CN105115511A - 一种面向月面导航的自适应的地标选取方法 - Google Patents

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M_max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

一种面向月面导航的自适应的地标选取方法

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M_max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；

$Score=C_1\×\frac{M}{M_{\max }}+C_2\×\frac{M}{A}$

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:

$m_k=min\{P_i^k,1<<i<<N\}$

$M_k=max\{P_i^k,1<<i<<N\}$

1<<k<<d

其中，m_k表示第k维的最小值，M_k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(M_k-m_k+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:

$m_k=min\{P_i^k,1<<i<<N\}$

$M_k=max\{P_i^k,1<<i<<N\}$

1<<k<<d

其中，m_k表示第k维的最小值，M_k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(M_k-m_k+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M_max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；

$Score=C_1\&times;\frac{M}{M_{\max }}+C_2\&times;\frac{M}{A}$

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M_max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；

$Score=C_1\&times;\frac{M}{M_{\max }}+C_2\&times;\frac{M}{A}$

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:

m_k＝min{P_i ^k，1＜＜i＜＜N}

M_k＝max{P_i ^k，1＜＜i＜＜N}

1＜＜k＜＜d

其中，m_k表示第k维的最小值，M_k表示第k维的最大值，P_i ^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(M_k-m_k+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。