CN105115511A - 一种面向月面导航的自适应的地标选取方法 - Google Patents
一种面向月面导航的自适应的地标选取方法 Download PDFInfo
- Publication number
- CN105115511A CN105115511A CN201510442396.XA CN201510442396A CN105115511A CN 105115511 A CN105115511 A CN 105115511A CN 201510442396 A CN201510442396 A CN 201510442396A CN 105115511 A CN105115511 A CN 105115511A
- Authority
- CN
- China
- Prior art keywords
- point
- location
- unique point
- unique
- current
- 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.)
- Granted
Links
Abstract
一种面向月面导航的自适应的地标选取方法,包括如下步骤:1)利用SiftGPU算法进行sift特征点的提取;2)进行特征点的降采样;3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类,过程如下:3.1)根据每个特征点的最短距离分布,来获取聚类算法的初始化参数;3.2)采用非递归的方式进行DBSCAN算法的实现,得到多个候选的地标;4)通过对相邻两帧图像进行匹配,获取当前地标中正确匹配上的特征点M,以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A,利用评价函数来获取得分最高的地标为选取地标。本发明自适应能力较好、实时性良好。
Description
技术领域
本发明用于视觉导航系统,特别适应于在GPS信号微弱甚至没有的情况下,利用该地标选取方法来辅助导航。
背景技术
在月球导航过程中,由于惯导系统存在累积误差,因此需要结合视觉导航的方法来修正误差。在这一过程中,一个合适的地标的选择将有助于提高视觉导航的精度。
在目前的无人机导航定位中,通过会采用人工设置地标的形式来定位无人机的位置。也有不少相关论文阐述自然地标的选择。一般通过对相邻两帧的图像进行匹配,根据匹配情况采用已经设计好的评价函数进行评价,依据评价结果来选取合适的地标。
现有的识别方法存在的缺陷:地标的大小无法做到自适应,地标选取过程中无法达到实时。
发明内容
为了克服已有面向月面导航的地标选取方法的自适应能力较差、实时性较差的不足,本发明提供一种自适应能力较好、实时性良好的面向月面导航的自适应的地标选取方法。
本发明解决其技术问题所采用的技术方案是:
一种面向月面导航的自适应的地标选取方法,所述地标选取方法包括如下步骤:
1)利用SiftGPU算法进行sift特征点的提取;
2)进行特征点的降采样;
3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类,过程如下:
3.1)根据每个特征点的最短距离分布,来获取聚类算法的初始化参数e;
3.2)建立一种新的数据结构,该数据结构为一种二维数组,二维数组中的每一个元素存放一个一维数组的指针,若没有对应的一维数组则存放NULL指针。
对于每一个数据点计算其在所述数据结构的表格中的位置,其中每一格的宽度高度均为e,假如当前位置非空,则将当前点加到当前位置保存的数组的末端,直到所有数据点均已经分配完毕;
采用非递归的方式进行DBSCAN算法的实现,得到多个候选的地标;
4)通过对相邻两帧图像进行匹配,获取当前地标中正确匹配上的特征点M,以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A,利用如下评价函数函数来获取得分Score最高的地标为选取的地标;
其中,C1、C2为系数。
进一步,所述步骤3.2)中,采用非递归的方式进行DBSCAN算法的过程为:设置两个指针p1,p2,分别指向开始操作的数据点以及末端的数据点;假设当前点为核心点,将核心点以及领域内的点都加入队列中,p1移动,对第二个点进行操作,如果第二个点是核心点则将其领域内的点加入队列,p2移动至末端。否则p1继续移动,直到p1=p2时一个类产生,选取未被操作过的点,重复该过程。
更进一步,所述步骤3.1)中,特征点最短距离分布情况计算如下:
对于每一个d维的特征点,首先求解每一维度上的最大值以及最小值:
1<<k<<d
其中,mk表示第k维的最小值,Mk表示第k维的最大值,表示第i个点第k维的值,N为特征点的数目;
构建d维的(Mk-mk+1)的表格S,将每一个点放置在对应的单元格中,即对于一个二维点P(x,y);
对于每一个点进行最短距离搜索,首先获取当前点在表格S中的位置location(x,y),通过求解当前位置到达这8个点的最短距离来获取当前点的最短距离(MinDis),location(x-1,y-1)、location(x-1,y)、location(x-1,y+1)location(x,y-1)、location(x,y)、location(x,y+1)、location(x+1,y-1)、location(x+1,y)、location(x+1,y+1),如果这八个点都不存在则范围向外扩散,当遇到存在的点时,则能找到当前点到其他点的最短距离,时间复杂度可以记为O(N);
通过对所有点的最短距离进行升序排序,选取位于序列95%位置的距离作为之后聚类算法的初始化参数。
再进一步,所述步骤2)中,利用K-dTree这种数据结构以及边界特征点去除方法进行sift特征点的降采样,首先去除位于图像边缘10%范围内的特征点,如果此时特征点数量少于1000,则不进行K-dtree特征点降采样,否则利用该结构删除距离当前点最近的几个特征点,删除的数目由特征点总数除以1000获得,倘若特征点数小于1000则结束。
本发明的技术构思为:传统的DBSCAN算法对初始化参数敏感且无法针对实际的点分布进行自适应的聚类。同时一般的地标选取算法通常都要使用一个固定大小的patch对图片进行遍历,这个过程通常非常费时,而且对于特征点分布相对稀疏的情况下,很难找到一个固定大小的patch使之在所有情况下都能达到理想的效果。本文通过结合对DBSCAN算法进行改进,使得聚类的过程满足实时性,同时产生的候选patch大小达到自适应,最后利用已有的评价函数选取最后的patch作为地标。同时考虑到特征点分布在图像边缘较为集中,使得无法得到一个合适的patch,本文通过去除图像上下左右边缘10%宽度的特征点,对剩余的特征点进行算法测试,得到了较为理想的结果。
本发明的有益效果主要表现在:适应能力较好、实时性良好。
附图说明
图1是数据结构的示意图。
图2是大小自适应的地标选取方法的效果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种面向月面导航的自适应的地标选取方法,包括如下步骤:
1)利用SiftGPU算法进行sift特征点的提取,SiftGPU是利用GPU加速后的Sift算法,详细情况在http://www.cs.unc.edu/~ccwu/siftgpu/网站上有介绍。效果如图2(a)所示。
2)利用K-dTree这种数据结构以及边界特征点去除方法进行sift特征点的降采样,首先去除位于图像边缘10%范围内的特征点,如果此时特征点数量少于1000,则不进行K-dtree特征点降采样,否则利用该结构删除距离当前点最近的几个特征点(数目由特征点总数除以1000获得)倘若特征点数小于1000,算法结束。效果如图2(b)所示。
3)针对特征点的分布情况,进行每个特征点的最短距离计算,其时间复杂度O(N),依据最后得到的距离分布情况,来对DBSCAN聚类算法的参数进行估计。效果如图2(c)所示。
特征点最短距离分布情况计算如下:
对于每一个d维的特征点,首先求解每一维度上的最大值以及最小值:
1<<k<<d
其中,mk表示第k维的最小值,Mk表示第k维的最大值,表示第i个点第k维的值,N为特征点的数目。
构建d维的(Mk-mk+1)的表格S,将每一个点放置在对应的单元格中。即对于一个二维点P(x,y)。
对于每一个点进行最短距离搜索(假设为二维点),首先获取当前点在表格S中的位置location(x,y),通过求解当前位置到达这8个点的最短距离来获取当前点的最短距离(MinDis)。location(x-1,y-1)、location(x-1,y)、location(x-1,y+1)location(x,y-1)、location(x,y)、location(x,y+1)、location(x+1,y-1)、location(x+1,y)、location(x+1,y+1)。如果这八个点都不存在则范围向外扩散,当遇到存在的点时,则能找到当前点到其他点的最短距离。时间复杂度可以记为O(N)。
通过对所有点的最短距离进行升序排序,选取位于序列95%位置的距离作为之后聚类算法的初始化参数。
4)一个实时的DBSCAN聚类算法实现。
传统的DBSCAN聚类算法,主要包含以下步骤:
输入:包含n个对象的数据库,半径e,最少数目MinPts;
输出:所有生成的簇,达到密度要求。
(4.1)Repeat
(4.2)从数据库中抽出一个未处理的点;
(4.3)IF抽出的点是核心点THEN找出所有从该点密度可达的对象,形成一个簇;
(4.4)ELSE抽出的点是边缘点(非核心对象),跳出本次循环,寻找下一个点;
(4.5)UNTIL所有的点都被处理。
本发明设计了一种新的数据结构使得传统的DBSCAN算法在不改变精度的情况下,算法效率大大提升。数据结构如图1所示:
通过第三步我们获得了DBSCAN的一个初始化参数e,对于MinPts我们固定的设置为4。我们利用上述数据结构,对于每一个数据点计算其在上述表格中的位置,其中每一格的宽度高度均为e。(易得,可能位于某个数据点e半径范围内的点只可能是其8领域内的点。)假如当前位置非空,则将当前点加到当前位置保存的数组的末端。直到所有数据点均已经分配完毕。
采用非递归的方式进行DBSCAN算法的实现,设置两个指针p1,p2,分别指向开始操作的数据点以及末端的数据点。假设当前点为核心点,我们将核心点以及领域内的点都加入队列中,p1移动,对第二个点进行操作,如果第二个点是核心点则将其领域内的点加入队列,p2移动至末端。否则p1继续移动,直到p1=p2时,一个类产生。选取未被操作过的点,重复上述步骤。
5)合适地标的选取
通过第四步我们已经获得了多个候选的地标,如何在这多个候选的地标中选取一个合适的地标。通过对相邻两帧图像进行匹配,获取当前地标中正确匹配上的特征点M,以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A。利用如下评价函数函数来获取得分Score最高的地标为选取的地标;
其中,C1、C2为系数,实验中我们分别设置为1和3。
效果如图2(d)所示。
Claims (4)
1.一种面向月面导航的自适应的地标选取方法,其特征在于:所述地标选取方法包括如下步骤:
1)利用SiftGPU算法进行sift特征点的提取;
2)进行特征点的降采样;
3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类,过程如下:
3.1)根据每个特征点的最短距离分布,来获取聚类算法的初始化参数e;
3.2)建立一种新的数据结构,该数据结构为一种二维数组,二维数组中的每一个元素存放一个一维数组的指针,若没有对应的一维数组则存放NULL指针;
对于每一个数据点计算其在所述数据结构的表格中的位置,其中每一格的宽度高度均为e,假如当前位置非空,则将当前点加到当前位置保存的数组的末端,直到所有数据点均已经分配完毕;
采用非递归的方式进行DBSCAN算法的实现,得到多个候选的地标;
4)通过对相邻两帧图像进行匹配,获取当前地标中正确匹配上的特征点M,以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A,利用如下评价函数函数来获取得分Score最高的地标为选取地标;
其中,C1、C2为系数。
2.如权利要求1所述的一种面向月面导航的自适应的地标选取方法,其特征在于:所述步骤3.2)中,采用非递归的方式进行DBSCAN算法的过程为:设置两个指针p1,p2,分别指向开始操作的数据点以及末端的数据点,假设当前点为核心点,将核心点以及领域内的点都加入队列中,p1移动,对第二个点进行操作,如果第二个点是核心点则将其领域内的点加入队列,p2移动至末端;否则p1继续移动,直到p1=p2时一个类产生,选取未被操作过的点,重复该过程。
3.如权利要求1或2所述的一种面向月面导航的自适应的地标选取方法,其特征在于:所述步骤3.1)中,特征点最短距离分布情况计算如下:
对于每一个d维的特征点,首先求解每一维度上的最大值以及最小值:
mk=min{Pi k,1<<i<<N}
Mk=max{Pi k,1<<i<<N}
1<<k<<d
其中,mk表示第k维的最小值,Mk表示第k维的最大值,Pi k表示第i个点第k维的值,N为特征点的数目;
构建d维的(Mk-mk+1)的表格S,将每一个点放置在对应的单元格中,即对于一个二维点P(x,y);
对于每一个点进行最短距离搜索,首先获取当前点在表格S中的位置location(x,y),通过求解当前位置到达这8个点的最短距离来获取当前点的最短距离(MinDis),location(x-1,y-1)、location(x-1,y)、location(x-1,y+1)location(x,y-1)、location(x,y)、location(x,y+1)、location(x+1,y-1)、location(x+1,y)、location(x+1,y+1),如果这八个点都不存在则范围向外扩散,当遇到存在的点时,则能找到当前点到其他点的最短距离,时间复杂度可以记为O(N);
通过对所有点的最短距离进行升序排序,选取位于序列95%位置的距离作为之后聚类算法的初始化参数。
4.如权利要求1或2所述的一种面向月面导航的自适应的地标选取方法,其特征在于:所述步骤2)中,利用K-dTree这种数据结构以及边界特征点去除方法进行sift特征点的降采样,首先去除位于图像边缘10%范围内的特征点,如果此时特征点数量少于1000,则不进行K-dtree特征点降采样,否则利用该结构删除距离当前点最近的几个特征点,删除的数目由特征点总数除以1000获得,倘若特征点数小于1000则结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442396.XA CN105115511B (zh) | 2015-07-24 | 2015-07-24 | 一种面向月面导航的自适应的地标选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442396.XA CN105115511B (zh) | 2015-07-24 | 2015-07-24 | 一种面向月面导航的自适应的地标选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105115511A true CN105115511A (zh) | 2015-12-02 |
CN105115511B CN105115511B (zh) | 2017-09-26 |
Family
ID=54663556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510442396.XA Active CN105115511B (zh) | 2015-07-24 | 2015-07-24 | 一种面向月面导航的自适应的地标选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105115511B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106871908A (zh) * | 2016-12-26 | 2017-06-20 | 南京航空航天大学 | 星上自然地标库优化选择策略 |
CN111337031A (zh) * | 2020-02-24 | 2020-06-26 | 南京航空航天大学 | 一种基于姿态信息的航天器地标匹配自主位置确定方法 |
CN111915504A (zh) * | 2020-06-12 | 2020-11-10 | 长光卫星技术有限公司 | 基于地理信息迭代匹配的月球影像几何纠正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852616A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种高动态条件下实现星体目标提取的方法和装置 |
KR20110116609A (ko) * | 2010-04-19 | 2011-10-26 | 인하대학교 산학협력단 | 그래픽 가속기 기반 고속 slam 시스템 및 방법 |
CN103438890A (zh) * | 2013-09-05 | 2013-12-11 | 北京理工大学 | 基于tds与图像测量的行星动力下降段导航方法 |
CN104392434A (zh) * | 2014-11-05 | 2015-03-04 | 浙江工业大学 | 一种基于三角形约束的图像匹配扩散方法 |
CN104732221A (zh) * | 2015-03-30 | 2015-06-24 | 郑州师范学院 | 一种基于OpenCL并行加速的SIFT特征匹配方法 |
-
2015
- 2015-07-24 CN CN201510442396.XA patent/CN105115511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116609A (ko) * | 2010-04-19 | 2011-10-26 | 인하대학교 산학협력단 | 그래픽 가속기 기반 고속 slam 시스템 및 방법 |
CN101852616A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种高动态条件下实现星体目标提取的方法和装置 |
CN103438890A (zh) * | 2013-09-05 | 2013-12-11 | 北京理工大学 | 基于tds与图像测量的行星动力下降段导航方法 |
CN104392434A (zh) * | 2014-11-05 | 2015-03-04 | 浙江工业大学 | 一种基于三角形约束的图像匹配扩散方法 |
CN104732221A (zh) * | 2015-03-30 | 2015-06-24 | 郑州师范学院 | 一种基于OpenCL并行加速的SIFT特征匹配方法 |
Non-Patent Citations (2)
Title |
---|
LUO JUAN,等: ""A Comparison of SIFT, PCA-SIFT and SURF"", 《INTERNATIONAL JOURNAL OF IMAGE PROCESSING》 * |
吴佳欢,等: ""基于GPU_SIFT算法的飞行器视觉导航姿态估计关键技术"", 《计算机测量与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106871908A (zh) * | 2016-12-26 | 2017-06-20 | 南京航空航天大学 | 星上自然地标库优化选择策略 |
CN106871908B (zh) * | 2016-12-26 | 2020-04-07 | 南京航空航天大学 | 星上自然地标库优化选择策略 |
CN111337031A (zh) * | 2020-02-24 | 2020-06-26 | 南京航空航天大学 | 一种基于姿态信息的航天器地标匹配自主位置确定方法 |
CN111915504A (zh) * | 2020-06-12 | 2020-11-10 | 长光卫星技术有限公司 | 基于地理信息迭代匹配的月球影像几何纠正方法 |
CN111915504B (zh) * | 2020-06-12 | 2022-04-15 | 长光卫星技术股份有限公司 | 基于地理信息迭代匹配的月球影像几何纠正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105115511B (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740541B (zh) | 一种行人重识别系统与方法 | |
WO2020119619A1 (zh) | 一种基于3d目标分类和场景语义分割的网络优化结构 | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN103745498B (zh) | 一种基于图像的快速定位方法 | |
CN105320965A (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
CN109685115A (zh) | 一种双线性特征融合的细粒度概念模型及学习方法 | |
CN106897714A (zh) | 一种基于卷积神经网络的视频动作检测方法 | |
CN107122375A (zh) | 基于图像特征的图像主体的识别方法 | |
CN108614997B (zh) | 一种基于改进AlexNet的遥感图像识别方法 | |
CN103226584B (zh) | 形状描述符的构建方法及基于该描述符的图像检索方法 | |
CN110874636B (zh) | 一种神经网络模型压缩方法、装置和计算机设备 | |
CN105989001B (zh) | 图像搜索方法及装置、图像搜索系统 | |
CN107679539B (zh) | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 | |
CN105115511A (zh) | 一种面向月面导航的自适应的地标选取方法 | |
CN105631469A (zh) | 一种多层稀疏编码特征的鸟类图像识别方法 | |
CN115909052A (zh) | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 | |
CN103984746A (zh) | 基于半监督分类与区域距离测度的sar图像识别方法 | |
CN104484679B (zh) | 非制式枪射击弹头痕迹图像自动识别方法 | |
CN103871089B (zh) | 一种基于融合的图像超像素网格化方法 | |
CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 | |
CN104331711A (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN103324959B (zh) | 播种质量检测方法和装置 | |
CN105589896B (zh) | 数据挖掘方法及装置 | |
CN116778346A (zh) | 一种基于改进自注意力机制的管线识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |