CN104134209B - 一种视觉导航中的特征提取与匹配方法及系统 - Google Patents
一种视觉导航中的特征提取与匹配方法及系统 Download PDFInfo
- Publication number
- CN104134209B CN104134209B CN201410344863.0A CN201410344863A CN104134209B CN 104134209 B CN104134209 B CN 104134209B CN 201410344863 A CN201410344863 A CN 201410344863A CN 104134209 B CN104134209 B CN 104134209B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- point
- matching
- image
- pixel
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000004438 eyesight Effects 0.000 title claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 9
- 230000009466 transformation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种视觉导航中的特征提取与匹配方法，采用二维最大熵阈值分割法提取出特征区域；将特征区域的外接方形区域进行图像归一化处理；将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。该方案中通过特征点的匹配来获取匹配点的数量，以该数量作为筛选条件，获得匹配点最多的特征区域完成了特征区域的匹配，更进一步得到实际匹配对，增加了纹理细密且单一的导航图像在发生切变等仿射变换条件下的匹配点。
Description
技术领域
本发明涉及一种图像分析及处理方法，具体地说是一种视觉导航中的特征提取与匹配方法。
背景技术
导航是指运动体按照预先给定的任务命令，根据已知的地图信息做出全局路径规划，并在行进过程中，不断感知周围的局部环境信息，做出各种决策，随时调整自身的姿态与位置，引导自身安全行驶，直至目标位置。惯性导航方式是最常见的导航方式，但是由于本身器件固有精度限制及外界环境影响会有一定误差存在，并会在导航过程中累加并影响最终结果，尤其对于内部湿滑或含有物料的管道，极易因为打滑而导致位置估计错误，从而无法正确定位事故点。而对于无人机及小行星探测器，外界环境对惯性导航的干扰也是一项不可忽略的问题。
视觉导航具有功耗小、信息量大的特点，可以避免惯性导航自身及外在影响所导致的误差。视觉导航是采用CCD摄像头拍摄路面图像，运用机器视觉等相关技术识别路径，实现自动导航的一种新兴导航方法。视觉导航依据视觉图像，利用图像处理、计算机视觉、模型识别等相关技术获取运动体的运动信息和空间位置信息。由于视觉导航通常采用被动工作方式，设备简单、成本低、经济性好、应用范围较广，在理论上具有最佳引导柔性，因此近年来发展非常迅速实现导航。
视觉导航既适用于室内环境，也适用于室外环境，两者都必须区分探测目标与背景。为了将障碍与背景分开，所需的图像计算量很大，导致系统的实时性较差。可采用一些图像处理方法,其中包括：使用Hough变换从图像中提取直线形式的道路边界，并通过对比探测到的道路信息与机器人内部存储的地图，修正偏差，实现导航，这种方法可以提高导航的鲁棒性。也可以把图像分解成为目标、背景、平地、不平地四类，并根据分解后的结果，将环境信息归类于平原模式和目标模式，然后针对不同的模式采用不同的环境表示方法和导航方式。
现有视觉导航主要分为两种方法：一种是利用人工设置的路标，如车辆自动驾驶、机器人自主寻径等，这种方法需要视觉环境中存在人为设置的路标，而对于经常磨损的管道、无人进入的戈壁和外太空来说，人为设置路标不能实现。另一种是直接对视觉图像进行分析，提取自然场景特征并进行匹配。这种方法对所拍摄图像内容没有严格路标要求，但希望其能对图像间的分辨率差异、仿射变换、亮度变化有一定的不变性。
当前的视觉导航中的特征提取与匹配方法主要分为两种：一种是对特征区域进行匹配，一种是对特征点进行匹配。特征区域匹配方法即从图像中提取有特点的区域进行匹配：使用阈值分割、迭代法、熵方法等方法将特征区域提取出来，使用相关匹配等方法对特征区域进行匹配。对于特征区域来说，所占像素越多，形状越丰富，匹配效果越好，但是在固定大小的图像中这样的特征区域数量有限，出现匹配错误所带来的误差不可忽略。同时切变等仿射变换将会改变特征区域形状，将会出现大量匹配错误。特征点匹配方法即使用角点匹配方法提取出图像中的颜色突变点并匹配，或使用SURF、SIFT等方法，提取出图像中函数最小值的像素点并进行匹配。这些方法得到大量的匹配点，但当遇到仿射变换尤其是切变等仿射变换会使匹配点大量减少，相对于特征区域匹配的优势无法明显体现出来。
中国专利文献CN103226820A中公开了一种改进的二维最大熵分割夜视图像融合目标检测算法，首先通过对二维直方图的改进，选取权值利用该直方图计算最大熵和对红外和微光图像分割，但是二维最大熵阈值分割法适用于目标占整体图像像素较多并且目标与背景有较大差异的图像，对于管道内部、戈壁、小行星表面的图像，目标较小，纹理与背景相似，分割后的结构噪声较大，导致匹配错误率较高。
在中国专利文献CN102722731A中公开了一种基于改进SIFT算法的高效图像匹配方法，利用SIFT算子对输入的参考图像和待匹配图像进行特征点提取，结合Harris算子对SIFT提取的特征点进行优化以筛选具有代表性的角点作为最终的特征点，对SIFT特征描述符进行降维处理，获取参考图像和待匹配图像的64维特征向量描述符，利用最近邻/次紧邻算法对参考图像和待匹配图像进行初始匹配，并采用随机采样一致性算法剔除其中的错误匹配，从而实现图像的精匹配。但是对于纹理细密且单一的导航图像会发生切变等仿射变换，降低了匹配精度。
发明内容
为此，本发明所要解决的技术问题在于现有的特征提取即匹配方法对于纹理与背景相似的图像分割后噪声大、匹配精度低的技术问题，从而提出一种适用于纹理与背景相似的图像的特征提取与匹配方法。
为解决上述技术问题，本发明的提供一种视觉导航中的特征提取与匹配方法，包括如下步骤：
采用二维最大熵阈值分割法提取出特征区域；
将提取后的特征区域的外接方形区域进行图像归一化处理；
将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
优选地，所述采用二维最大熵阈值分割法提取出特征区域后，还包括：过滤掉包含的像素点小于预设阈值的特征区域。
优选地，采用二维最大熵阈值分割法提取出特征区域的过程中，包括：
将每个像素点和其相邻像素点作为一个邻域；
计算邻域内的像素均值，形成像素-均值对，建立二维函数；
根据二维函数点的位置进行噪声去除；
计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
优选地，根据二维函数点的位置进行噪声去除的过程包括：
对于远离对角线的二维函数点，像素点和邻域均值差值较大，该像素点相对于周围邻域像素点来说为突变像素点，将其忽略。
优选地，将提取后的特征区域进行图像归一化处理的过程为将分割后的特征区域的外接方形使用归一化方法进行归一化处理，包括：
计算方形的重心，移动重心，消除位移所带来的影响；
将图像沿x方向进行切变，消除x方向的切变影响；
将图像沿y方向进行切变，消除y方向的切变影响；
将图像沿xy方向进行切变，消除缩放带来的影响。
优选地，采用SIFT算法得到特征点的特征向量的过程，包括
获取特征点，然后对所述特征点进行筛选，得到有效特征点；
统计该特征点周围图像的梯度，形成梯度方向直方图；
生成特征向量。
优选地，进行匹配时以各特征向量的欧式距离来作为相似性的判定度量。
另外,一种视觉导航中的特征提取与匹配系统，包括：
特征区域提取单元：采用二维最大熵阈值分割法提取出特征区域；
归一化处理单元：将提取后的特征区域外接方形进行图像归一化处理；
匹配单元：将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
优选地，所述特征区域提取单元，还包括过滤子单元，过滤掉包含的像素点小于预设阈值的特征区域。
优选地，所述特征区域提取单元，包括：
邻域建立子单元：将每个像素点和其相邻像素点作为一个邻域；
函数建立子单元：计算邻域内的像素均值，形成像素-均值对，建立二维函数；
去噪子单元：根据二维函数点的位置进行噪声去除；
分割子单元：计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
本发明的上述技术方案相比现有技术具有以下优点，
(1)本发明提供一种视觉导航中的特征提取与匹配方法，包括采用二维最大熵阈值分割法提取出特征区域；将提取后的特征区域的外接方形进行图像归一化处理；将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。该方案中，在进行特征匹配时，将特征点匹配和特征区域匹配相结合，对SIFT算法进行了改进，由于SIFT算法是针对特征点进行匹配，本方案中通过特征点的匹配来获取匹配点的数量，以该数量作为筛选条件，获得匹配点最多的特征区域完成了特征区域的匹配，将特征点匹配和特征区域匹配有效的结合在一起，增加了纹理细密且单一的导航图像在发生切变等仿射变换条件下的匹配点，大量的匹配对可以进一步进行筛选，对于精确导航有很大意义。
(2)本发明所述的特征提取与匹配方法，将提取后的特征区域外接方形进行图像归一化处理，由于SIFT算法对切变等仿射变换敏感，因此可以使用图像归一化消除仿射变换。图像归一化是往往用于单个主体的图像，而纹理细密的图像主体不突出，无法直接使用图像归一化，因此先使用二维最大熵阈值分割法提取出主体突出的小特征区域。通过先使用二维最大熵阈值分割法提取特征区域，再采用归一化处理的方式，不仅避免了二维最大熵阈值分割法仅适用于目标占整体图像像素较多并且目标与背景有较大差异的图像的问题，也克服了纹理细密的图像主体不突出，无法直接使用图像归一化的问题，消除了仿射变换。
(3)本发明所述的特征提取与匹配方法，所述采用二维最大熵阈值分割法提取出特征区域后，还包括过滤掉包含的像素点小于预设阈值的特征区域。由于图像纹理细密，使用二维最大熵阈值分割法得出的特征区域中会有仅仅几个像素组成的的特征区域，这些特征区域特征不明显，易造成匹配错误，因此选择较大的区域作为进行下一步处理的区域，去除小像素点的特征区域，减少匹配错误，也提高了匹配速度，减少了数据处理量。
(4)本发明所述的特征提取与匹配方法，采用二维最大熵阈值分割法提取出特征区域的过程中，所有二维函数点集中在对角线附近,说明一致性和相关性较强，属于目标或背景区域。远离对角线的点，像素点和邻域均值差距较大，该像素点相对于周围相邻像素来说是一个突变像素，因此可以认为该像素点是噪声或者边界部分而将其忽略，这样二维最大熵阈值分割法就具备了一定的抗噪声性能。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明所述的视觉导航中的特征提取方法与匹配方法的流程图；
图2是本发明所述的视觉导航中的特征提取方法与匹配系统的结构框图。
具体实施方式
实施例1：
本实施例中提供一种视觉导航中的特征提取与匹配方法，包括如下步骤：
(1)采用二维最大熵阈值分割法提取出特征区域。二维最大熵阈值分割法是一种特征区域提取的常规方法，使用二维最大熵阈值分割法提取出主体突出的小特征区域：计算图片中每一个点的熵的值，确定分割阈值使得图片熵达到最大。在此过程中，为了提高二维最大上阈值分割法的抗噪声性能，会对像素点进行去噪处理。将每个像素点和其相邻像素点作为一个邻域；计算邻域内的像素均值，形成像素-均值对，建立二维函数。根据二维函数点的位置进行噪声去除，所有二维函数点集中在对角线附近,说明一致性和相关性较强，属于目标或背景区域；对于远离对角线的二维函数点，像素点和邻域均值差值较大，该像素点相对于周围邻域像素点来说为突变像素点，将其忽略。二维最大熵阈值分割法通过计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
(2)将提取后的特征区域进行图像归一化处理。通过将分割后的特征区域的外接方形使用归一化方法进行归一化处理，使用提取的特征区域的外接方形进行归一化，可以减少运算量，降低算法的复杂度。采用将提取后的特征区域的外接方形进行图像归一化处理的方式，包括：
a)计算方形的重心，移动重心，消除位移所带来的影响；
b)将图像沿x方向进行切变，消除x方向的切变影响；
c)将图像沿y方向进行切变，消除y方向的切变影响；
d)将图像沿xy方向同时进行切变，消除缩放带来的影响。这一步是从两
个方向同时进行的，相当于等比例缩放。
图像归一化是往往用于单个主体的图像，而纹理细密的图像主体不突出，无法直接使用图像归一化，因此先使用二维最大熵阈值分割法提取出主体突出的小特征区域，再通过图像归一化来消除仿射变换。
(3)将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，SIFT算法是一种特征匹配时常规采用的方式，通过获取特征点进行特征点之间的匹配。选择两幅图像，这两幅图像是相邻时刻获取的两幅图像，针对每幅图像已经进行了上述区域分割和归一化处理，使用SIFT算法，将第一幅图像中的每个特征区域内的各个特征点与相邻的第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
SIFT算法获取特征向量的过程包括：获取特征点，然后对所述特征点进行筛选，得到有效特征点；统计该特征点周围图像的梯度，形成梯度方向直方图；生成特征向量。进行匹配时以各特征向量的欧式距离来作为相似性的判定度量。
该方案中，在进行特征匹配时，将特征点匹配和特征区域匹配相结合，对SIFT算法进行了改进，由于SIFT算法是针对特征点进行匹配，本方案中通过特征点的匹配来获取匹配点的数量，以该数量作为筛选条件，获得匹配点最多的特征区域完成了特征区域的匹配，将特征点匹配和特征区域匹配有效的结合在一起，增加了纹理细密且单一的导航图像在发生切变等仿射变换条件下的匹配点，大量的匹配对可以进一步进行筛选，对于精确导航有很大意义。同时，使用二维最大熵阈值分割法对图像进行处理，也为管道健康程度分析或地面地形环境分析提供了相应的数据。针对管道内部图像，戈壁、小行星表面图像之间图像相似、纹理细密单一的特点，对SIFT进行改进，实现视觉导航中的特征提取与匹配：使用二维最大熵阈值分割法提取出特征区域，结合图像归一化得到校正后的图像，使得SIFT算法匹配特征区域并提取出更多的匹配点。
实施例2：
本实施例中提供一种视觉导航中的特征提取与匹配方法，在上述实施例的基础上，在所述采用二维最大熵阈值分割法提取出特征区域后，还包括过滤掉包含的像素点小于预设阈值的特征区域的步骤。由于图像纹理细密，使用二维最大熵阈值分割法得出的特征区域中会有仅仅几个像素组成的的特征区域，这些特征区域特征不明显，易造成匹配错误，因此选择较大的区域作为进行下一步处理的区域，去除小像素点的特征区域，可以减少匹配错误，也提高了匹配速度，减少了数据处理量。
本实施例中提供一种视觉导航中的特征提取与匹配方法，主要环节的具体设计如下：
(1)基于二维最大熵阈值分割法
由于SIFT算法对切变等仿射变换敏感，因此可以使用图像归一化消除仿射变换。图像归一化是往往用于单个主体的图像，而纹理细密的图像主体不突出，无法直接使用图像归一化，因此先使用二维最大熵阈值分割法提取出主体突出的小特征区域：计算图片中每一个点的熵的值，确定分割阈值使得图片熵达到最大。二维最大熵阈值分割法将每个像素以及该像素周围的8个相邻像素作为一个邻域，位于不同邻域的像素，即使像素值相同，邻域均值也不会相同，这样可以将两者区分开来。对于灰度级为L的图像，除图像边缘像素外，其中每一个像素都有其相对应的由9个像素组成的邻域，这样可以形成L×L种不同的像素-均值对，这样的像素对最终组成了一个二维函数。所有二维函数点集中在对角线附近,说明一致性和相关性较强，属于目标或背景区域。远离对角线的点，像素点和邻域均值差距较大，该像素点相对于周围8个像素来说是一个突变像素，因此可以认为该像素点是噪声或者边界部分而将其忽略，这样二维最大熵阈值分割法就具备了一定的抗噪声性能。计算属于目标或背景区域的像素熵并使其最大，即可得出分割阈值。
所述采用二维最大熵阈值分割法提取出特征区域后，还包括过滤掉包含的像素点小于预设阈值的特征区域。由于图像纹理细密，使用二维最大熵阈值分割法得出的特征区域中会有仅仅几个像素组成的的特征区域，这些特征区域特征不明显，易造成匹配错误，因此选择较大的区域作为进行下一步处理的区域，通过去除小像素点的特征区域，减少匹配错误。
(2)特征区域后的图像归一化处理，提取将分割后的特征区域的外接方形使用归一化方法进行归一化。每一个特征区域的外接方形都是一个有单个主体的图像，对这种图像的归一化效果最好。归一化步骤如下：
a)计算方形的重心，移动重心，消除位移所带来的影响。
b)将图像沿x方向进行切变，消除x方向的切变影响。
c)将图像沿y方向进行切变，消除y方向的切变影响。
d)同时将图像沿xy方向进行切变，消除缩放所带来的影响。
此步骤中，将提取后的特征区域进行图像归一化处理，由于SIFT算法对切变等仿射变换敏感，因此可以使用图像归一化消除仿射变换。图像归一化是往往用于单个主体的图像，而纹理细密的图像主体不突出，无法直接使用图像归一化，因此先使用二维最大熵阈值分割法提取出主体突出的小特征区域。通过先使用二维最大熵阈值分割法提取特征区域，再采用归一化处理的方式，不仅避免了二维最大熵阈值分割法仅适用于目标占整体图像像素较多并且目标与背景有较大差异的图像的问题，也克服了纹理细密的图像主体不突出，无法直接使用图像归一化的问题，消除了仿射变换。
(3)将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，使用SIFT匹配每一个归一化后的特征区域与另一幅图上的归一化后的特征区域，匹配的过程如下：
a)DoG尺度空间生成与特征点检索：使用高斯函数形成不同尺度空间图像，相减得到高斯差分尺度空间DoG。计算不同尺度下的DoG算子的响应值可以拟合出该点在不同尺度下的DoG算子的响应曲线，从而求得极值点所在尺度空间，若该极值点是相邻尺度相邻像素点的极值，则该点为特征点。
b)极值点筛选。由于归一化后的图像有明显黑色边缘，需要对特征点进行筛选，得到有效特征点。
c)特征点方向。统计该特征点周围图像的梯度：以特征点为中心，统计4.5倍尺度为半径的区域中每个像素点的图像梯度模值和方向并分类形成形成梯度方向直方图。取峰值方向和大于80％峰值的方向为特征点主方向和辅方向。将特征区域按照主方向和辅方向旋转为同一个方向。
d)特征向量生成。将以特征点为中心的邻域高斯加权后均分为4x4个区域，统计每个区域中的梯度方向直方图。
e)对比两幅图像中各特征点的特征向量的欧式距离来作为相似性的判定度量。取匹配点最多的两幅特征区域作为匹配区域，其中的特征点为匹配特征点。
本方案中的特征提取和匹配方法，对SIFT算法进行改进，将特征点的匹配和特征区域的匹配进行了融合，增加了纹理细密且单一的导航图像在发生切变等仿射变换条件下的匹配点，大量的匹配对可以进一步进行筛选，对于精确导航有很大意义。同时，使用二维最大熵阈值分割法对图像进行处理，也为管道健康程度分析或地面地形环境分析提供了相应的数据。此外，还通过归一化处理的方式消除了仿射变换，提高了SIFT算法的精度。
实施例3：
本实施例中还提供使用上述方法的一种视觉导航中的特征提取与匹配系统，包括如下部分：
特征区域提取单元：采用二维最大熵阈值分割法提取出特征区域；
归一化处理单元：将提取后的特征区域进行图像归一化处理；
匹配单元：采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
其中，所述特征区域提取单元，还包括过滤子单元，过滤掉包含的像素点小于预设阈值的特征区域。
进一步地，所述特征区域提取单元，包括：
邻域建立子单元：将每个像素点和其相邻像素点作为一个邻域；
函数建立子单元：计算邻域内的像素均值，形成像素-均值对，建立二维函数；
去噪子单元：根据二维函数点的位置进行噪声去除；
分割子单元：计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
优选地，上述去噪子单元，还包括对于远离对角线的二维函数点，像素点和邻域均值差值较大，该像素点相对于周围邻域像素点来说为突变像素点，将其忽略。
进一步优选地，所述归一化处理单元，还包括：
第一消除子单元：计算方形的重心，移动重心，消除位移所带来的影响；
第二消除子单元：将图像沿x方向进行切变，消除x方向的切变影响；
第三消除子单元：将图像沿y方向进行切变，消除y方向的切变影响；
第四消除子单元：将图像沿xy方向进行切变，消除缩放带来的影响。
进一步地，匹配单元还包括：
有效特征点获取子单元：获取特征点，然后对所述特征点进行筛选，得
到有效特征点；
直方图形成单元：统计该特征点周围图像的梯度，形成梯度方向直方图；
特征向量生成单元：生成特征向量。
判定度量单元：进行匹配时以各特征向量的欧式距离来作为相似性的判定度量。
本实施例中的特征提取与匹配系统，针对管道内部图像，戈壁、小行星表面图像之间图像相似、纹理细密单一的特点，对SIFT进行改进，实现视觉导航中的特征提取与匹配，使用二维最大熵阈值分割法提取出特征区域，结合图像归一化得到校正后的图像，使得SIFT算法匹配特征区域并提取出更多的匹配点。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种视觉导航中的特征提取与匹配方法，其特征在于，包括如下步骤：
采用二维最大熵阈值分割法提取出特征区域；
将提取后的特征区域的外接方形区域进行图像归一化处理；
将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
2.根据权利要求1所述的特征提取与匹配方法，其特征在于，所述采用二维最大熵阈值分割法提取出特征区域后，还包括：过滤掉包含的像素点小于预设阈值的特征区域。
3.根据权利要求1或2所述的特征提取与匹配方法，其特征在于，采用二维最大熵阈值分割法提取出特征区域的过程中，包括：
将每个像素点和其相邻像素点作为一个邻域；
计算邻域内的像素均值，形成像素-均值对，建立二维函数；
根据二维函数点的位置进行噪声去除；
计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
4.根据权利要求3所述的特征提取与匹配方法，其特征在于，根据二维函数点的位置进行噪声去除的过程包括：
对于远离对角线的二维函数点，像素点和邻域均值差值较大，该像素点相对于周围邻域像素点来说为突变像素点，将其忽略。
5.根据权利要求1或2所述的特征提取与匹配方法，其特征在于，将提取后的特征区域进行图像归一化处理的过程为将分割后的特征区域的外接方形使用归一化方法进行归一化处理，包括：
计算方形的重心，移动重心，消除位移所带来的影响；
将图像沿x方向进行切变，消除x方向的切变影响；
将图像沿y方向进行切变，消除y方向的切变影响；
将图像沿xy方向进行切变，消除缩放带来的影响。
6.根据权利要求1或2所述的特征提取与匹配方法，其特征在于，采用SIFT算法得到特征点的特征向量的过程，包括
获取特征点，然后对所述特征点进行筛选，得到有效特征点；
统计该特征点周围图像的梯度，形成梯度方向直方图；
生成特征向量。
7.根据权利要求1或2所述的特征提取与匹配方法，其特征在于，进行匹配时以各特征向量的欧式距离来作为相似性的判定度量。
8.一种视觉导航中的特征提取与匹配系统，其特征在于，包括：
特征区域提取单元：采用二维最大熵阈值分割法提取出特征区域；
归一化处理单元：将提取后的特征区域外接方形进行图像归一化处理；
匹配单元：将各个图像归一化处理后的外接方形区域作为待匹配的特征区域，采用SIFT算法得到特征点的特征向量，将第一幅图像中的每个特征区域内的各个特征点与第二幅图像中的每个特征区域内的特征点进行匹配，获取匹配点的个数，选择匹配点的个数最多的两个特征区域作为匹配区域，其中匹配的特征点作为匹配特征点。
9.根据权利要求8所述的特征提取与匹配系统，其特征在于，所述特征区域提取单元，还包括过滤子单元，过滤掉包含的像素点小于预设阈值的特征区域。
10.根据权利要求8或9所述的特征提取与匹配系统，其特征在于，所述特征区域提取单元，包括：
邻域建立子单元：将每个像素点和其相邻像素点作为一个邻域；
函数建立子单元：计算邻域内的像素均值，形成像素-均值对，建立二维函数；
去噪子单元：根据二维函数点的位置进行噪声去除；
分割子单元：计算属于目标或背景区域的像素的熵值并使其最大，得出分割阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410344863.0A CN104134209B (zh) | 2014-07-18 | 2014-07-18 | 一种视觉导航中的特征提取与匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410344863.0A CN104134209B (zh) | 2014-07-18 | 2014-07-18 | 一种视觉导航中的特征提取与匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104134209A CN104134209A (zh) | 2014-11-05 |
| CN104134209B true CN104134209B (zh) | 2018-04-10 |
Family
ID=51806878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410344863.0A Expired - Fee Related CN104134209B (zh) | 2014-07-18 | 2014-07-18 | 一种视觉导航中的特征提取与匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104134209B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778465B (zh) * | 2015-05-06 | 2018-05-15 | 北京航空航天大学 | 一种基于特征点匹配的目标跟踪方法 |
| CN105426815A (zh) * | 2015-10-29 | 2016-03-23 | 北京汉王智远科技有限公司 | 活体检测方法及装置 |
| CN105825517B (zh) * | 2016-03-31 | 2018-09-07 | 湖北航天技术研究院总体设计所 | 一种导航高度误差的图像修正方法及系统 |
| CN106067172B (zh) * | 2016-05-27 | 2018-10-26 | 哈尔滨工程大学 | 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法 |
| CN106529466B (zh) * | 2016-11-03 | 2019-04-30 | 中国兵器工业计算机应用技术研究所 | 一种基于仿生眼的无人驾驶车辆路径规划方法及系统 |
| CN106595500B (zh) * | 2016-11-21 | 2019-06-14 | 云南电网有限责任公司电力科学研究院 | 基于无人机双目视觉的输电线路覆冰厚度测量方法 |
| CN109358648B (zh) * | 2016-12-27 | 2022-11-04 | 深圳市道通智能航空技术股份有限公司 | 无人机自主飞行的方法、装置以及无人机 |
| CN107481273B (zh) * | 2017-07-12 | 2021-01-15 | 南京航空航天大学 | 一种航天器自主导航快速图像匹配方法 |
| CN107452028B (zh) * | 2017-07-28 | 2020-05-26 | 浙江华睿科技有限公司 | 一种确定目标图像位置信息的方法及装置 |
| CN109138720B (zh) * | 2018-01-30 | 2020-04-21 | 张毅 | 一种基于图像处理来自动化操作方法 |
| CN108287506B (zh) * | 2018-01-30 | 2020-09-11 | 嵊州市万智网络科技有限公司 | 基于图像处理的智慧家居装置 |
| CN109141366A (zh) * | 2018-01-31 | 2019-01-04 | 张月云 | 大数据采集方法 |
| CN108592869B (zh) * | 2018-04-18 | 2021-03-23 | 山东富友慧明测控设备有限公司 | 一种高支模超载监测方法及装置 |
| CN109782012A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第二十研究所 | 一种基于光电图像特征关联的测速方法 |
| CN112115770B (zh) * | 2020-08-05 | 2024-08-13 | 中国电力科学研究院有限公司 | 一种用于架空线路无人机自主巡检缺陷识别的方法及系统 |
| CN112747750B (zh) * | 2020-12-30 | 2022-10-14 | 电子科技大学 | 一种基于单目视觉里程计和imu融合的定位方法 |
| CN114331961A (zh) * | 2021-11-25 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 用于对象的缺陷检测的方法 |
| CN114240739A (zh) * | 2021-12-16 | 2022-03-25 | 浙江大学 | 一种图像预处理方法 |
| CN116129277B (zh) * | 2023-04-04 | 2023-11-21 | 重庆市建设工程质量检验测试中心有限公司 | 一种建筑节能检测方法及系统 |
| CN116221231B (zh) * | 2023-05-09 | 2023-08-15 | 湖南奥通智能研究院有限公司 | 一种高精度油缸位移检测方法及液压油缸 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903075A (zh) * | 2012-10-15 | 2013-01-30 | 西安电子科技大学 | 基于图像特征点全局校正的鲁棒水印方法 |
| CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8254697B2 (en) * | 2009-02-02 | 2012-08-28 | Microsoft Corporation | Scalable near duplicate image search with geometric constraints |
-
2014
- 2014-07-18 CN CN201410344863.0A patent/CN104134209B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903075A (zh) * | 2012-10-15 | 2013-01-30 | 西安电子科技大学 | 基于图像特征点全局校正的鲁棒水印方法 |
| CN103400384A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 结合区域匹配和点匹配的大视角图像匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104134209A (zh) | 2014-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
| Yenikaya et al. | Keeping the vehicle on the road: A survey on on-road lane detection systems | |
| CN107330376B (zh) | 一种车道线识别方法及系统 | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
| US8750567B2 (en) | Road structure detection and tracking | |
| Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
| Li et al. | Road lane detection with gabor filters | |
| CN106650640A (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
| CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN106225787A (zh) | 一种无人机视觉定位方法 | |
| CN103116757B (zh) | 一种三维信息复原提取的道路遗洒物识别方法 | |
| CN103077521A (zh) | 一种用于视频监控的感兴趣区域提取方法 | |
| CN109410248B (zh) | 一种基于r-K算法的浮选泡沫运动特征提取方法 | |
| CN103077531A (zh) | 基于边缘信息的灰度目标自动跟踪方法 | |
| CN107677274A (zh) | 基于双目视觉的无人机自主着陆导航信息实时解算方法 | |
| CN107808524B (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
| CN103093198A (zh) | 一种人群密度监测方法及装置 | |
| CN104913784B (zh) | 一种行星表面导航特征自主提取方法 | |
| Li et al. | Road markings extraction based on threshold segmentation | |
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN106203261A (zh) | 基于svm和surf的无人车野外水体检测与跟踪方法 | |
| CN102938057A (zh) | 一种车辆阴影消除方法及装置 | |
| CN105894504A (zh) | 基于图像的井盖缺失检测方法 | |
| CN104063691B (zh) | 基于改进的Hough变换的车道线快速检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Zhenqiang Inventor after: Zhang Peilin Inventor after: Yuan Xiaowei Inventor after: Jiang Li Inventor after: Yang Zhi Inventor after: Du Yan Inventor after: Zhang Yu Inventor after: Li Xinsheng Inventor after: Fan Liyao Inventor after: Dong Qiqiang Inventor after: Zhong Genyuan Inventor after: Yu Baoqing Inventor after: Ding Fei Inventor after: Wang Feng Inventor before: Liu Zhenqiang Inventor before: Yuan Xiaowei Inventor before: Jiang Li Inventor before: Yang Zhi Inventor before: Du Yan Inventor before: Zhang Yu Inventor before: Li Xinsheng Inventor before: Fan Liyao Inventor before: Dong Qiqiang Inventor before: Zhong Genyuan Inventor before: Ding Fei Inventor before: Wang Feng Inventor before: Zhang Peilin |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |