CN102938147A - 一种基于快速鲁棒特征的低空无人机视觉定位方法 - Google Patents

Abstract

本发明涉及一种基于快速鲁棒特征的低空无人机视觉定位方法，能够适应低空无人机航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器位置的精确估计。首先，构建了SURF尺度空间，运用快速Hessian矩阵定位极值点，计算出航空图像的64维SURF特征描述子；然后，基于Hessian矩阵迹完成特征点匹配；最后，使用RANSAC方法剔除出格点，实现位置参数的精确估计。本发明用RANSAC算法求解基准图与实时图之间的变换参数。基于RANSAC的局部参数估计完成后，剔除外点后，解算出符合匹配要求的内点，即可得到实时图基于RANSAC估计参数的变换结果以及实时图中心在基准图上的定位结果。

Description

一种基于快速鲁棒特征的低空无人机视觉定位方法

技术领域

本发明涉及一种基于快速鲁棒特征的低空无人机视觉定位方法，能够适应低空无人机航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器获取的实时图在卫星基准图上位置参数的精确估计。

背景技术

在视觉导航中，低空无人机位置参数估计是自主导航的核心，研究高精度、鲁棒图像匹配方法是提高无人机位置参数估计的重要手段。

本发明利用快速鲁棒特征（Speeded-up robust features，SURF）即一种新的局部不变特征方法，对子区域的梯度信息进行了整合，可以有效解决实时图与基准图在几何变换、畸变、仿射变换、视角变换、亮度变换、噪声干扰等情况下的匹配问题。一般情况下，机载摄像机获取的地面影像（实时图）与卫星数字正射影像图（基准图）之间存在较大差异（如尺度、旋转、光照等），传统的基于模板匹配的方法在图像配准前，需要基于规划航迹预测出实时图相对于基准图的航向偏差，增加了方法的复杂度，且配准误差较大。本发明能够克服图像在几何变化、光照变化、噪声干扰时仍保持一定稳定性的图像局部特征。与传统方法相比，基于不变特征的图像匹配在动态环境适应性方面，配准精度和鲁棒性方面均具有较大优势。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于快速鲁棒特征的低空无人机视觉定位方法。

技术方案

一种基于快速鲁棒特征的低空无人机视觉定位方法，其特征在于步骤如下：

步骤1多尺度空间构建：以9×9的滤波器而言，高斯二阶导的大小定为3，其滤波器大小的1/3，即9×1/3=3；滤波器尺寸可用size＝3+5s公式计算，其中s是σ的倍数；

步骤2快速Hessian矩阵检测：对于图像I中一个给定的点X＝(x,y)，Hessian矩阵中采用近似的高斯核函数，即箱式滤波器D_xy,D_xy,D_yy，9×9的滤波器是对高斯核函数在σ=1.2处的近似；引入高斯核函数和高斯核函数的比例因子ω，Hessian矩阵的行列式变形为det(H_opprox)＝D_xxD_yy-(ωD_xy)²，ω取常量0.9；

步骤3SURF特征描述子提取：以极值点为中心选取半径为6s的圆形区域，计算哈尔小波在x和y方向上的响应值，记为h_x,h_y；以σ＝3s为加权因子对两个响应值高斯加权，记为W_hx,W_hy；对W_hx,W_hy用直方图统计并将360°均分为72组，以极值点为中心的圆均分为6个区，统计各60°扇区内的W_hx,W_hy，记为∑W_hx,∑W_hy，同时计算该区的梯度值，梯度值最大区域所在的方向即为该极值点的主方向，以∑W_hx,∑W_hy反正切计算出主方向度数，s即极值点所在尺度；

首先以极值点为中心选取20×20大小的区域，将区域的方向旋转到极值点的方向；将这个正方形区域分成4×4共16个子区域，每个子区域里有(20/4=5)5×5的像素，在每一个子区域分别计算每个像素点在哈尔小波x和y方向上的响应值；

计算完所有的像素的响应值后，对所有的dx，dy，以极值点为中心进行高斯加权(σ=3.35)，分别记为dx,dy，然后求和，记为∑dx,∑dy；并对dx，dy绝对值求和，记为∑|dx|,∑|dy|，均存入特征向量并归一化，形成了一个四维的向量：v＝(∑dx,∑dy,∑|dx|,∑|dy|)；对16个子区域分别求特征向量，形成一个16×4=64维的特征向量，利用该方法对一对实时图和基准图进行了SURF特征点提取；

步骤4基于Hessian矩阵迹的特征点匹配：在Hessian矩阵迹计算完毕之后，对Hessian矩阵主对角线之和，即trace(i)＝∑(dx+dy)；在进行相似性度量的时候，首先判断Hessian矩阵的迹的符号，如果trace(i)是大于0的数，令描述子等于1，反之，令描述子等于-1；

若两个描述子的trace(i)相同，可继续比较；反之，后面的描述子则不需要再比较；比较时需先分别计算实时图描述子discriptor_sensed和基准图描述子discriptor_ref的欧氏距离，即

计算最近邻匹配点dist_f和次近邻匹配点dist_s，若dist_f/dist_f≤1，则二者匹配；

步骤5基于RANSAC的局部参数估计：流程如下：（1）随机选择N个样本；（2）根据抽取样本估计模型数；（3）用估计模型计算各匹配点对间的距离，将距离小于阈值的匹配点作为内点；（4）上述过程重复k次，选择一个包含内点最多的点集，重新计算模型参数；各参数计算关系为k＝log(1-P)/log(1-(1-ε)^S)，外点概率为ε，采样点对数为s，k次采样至少有一次全部是内点的概率为P。

有益效果

本发明提出的一种基于快速鲁棒特征的低空无人机视觉定位方法，能够适应低空无人机航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器位置的精确估计。首先，构建了SURF尺度空间，运用快速Hessian矩阵定位极值点，计算出航空图像的64维SURF特征描述子；然后，基于Hessian矩阵迹完成特征点匹配；最后，使用RANSAC方法剔除出格点，实现位置参数的精确估计。

本发明用RANSAC算法求解基准图与实时图之间的变换参数。基于RANSAC的局部参数估计完成后，剔除外点后，解算出符合匹配要求的内点，即可得到实时图基于RANSAC估计参数的变换结果以及实时图中心在基准图上的定位结果。

附图说明

图1：基于快速鲁棒特征的低空无人机视觉定位方法实现流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

1、一种基于快速鲁棒特征的低空无人机视觉定位方法，其内容包括以下步骤：

A、低空无人机航空序列图像的SURF特征点提取。

B、低空无人机航空序列图像的SURF特征点匹配。

2、本发明专利的低空无人机航空序列图像的快速鲁棒特征提取，其内容包括以下方面：

A、多尺度空间构建。对图像进行预处理时，用箱式滤波器对高斯核近似，利用箱式滤波器在计算卷积时的计算量与滤波器大小无关的性质，极大提高算法的计算速度。通过计算不同尺度的箱式滤波器建立了多尺度空间。

B、快速Hessian矩阵检测。Hessian矩阵中用到的核函数是高斯核函数，这里为了快速计算，对高斯核函数的近似即箱式滤波器，采用9×9的滤波器近似高斯核函数（σ=1.2）。引入一个高斯核函数和高斯核函数的近似的比例因子ω，以保持计算精度。

C、SURF特征描述子提取。为了提取极值点描述子，在极值点周围选取20×20大小的区域。首先以极值点为中心，将区域的方向旋转到极值点的方向。将这个正方形区域分成4×4共16个子区域，在每一个子区域分别计算每个像素点在哈尔小波x和y方向上的响应值。计算完所有的像素的响应值后，对所有的dx,dy，以极值点为中心进行高斯加权(σ=3.35)，分别记为dx,dy，这样可以增加对光照变化和定位错误的鲁棒性。对每一个子区域内的小波响应值dx,dy，分别进行求和计算，记为∑dx,∑dy，将这两个和值存入描述子特征向量。为了描述在x和y方向上像素数值的改变情况，分别对每一个子区域上的dx,dy的绝对值进行求和计算，记为∑|dx|,∑|dy|，所得结果也存入特征向量，将特征向量归一化，使得描述子具有光照、尺度不变性，这样就形成了一个四维的向量v＝(∑dx,∑dy,∑|dx|,∑|dy|)，对16个子区域分别求去特征向量，形成一个16×4=64维的特征向量。

3、本发明专利的低空无人机航空序列图像的快速鲁棒特征匹配，其内容包括以下方面：

A、基于Hessian矩阵迹的特征点匹配。利用Hessian矩阵迹的符号进行特征匹配，因为其符号区分了黑背景中白的斑点区域和白背景中黑的斑点区域，利用该特征可以大大提高匹配效率。Hessian矩阵迹计算完毕之后，对Hessian矩阵主对角线之和即trace(i)＝∑(dx+dy)，其中的dx,dy仍然是积分图像想滤波器的x和y方向上的响应值。如果两个描述子的trace(i)相同，说明两个描述子具有相等的对比度，可以继续进行描述子的比较。如果两个描述子的trace(i)不相同，则不需要进行后面的描述子的比较，减少了匹配时间，同时不会影响匹配效果。

B、基于RANSAC的局部参数估计。RANSAC算法假定观测数据由符合某种模型的“内点（inliers）”和不符合模型的“出格点（outliers）”组成，这些出格点可能来自观测误差、错误匹配等。基本的RANSAC算法的流程如下：（1）随机选择N个样本；（2）根据抽取样本估计模型参数；（3）用估计的模型计算每一个匹配点对之间的距离，将距离小于阈值的匹配点作为内点；（4）将上述过程重复k次，选择一个包含内点最多的点集，重新计算模型参数。该算法最终可有效去除误匹配点对，实现飞行器实时图中心在卫星基准图上的精确定位。

Claims (1)

1.一种基于快速鲁棒特征的低空无人机视觉定位方法，其特征在于步骤如下：

步骤1多尺度空间构建：以9×9的滤波器而言，高斯二阶导的大小定为3，其滤波器大小的1/3，即9×1/3=3；滤波器尺寸可用size＝3+5s公式计算，其中s是σ的倍数；

步骤2快速Hessian矩阵检测：对于图像I中一个给定的点X＝(x,y)，Hessian矩阵中采用近似的高斯核函数，即箱式滤波器D_xx,D_xy,D_yy，9×9的滤波器是对高斯核函数在σ=1.2处的近似；引入高斯核函数和高斯核函数的比例因子ω，Hessian矩阵的行列式变形为det(H_opprox)＝D_xxD_yy-(ωD_xy)²，ω取常量0.9；

步骤3SURF特征描述子提取：以极值点为中心选取半径为6s的圆形区域，计算哈尔小波在x和y方向上的响应值，记为h_x,h_y；以σ＝3s为加权因子对两个响应值高斯加权，记为W_hx,W_hy；对W_hx,W_hy用直方图统计并将360°均分为72组，以极值点为中心的圆均分为6个区，统计各60°扇区内的W_hx,W_hy，记为∑W_hx,∑W_hy，同时计算该区的梯度值，梯度值最大区域所在的方向即为该极值点的主方向，以∑W_hx,∑W_hy反正切计算出主方向度数，s即极值点所在尺度；

首先以极值点为中心选取20×20大小的区域，将区域的方向旋转到极值点的方向；将这个正方形区域分成4×4共16个子区域，每个子区域里有(20/4=5)5×5的像素，在每一个子区域分别计算每个像素点在哈尔小波x和y方向上的响应值；

计算完所有的像素的响应值后，对所有的dx，dy，以极值点为中心进行高斯加权(σ=3.35)，分别记为dx,dy，然后求和，记为∑dx,∑dy；并对dx，dy绝对值求和，记为∑|dx|,∑|dy|，均存入特征向量并归一化，形成了一个四维的向量：v＝(∑dx,∑dy,∑|dx|,∑|dy|)；对16个子区域分别求特征向量，形成一个16×4=64维的特征向量，利用该方法对一对实时图和基准图进行了SURF特征点提取；

步骤4基于Hessian矩阵迹的特征点匹配：在Hessian矩阵迹计算完毕之后，对Hessian矩阵主对角线之和，即trace(i)＝∑(dx+dy)；在进行相似性度量的时候，首先判断Hessian矩阵的迹的符号，如果trace(i)是大于0的数，令描述子等于1，反之，令描述子等于-1；

若两个描述子的trace(i)相同，可继续比较；反之，后面的描述子则不需要再比较；比较时需先分别计算实时图描述子discriptor_sensed和基准图描述子discriptor_ref的欧氏距离，即

计算最近邻匹配点dist_f和次近邻匹配点dist_s，若dist_f/dist_f≤1，则二者匹配；

步骤5基于RANSAC的局部参数估计：流程如下：（1）随机选择N个样本；（2）根据抽取样本估计模型数；（3）用估计模型计算各匹配点对间的距离，将距离小于阈值的匹配点作为内点；（4）上述过程重复k次，选择一个包含内点最多的点集，重新计算模型参数；各参数计算关系为k＝log(1-P)/log(1-(1-ε)^S)，外点概率为ε，采样点对数为s，k次采样至少有一次全部是内点的概率为P。

Images