature Transform)算法即尺度不变特征变换算法,是David G.Lowe在2004年总结了现有的基于不变量技术的特征检测方法的基础上,提出的一种基于尺度空间的、对图像缩放、旋转、仿射变换、光照变化保持稳定性的图像局部特征描述算法-SIFT算子。SIFT特征点向量的生成由以下四步骤组成:1、在尺度空间中检测极值点;2、去除低对比度的极值点和不稳定的边缘极值点,得到特征点;3、计算特征点的方向参数;4、生成SIFT特征点向量,向量维数一般为128维。
运用SIFT算法提取的SIFT特征点向量具有如下优点:1、SIFT特征是图像的局部特征,对旋转、尺度缩放、亮度变化保持不变化性,对视角变化、仿射变换、噪音也保持一定程度的稳定性;2、独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;3、多量性,即使少数的几个物体也可以产生大量SIFT特征向量。
但是由于它受到天气、阳光、遮挡等外界因素的严重影响,并存在因不同的成像时间、角度、距离等外界因素而导致的图像平移、旋转、缩放的问题,这都给图像匹配工作带来了很大的难度。而且由于移动机器人视觉定位时要求很高的实时性,目前的基于SIFT的图像匹配技术虽然能达到很高的匹配精度,但是匹配效率很低,因此需要对SIFT算法进行改进,在保证合理的匹配精度的前提下,提高移动机器人图像匹配的实时性。
(三)发明内容
本发明的目的在于提供一种可对复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的移动机器人定位中的特定标示物有效识别的基于改进SIFT算法的移动机器人视觉定位方法。
本发明的目的是这样实现的:首先采集移动机器人行走路径中的特定标示物模板图像,然后运用改进的SIFT算法计算标示物模板图像的SIFT特征点向量集合;接着对机器人摄像头拍摄到的待识别的原始图像进行定位计算得到标示物候选区域,并截取标示物候选区域生成待识别图像;运用改进SIFT算法对待识别图像进行处理,得到待识别图像的SIFT特征点向量集合;然后对标示物模板图像的SIFT特征点向量集合和待识别图像的SIFT特征点向量集合进行匹配操作;最后根据标示物模板图像中匹配特征点集合的坐标位置,实现对待识别图像中的特定标示物的识别,进而根据标示物的坐标,得到移动机器人的位置坐标。
本发明的技术特征有:
1、方法包含下列步骤:
(1)将移动机器人行走路径中的特定标示物景物进行图像采集,并进行处理,得到含有特定标示物图像的原始图像;
(2)制作标示物模板图像,具体方法为将获得的特定标示物原始图像进行处理,截取标示物的重要部分,制作成标示物模板图像;
(3)运用改进SIFT算法对标示物模板图像进行处理,得到特定标示物模板图像的SIFT特征点向量集合;
(4)利用移动机器人摄像头对机器人周围图像进行采集,存储并进行灰度处理;
(5)运用改进SIFT算法对步骤(4)中得到的待识别图像进行处理,得到待识别图像的SIFT特征点向量集合;
(6)在步骤(3)中的到的特定标示物模板图像的SIFT特征点向量集合和步骤(5)中得到的待识别图像的SIFT特征点向量集合中查找相互匹配的特征点,计算两张图像相对应的匹配特征点集合;
(7)对步骤(6)中计算得到的特定标示物模板图像的匹配特征点集合进行处理,根据匹配特征点在特定标示物模板图像中的坐标位置,实现对机器人周围景物的图像识别,最后根据特定标示物所处的坐标位置,确定移动机器人的位置,达到视觉定位的目的。
2、所述的特定标示物可以是移动机器人行走路径中任意的图形;
3、所述的原始图像进行的处理方法为对图像进行灰度处理,将图像变成灰度图;
4、所述的改进SIFT算法为对每个关键特征点只采用6维向量来表示,大大缩短了提取特征点的计算时间;
5、所述的运用改进SIFT算法对标示物模板图像进行处理方法为通过检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数及关键点描述子的生成这几步之后提取出对图像旋转、尺度缩放、亮度变化保持不变性SIFT特征向量,并存储在计算机数据库中;
6、所述的匹配特征点的查找及计算方法为采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取特定标示物图像中的某个关键点,并找出其与待识别图像中的欧式距离最近的前两个关键点,在这两个关键点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点;
7、所述的匹配特征点集合的处理方法为采用极线约束法去除误匹配点,提高匹配准确率。
本发明利用SIFT算法的优点,综合匹配效率与实时性,,针对移动机器人图像识别的具体情况,提供了一种基于改进SIFT算法的移动机器人图像识别方法,能对移动机器人行走路径中的复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的特定标示物进行有效识别。
由于采用了上述技术方案,本发明具有如下优点和效果:
1、无需对包含特定标示物背景图进行较精确的分割,只要特定标示物背景图像中包括特定标示物的图像即可;
2、特定标示物无需进行倾斜校正、二值化等预处理过程;
3、无需采集训练样本,工作量低,特定标示物模板图像制作简单,可根据需要灵活的加以变更;
4、可对复杂背景、倾斜、形变、污浊、部分遮挡、光线变化的特定标示物进行有效识别;
5、匹配时间短,非常适合移动机器人视觉定位的实时性要求。
(四)附图说明
图1为本发明的流程示意图。
图2为特定标示物图像。
图3为包含特定标示物图像的背景图。
图4为SIFT图像匹配图。
(五)具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明,本实施例包括下列步骤:
(1)将移动机器人行走路径中的特定标示物景物进行图像采集,并进行特征标示物图像的灰度处理,得到含有特定标示物图像的原始图像;
(2)制作标示物模板图像,具体方法为将特定标示物的灰度图像进行截取,得到标示物图像的重要部分,制作成标示物模板图像,如图2所示;
(3)运用改进SIFT算法对标示物模板图像进行处理,得到特定标示物模板图像的SIFT特征点向量集合,并存储在计算机数据库中;
(4)利用移动机器人摄像头对机器人周围图像进行采集,存储并进行灰度处理,如图3所示;
(5)运用改进SIFT算法,每个关键特征点只采用6维向量来表示,并对步骤(4)中得到的待识别图像进行处理:检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数及关键点描述子的生成这几步之后提取出对图像旋转、尺度缩放、亮度变化保持不变性SIFT特征向量集合;
(6)在步骤(3)中的到的特定标示物模板图像的SIFT特征点向量集合和步骤(5)中得到的待识别图像的SIFT特征点向量集合中查找相互匹配的特征点,计算两张图像相对应的匹配特征点集合,如图4所示;
(7)对步骤(6)中计算得到的特定标示物模板图像的匹配特征点集合进行处理,根据匹配特征点在特定标示物模板图像中的坐标位置,实现对机器人周围景物的图像识别,最后根据特定标示物所处的坐标位置,确定移动机器人的位置,达到视觉定位的目的。
Claims (7)
1、一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于方法步骤包括:首先采集移动机器人行走路径中的特定标示物模板图像,然后运用改进的SIFT算法计算标示物模板图像的SIFT特征点向量集合;接着对机器人摄像头拍摄到的待识别的原始图像进行定位计算得到标示物候选区域,并截取标示物候选区域生成待识别图像;运用改进SIFT算法对待识别图像进行处理,得到待识别图像的SIFT特征点向量集合;然后对标示物模板图像的SIFT特征点向量集合和待识别图像的SIFT特征点向量集合进行匹配操作;根据标示物模板图像中匹配特征点集合的坐标位置,实现对待识别图像中的特定标示物的识别,最后根据特定标示物代表的坐标位置,确定移动机器人的位置,达到视觉定位的目的。
2、根据权利要求1所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于方法包含下列步骤:
(1)将移动机器人行走路径中的特定标示物景物进行图像采集,并进行处理,得到含有特定标示物图像的原始图像;
(2)制作标示物模板图像,具体方法为将获得的特定标示物原始图像进行处理,截取标示物的重要部分,制作成标示物模板图像;
(3)运用改进SIFT算法对标示物模板图像进行处理,得到特定标示物模板图像的SIFT特征点向量集合;
(4)利用移动机器人摄像头对机器人周围图像进行采集,存储并进行灰度处理;
(5)运用改进SIFT算法对步骤(4)中得到的待识别图像进行处理,得到待识别图像的SIFT特征点向量集合;
(6)在步骤(3)中的到的特定标示物模板图像的SIFT特征点向量集合和步骤(5)中得到的待识别图像的SIFT特征点向量集合中查找相互匹配的特征点,计算两张图像相对应的匹配特征点集合;
(7)对步骤(6)中计算得到的特定标示物模板图像的匹配特征点集合进行处理,根据匹配特征点在特定标示物模板图像中的坐标位置,实现对机器人周围景物的图像识别,达到视觉定位的目的。
3、根据权利要求2所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于所述的原始图像进行的处理方法为灰度处理,将图像变成灰度图。
4、根据权利要求3所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于所述的改进SIFT算法为对每个关键特征点只采用6维向量来表示,大大缩短了提取特征点的计算时间。
5、根据权利要求4所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于所述的运用改进SIFT算法对标示物模板图像进行处理方法为通过检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数及关键点描述子的生成这几步之后提取出对旋转、尺度缩放、亮度变化保持不变性SIFT特征向量,并存储在计算机数据库中。
6、根据权利要求5所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于所述的匹配特征点的查找及计算方法为采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量,取特定标示物图像中的某个关键点,并找出其与待识别图像中欧式距离最近的前两个关键点,在这两个关键点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点。
7、根据权利要求6所述的一种基于改进SIFT算法的移动机器人视觉定位方法,其特征在于所述的匹配特征点集合的处理方法为采用极线约束法去除误匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100720783A CN101556647A (zh) | 2009-05-20 | 2009-05-20 | 一种基于改进sift算法的移动机器人视觉定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100720783A CN101556647A (zh) | 2009-05-20 | 2009-05-20 | 一种基于改进sift算法的移动机器人视觉定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101556647A true CN101556647A (zh) | 2009-10-14 |
Family
ID=41174755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100720783A Pending CN101556647A (zh) | 2009-05-20 | 2009-05-20 | 一种基于改进sift算法的移动机器人视觉定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101556647A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794395A (zh) * | 2010-03-11 | 2010-08-04 | 合肥金诺数码科技股份有限公司 | 一种基于Sift算法的图像匹配定位方法 |
CN101826155A (zh) * | 2010-04-02 | 2010-09-08 | 浙江大学 | 一种基于哈尔特征和动态时序匹配的投篮动作识别方法 |
CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
CN102729250A (zh) * | 2011-04-02 | 2012-10-17 | 北京石油化工学院 | 象棋开局摆棋系统和方法 |
CN103106252A (zh) * | 2013-01-16 | 2013-05-15 | 浙江大学 | 利用手持设备的平面区域定位方法 |
CN103903253A (zh) * | 2012-12-28 | 2014-07-02 | 联想(北京)有限公司 | 一种可移动终端定位方法及系统 |
CN104866851A (zh) * | 2015-03-01 | 2015-08-26 | 江西科技学院 | 一种图像匹配的sift算法 |
CN106372574A (zh) * | 2016-08-22 | 2017-02-01 | 湖南晖龙股份有限公司 | 基于ros操作系统的机器人物体识别方法 |
CN106485256A (zh) * | 2016-10-10 | 2017-03-08 | 宋育锋 | 基于sift特征点的双标签相对位置信息构建方法 |
CN107167140A (zh) * | 2017-05-26 | 2017-09-15 | 江苏大学 | 一种无人机视觉定位累积误差抑制方法 |
CN108121972A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种局部遮挡条件下的目标识别方法 |
CN108318050A (zh) * | 2017-12-14 | 2018-07-24 | 富华科精密工业(深圳)有限公司 | 中央控制器及利用该中央控制器移动导航的系统及方法 |
CN109584216A (zh) * | 2018-11-12 | 2019-04-05 | 上海交通大学 | 面向机器人抓取作业的可变形料袋视觉识别与定位方法 |
CN109615645A (zh) * | 2018-12-07 | 2019-04-12 | 国网四川省电力公司电力科学研究院 | 基于视觉的特征点提取方法 |
CN110470295A (zh) * | 2018-05-09 | 2019-11-19 | 北京智慧图科技有限责任公司 | 一种基于ar定位的室内步行导航系统和方法 |
CN110472643A (zh) * | 2019-08-20 | 2019-11-19 | 山东浪潮人工智能研究院有限公司 | 一种基于特征点匹配的光学图像员工卡识别方法 |
CN113986431A (zh) * | 2021-10-27 | 2022-01-28 | 武汉戴维南科技有限公司 | 一种机器人自动生产线可视化调试方法及系统 |
-
2009
- 2009-05-20 CN CNA2009100720783A patent/CN101556647A/zh active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794395A (zh) * | 2010-03-11 | 2010-08-04 | 合肥金诺数码科技股份有限公司 | 一种基于Sift算法的图像匹配定位方法 |
CN101826155A (zh) * | 2010-04-02 | 2010-09-08 | 浙江大学 | 一种基于哈尔特征和动态时序匹配的投篮动作识别方法 |
CN101980250B (zh) * | 2010-10-15 | 2014-06-18 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
CN102729250A (zh) * | 2011-04-02 | 2012-10-17 | 北京石油化工学院 | 象棋开局摆棋系统和方法 |
CN103903253B (zh) * | 2012-12-28 | 2017-06-27 | 联想(北京)有限公司 | 一种可移动终端定位方法及系统 |
CN103903253A (zh) * | 2012-12-28 | 2014-07-02 | 联想(北京)有限公司 | 一种可移动终端定位方法及系统 |
CN103106252A (zh) * | 2013-01-16 | 2013-05-15 | 浙江大学 | 利用手持设备的平面区域定位方法 |
CN104866851A (zh) * | 2015-03-01 | 2015-08-26 | 江西科技学院 | 一种图像匹配的sift算法 |
CN106372574A (zh) * | 2016-08-22 | 2017-02-01 | 湖南晖龙股份有限公司 | 基于ros操作系统的机器人物体识别方法 |
CN106485256A (zh) * | 2016-10-10 | 2017-03-08 | 宋育锋 | 基于sift特征点的双标签相对位置信息构建方法 |
CN107167140A (zh) * | 2017-05-26 | 2017-09-15 | 江苏大学 | 一种无人机视觉定位累积误差抑制方法 |
CN107167140B (zh) * | 2017-05-26 | 2019-11-08 | 江苏大学 | 一种无人机视觉定位累积误差抑制方法 |
CN108318050A (zh) * | 2017-12-14 | 2018-07-24 | 富华科精密工业(深圳)有限公司 | 中央控制器及利用该中央控制器移动导航的系统及方法 |
CN108121972A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种局部遮挡条件下的目标识别方法 |
CN110470295A (zh) * | 2018-05-09 | 2019-11-19 | 北京智慧图科技有限责任公司 | 一种基于ar定位的室内步行导航系统和方法 |
CN110470295B (zh) * | 2018-05-09 | 2022-09-30 | 北京智慧图科技有限责任公司 | 一种基于ar定位的室内步行导航系统和方法 |
CN109584216A (zh) * | 2018-11-12 | 2019-04-05 | 上海交通大学 | 面向机器人抓取作业的可变形料袋视觉识别与定位方法 |
CN109615645A (zh) * | 2018-12-07 | 2019-04-12 | 国网四川省电力公司电力科学研究院 | 基于视觉的特征点提取方法 |
CN110472643A (zh) * | 2019-08-20 | 2019-11-19 | 山东浪潮人工智能研究院有限公司 | 一种基于特征点匹配的光学图像员工卡识别方法 |
CN113986431A (zh) * | 2021-10-27 | 2022-01-28 | 武汉戴维南科技有限公司 | 一种机器人自动生产线可视化调试方法及系统 |
CN113986431B (zh) * | 2021-10-27 | 2024-02-02 | 武汉戴维南科技有限公司 | 一种机器人自动生产线可视化调试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101556647A (zh) | 一种基于改进sift算法的移动机器人视觉定位方法 | |
Toft et al. | Semantic match consistency for long-term visual localization | |
CN107967457B (zh) | 一种适应视觉特征变化的地点识别与相对定位方法及系统 | |
Toft et al. | Long-term 3d localization and pose from semantic labellings | |
CN102982557B (zh) | 基于深度相机的空间手势姿态指令处理方法 | |
CN101957194A (zh) | 基于嵌入式的移动机器人快速视觉定位及远程监控系统及方法 | |
CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN111666434B (zh) | 基于深度全局特征的街景图片检索方法 | |
CN104851094A (zh) | 一种基于rgb-d的slam算法的改进方法 | |
CN103198477B (zh) | 一种采用苹果套袋机器人进行视觉定位的方法 | |
CN104036524A (zh) | 一种改进sift算法的快速目标跟踪方法 | |
CN103729654A (zh) | 基于改进sift算法的图像匹配检索系统 | |
CN101770568A (zh) | 基于仿射不变点及光流计算的目标自动识别和跟踪方法 | |
CN103310195A (zh) | 车辆高分遥感图像的基于llc特征的弱监督识别方法 | |
CN109272577B (zh) | 一种基于Kinect的视觉SLAM方法 | |
CN103530590A (zh) | Dpm二维码识别系统 | |
CN112419497A (zh) | 基于单目视觉的特征法与直接法相融合的slam方法 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN112197705A (zh) | 一种基于视觉和激光测距的果实定位方法 | |
Belghit et al. | Vision-based pose estimation for augmented reality: a comparison study | |
CN107194916A (zh) | 一种基于特征点匹配的视觉测量系统 | |
Fan et al. | Visual localization using semantic segmentation and depth prediction | |
Zhang et al. | Lidar odometry and mapping based on two-stage feature extraction | |
CN102004921A (zh) | 基于图像特征分析的目标辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20091014 |