CN106096621B - 基于矢量约束的着降位置检测用随机特征点选取方法 - Google Patents
基于矢量约束的着降位置检测用随机特征点选取方法 Download PDFInfo
- Publication number
- CN106096621B CN106096621B CN201610388927.6A CN201610388927A CN106096621B CN 106096621 B CN106096621 B CN 106096621B CN 201610388927 A CN201610388927 A CN 201610388927A CN 106096621 B CN106096621 B CN 106096621B
- Authority
- CN
- China
- Prior art keywords
- point
- area image
- drop
- sift feature
- characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于矢量约束的着降位置检测用随机特征点选取方法,包括步骤:一、着降区域图像获取及同步上传;二、着降区域图像处理,过程如下:201、初始采样时刻着降区域图像处理;202、下一个采样时刻着降区域图像处理,包括步骤:Harris角点提取、Harris角点匹配、SIFT特征提取、SIFT特征点匹配、特征点融合、特征点组合生成和最优特征点组合筛选;203、返回步骤202,对下一个采样时刻着降区域图像进行处理。本发明方法步骤简单、设计合理且实现方便、实时性强、使用效果好,能简便、快速从未知着降区域图像提取的特征点中选取位姿估计用的特征点,能有效提高位姿估计精度。
Description
技术领域
本发明属于视觉导航技术领域,尤其是涉及一种基于矢量约束的着降位置检测用随机特征点选取方法。
背景技术
无人机在执行营救、搜索等任务时,面临着降区地形未知、复杂且无地面辅助导航设备引导的紧急着陆问题。由于惯性导航存在累计误差、GPS易受干扰等问题,使无人机在复杂未知环境着降时存在巨大安全隐患。视觉相对导航具有设备简单、信息量大、隐蔽性强、自主性好等优点,在无人机自主着陆/着舰、空中自主加油及航天器交汇对接等领域都有广泛应用。视觉相对导航以其自主性强、无源、引导精度高等优点,使得基于视觉引导无人机着舰技术成为国内外一个重要研究领域。并且,利用计算机视觉技术引导无人机在未知环境自主着陆是目前的一个研究热点和难点。其中,如何准确估计出无人机与着降区的相对位姿参数是保证无人机能够最终安全着陆的一个关键步骤。
相比于在已知着降区进行相对位姿估计,无人机在未知着降区进行相对位姿参数估计时主要存在以下两个难题:一是用以求解位姿方程的特征点地理坐标无法事先标定,因此如何在线标定特征点的地理坐标是一个难题;二是未知着降区提取的特征点数量多、随机性强,如何选取进行位姿估计的特征点使位姿估计精度高,实时性好也是一个难题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于矢量约束的着降位置检测用随机特征点选取方法,其方法步骤简单、设计合理且实现方便、实时性强、使用效果好,能简便、快速从未知着降区域图像提取的特征点中选取位姿估计用的特征点,能有效提高位姿估计精度。
为解决上述技术问题,本发明采用的技术方案是:一种基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于,该方法包括以下步骤:
步骤一、着降区域图像获取及同步上传:采用图像采集设备且按照预先设计的采样频率f0获取着降区域的图像,并将所获取着降区域图像同步传送至处理器进行处理;所述图像采集设备与所述处理器相接;其中,f0≤30Hz;
步骤二、着降区域图像处理:采用所述处理器对各采样时刻所获取的着降区域图像进行处理,过程如下:
步骤201、初始采样时刻着降区域图像处理:采用所述处理器对初始采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2011、Harris角点提取:调用Harris角点检测模块提取出当前所处理着降区域图像的特征点,所提取的特征点为Harris角点;
步骤2012、SIFT特征提取:调用SIFT特征提取模块对当前所处理着降区域图像进行SIFT特征提取,提取出当前所处理着降区域图像的特征点,所提取的特征点为SIFT特征点;
步骤202、下一个采样时刻着降区域图像处理:采用所述处理器对下一个采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2021、Harris角点提取:按照步骤2011中所述的方法,提取出当前所处理着降区域图像的Harris角点;
步骤2022、Harris角点匹配:调用相关系数计算模块,对当前所处理着降区域图像的各Harris角点与上一个采样时刻获取的着降区域图像的各Harris角点分别进行相关系数计算,并根据相关系数计算结果找出所有相互匹配的Harris角点;
所有相互匹配的Harris角点组成Harris角点集合;
步骤2023、SIFT特征提取:按照步骤2012中所述的方法,提取出当前所处理着降区域图像的SIFT特征点;
步骤2024、SIFT特征点匹配:调用欧氏距离计算模块,对当前所处理着降区域图像的各SIFT特征点与上一个采样时刻获取的着降区域图像的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果找出所有相互匹配的SIFT特征点;
所有相互匹配的SIFT特征点组成SIFT特征点集合;
步骤2025、特征点融合:调用所述欧氏距离计算模块,对步骤2022中所述Harris角点集合中的各Harris角点与步骤2024中所述SIFT特征点集合中的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果,从所述Harris角点集合中找出与所述SIFT特征点集合中任一个SIFT特征点之间的欧式距离小于T1的所有Harris角点;
本步骤中所找出的Harris角点与所述SIFT特征点集合中的SIFT特征点均为初始特征点,且本步骤中所找出的所有Harris角点与所述SIFT特征点集合中的所有SIFT特征点组成初始特征点集合;
其中,T1为预先设定的特征点融合判断阈值且T1≥3;
步骤2026、特征点组合生成,包括以下步骤:
步骤20261、初选特征点选取:调用初选特征点选取模块,从步骤2025中所述初始特征点集合中找出矢量模值小于的所有初始特征点作为初选特征点;本步骤中找出的所有初选特征点组成初选特征点集合;
步骤一中所述着降区域为圆形;其中,R0为当前所处理着降区域图像上长度为R的直线上的像素点数量,R为当前所处理着降区域图像上着降区域的半径;
当前所处理着降区域图像上着降区域的中心点,记作点O;点O的坐标,记作(u0,v0);
所述初始特征点集合中的第i个初始特征点,记作点Pi;其中,i为正整数且i=1、2、3、…、I,I为所述初始特征点集合中初始特征点的总数量;点Pi的矢量模值,记作di;di为向量的模;
步骤20262、矢量角计算:调用矢量角计算模块,对所述初选特征点集合中各初选特征点的矢量角分别进行计算;
其中,所述初选特征点集合中第j个初选特征点,记作点P'j;当前所处理着降区域图像上点P'j的坐标,记作(uj,vj);点P'j的矢量角记作ωj,且0≤ωj<2π;j为正整数且j=1、2、3、…、J,J为所述初选特征点集合中初选特征点的总数量;
步骤20263、特征点组合生成:调用特征点组合生成模块对步骤20261中所述初选特征点集合中的J个所述初选特征点分别进行处理,并生成J个特征点组合;
其中,调用所述特征点组合生成模块对所述初选特征点集合中第j个初选特征点进行处理时,过程如下:
步骤20263-1、第一个再选特征点选取:从所述初选特征点集合中选出点P'j,并将点P'j作为第一个再选特征点;
步骤20263-2、第二个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为第二个再选特征点;
步骤20263-3、下一个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为下一个再选特征点;
其中,ωs为上一个所选取再选特征点的矢量角;
步骤20263-4、m-3次重复步骤20263-3,直至选出m个再选特征点;所选出的m个所述再选特征点组成一个特征点组合,该特征点组合记作特征点组合Qj;
其中,m为正整数且m≥5;
步骤2027、最优特征点组合筛选,过程如下:
步骤20271、矢量角均分度归一化处理:先调用矢量角均分度计算模块,对步骤20263中所获得J个所述特征点组合的矢量角均分度分别进行计算;再调用矢量角均分度归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量角均分度归一化处理值;其中,特征点组合Qj的矢量角均分度,记作J个所述特征点组合的矢量角均分度中,数值最大的矢量角均分度记作数值最小的矢量角均分度记作
其中,对特征点组合Qj的矢量角均分度进行计算之前,先将特征点组合Qj中m个所述再选特征点的矢量角从大到小进行排列,并获得特征点组合Qj的矢量角集合;所述特征点组合Qj的矢量角集合中第h个矢量角,记作ω'h;其中,h为正整数且h=1、2、…、m;
特征点组合Qj的矢量角均分度归一化处理值记作且
步骤20271、矢量模值均值归一化:先调用矢量模值均值计算模块,对步骤20263中所获得J个所述特征点组合的矢量模值均值分别进行计算;再调用矢量模值均值归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量模值均值归一化处理值;
其中,特征点组合Qj的矢量模值均值记作且d'h为特征点组合Qj中第h个再选特征点的矢量模值;J个所述特征点组合的矢量角均分度中,数值最大的矢量模值均值记作数值最小的矢量模值均值记作
特征点组合Qj的矢量模值均值归一化处理值,记作
步骤20273、优先值计算:调用优先值计算模块,对步骤20263中所获得J个所述特征点组合的优先值分别进行计算;
其中,特征点组合Qj的优先值记作W(j),且
步骤20274、最优特征点组合选取:调用最优特征点组合选取模块,从步骤20263中所获得J个所述特征点组合中选出最优特征点组合,所选出的最优特征点组合为J个所述特征点组合中优先值最小的一个所述特征点组合;所述最优特征点组合中的m个所述再选特征点为选取的当前所处理着降区域图像的特征点;
步骤203、返回步骤202,对下一个采样时刻所述图像采集设备所获取的着降区域图像进行处理。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤一中所述的f0=FHz,其中F为正整数且10≤F≤30。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2025中特征点融合完成后,还需调用地理坐标标定模块对所述初始特征点集合中各初始特征点的地理坐标进行标定,过程如下:
步骤2025-1、地理坐标系原点选取:从所述初始特征点集合中找出与点O之间欧式距离最近的一个所述初始特征点,作为地理坐标系原点;所述地理坐标系原点的地理坐标为(0,0);
步骤2025-2、其余初始特征点地理坐标确定:根据步骤2025-1中所述地理坐标系原点的像素位置和地理坐标,对所述初始特征点集合中其余初始特征点的地理坐标分别进行确定。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤一中所获取着降区域图像的分辨率为m0×n0,所述图像采集设备的水平视场角为α且其垂直视场角为β;
步骤2025-2中所述的其余初始特征点中第m'个所述初始特征点的地理坐标,记作(xm',ym');第m'个所述初始特征点的像素坐标记作(um',vm'),步骤2025-1中所述地理坐标系原点的像素坐标记作(uO',vO'),
其中,xm'=Δum'×re_h(7);Δu'm'=um'-uO';
re_h为水平方向地面分辨率且其中H为着降高度;
ym'=Δvm'×re_v(9);Δvm'=vm'-vO';
re_v为垂直方向地面分辨率且
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2022中进行Harris角点匹配时,过程如下:
步骤20221、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用Harris角点匹配模块对当前所处理着降区域图像的各Harris角点分别进行处理,并匹配得出当前所处理着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对当前所处理着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与上一个采样时刻所获取着降区域图像的各Harris角点分别进行相关系数计算,并从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20222、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像各Harris角点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与当前所处理着降区域图像的各Harris角点分别进行相关系数计算,并从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20223、相互匹配的Harris角点选取:根据步骤20221和步骤20222中的匹配结果,采用所述处理器从当前所处理着降区域图像的Harris角点和上一个采样时刻所获取着降区域图像的Harris角点中,找出所有Harris角点匹配对;每个所述Harris角点匹配对中均包括当前所处理着降区域图像的一个Harris角点和上一个采样时刻所获取着降区域图像的一个Harris角点,每个所述Harris角点匹配对中的两个所述Harris角点互为匹配特征点;
本步骤中,所找出的所有Harris角点匹配对组成所述Harris角点集合。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2022中进行Harris角点匹配时,过程如下:步骤20221中从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断,当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点;其中,T2=0.3~0.6;
步骤20222中从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断:当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2024中进行SIFT特征点匹配时,过程如下:
步骤20241、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用SIFT特征点匹配点匹配模块,对当前所处理着降区域图像的各SIFT特征点分别进行处理,并匹配得出当前所处理着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对当前所处理着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与上一个采样时刻所获取着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从上一个采样时刻所获取着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
其中T3为预先设定的欧式距离判断阈值且T3=1.2~1.6;
步骤20242、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述SIFT特征点匹配点匹配模块,对上一个采样时刻所获取着降区域图像的各SIFT特征点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对上一个采样时刻所获取着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与当前所处理着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从当前所处理着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
步骤20243、相互匹配的SIFT特征点选取:根据步骤20241和步骤20242中的匹配结果,采用所述处理器从当前所处理着降区域图像的SIFT特征点和上一个采样时刻所获取着降区域图像的SIFT特征点中,找出所有SIFT特征点匹配对;每个所述SIFT特征点匹配对中均包括当前所处理着降区域图像的一个SIFT特征点和上一个采样时刻所获取着降区域图像的一个SIFT特征点,每个所述SIFT特征点匹配对中的两个所述SIFT特征点互为匹配特征点;
本步骤中,所找出的所有SIFT特征点匹配对组成所述SIFT特征点集合。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2025中所述的T1=4~6;
步骤2025中进行特征点融合时,调用特征点融合处理模块对由先至后所述SIFT特征点集合中的各SIFT特征点分别进行融合处理,过程如下:
步骤20251、第一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出所述Harris角点集合中各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从所述Harris角点集合中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20252、下一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出此时所述Harris角点集合中剩余的各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从此时所述Harris角点集合剩余的Harris角点中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20253、多次重复步骤20252,直至完成所述SIFT特征点集合中所有SIFT特征点的融合处理过程。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤20263-3中进行下一个再选特征点选取之前,还需先将此时所述初选特征点集合中剩余的各初选特征点的矢量角均增加2π。
上述基于矢量约束的着降位置检测用随机特征点选取方法,其特征是:步骤2011中调用所述Harris角点检测模块提取出当前所处理着降区域图像的特征点时,所提取的Harris角点为亚像素级精度的角点。
本发明与现有技术相比具有以下优点:
1、方法步骤简单且实现方便,投入成本较低。
2、使用操作简便,采用处理器能自动、同步完成特征点选取过程,实时性好。
3、方法设计合理,同步完成特征点选取的同时,还能完成特征点地理坐标标定过程,具体过程如下:首先从连续两帧图像(即相邻两个采样时刻所获取的着降区域图像)中提取亚像素级Harris角点以及SIFT特征点并分别进行匹配,然后将两种特征点进行融合;再根据像素分辨率、相机视场角及无人机高度等信息推算出每个特征点的地理坐标,从而实现特征点的在线标定;随后,在引入矢量角均分度、矢量模值均值以及矢量模值最大三项约束指标基础上制定了一种基于矢量约束的特征点选取方法。
4、使用效果好,具有抗干扰能力强、实时性好且易于实现等优点,工程上易于实现,对基于视觉的无人机在未知环境中安全着降具有重要的指导意义。本发明以无人机未知环境中自主安全着降为研究背景,与传统的基于合作目标的相对位姿估计方法相比,为无人机在未知环境中进行相对位姿估计提供一种新思路和新方法,能为真实无人机视觉未知环境自主着降时的相对位姿估计提供地面数据的前期验证以及前期数据优化与性能改进工作,实施方便、灵活,具有发展前景以及工程应用价值。因而,本发明方法步骤简单、设计合理且实现方便、使用效果好,为在未知环境中如何选取特征点进行相对位姿准确、鲁棒估计提供一种有效方法,能为未知环境中进行相对位姿准确、鲁棒估计提供可靠基础;同时,能实现各特征点的地理坐标在线标定,因而能有效解决无人机在未知着降区进行相对位姿参数估计时存在的用以求解位姿方程的特征点地理坐标无法事先标定和如何选取进行位姿估计的特征点使位姿估计精度高且实时性好这两个难题。
综上所述,本发明方法步骤简单、设计合理且实现方便、实时性强、使用效果好,能简便、快速从未知着降区域图像提取的特征点中选取位姿估计用的特征点,能有效提高位姿估计精度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示的一种基于矢量约束的着降位置检测用随机特征点选取方法,包括以下步骤:
步骤一、着降区域图像获取及同步上传:采用图像采集设备且按照预先设计的采样频率f0获取着降区域的图像,并将所获取着降区域图像同步传送至处理器进行处理;所述图像采集设备与所述处理器相接;其中,f0≤30Hz;
步骤二、着降区域图像处理:采用所述处理器对各采样时刻所获取的着降区域图像进行处理,过程如下:
步骤201、初始采样时刻着降区域图像处理:采用所述处理器对初始采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2011、Harris角点提取:调用Harris角点检测模块提取出当前所处理着降区域图像的特征点,所提取的特征点为Harris角点;
步骤2012、SIFT特征提取:调用SIFT特征提取模块对当前所处理着降区域图像进行SIFT特征提取,提取出当前所处理着降区域图像的特征点,所提取的特征点为SIFT特征点;
步骤202、下一个采样时刻着降区域图像处理:采用所述处理器对下一个采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2021、Harris角点提取:按照步骤2011中所述的方法,提取出当前所处理着降区域图像的Harris角点;
步骤2022、Harris角点匹配:调用相关系数计算模块,对当前所处理着降区域图像的各Harris角点与上一个采样时刻获取的着降区域图像的各Harris角点分别进行相关系数计算,并根据相关系数计算结果找出所有相互匹配的Harris角点;
所有相互匹配的Harris角点组成Harris角点集合;
步骤2023、SIFT特征提取:按照步骤2012中所述的方法,提取出当前所处理着降区域图像的SIFT特征点;
步骤2024、SIFT特征点匹配:调用欧氏距离计算模块,对当前所处理着降区域图像的各SIFT特征点与上一个采样时刻获取的着降区域图像的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果找出所有相互匹配的SIFT特征点;
所有相互匹配的SIFT特征点组成SIFT特征点集合;
步骤2025、特征点融合:调用所述欧氏距离计算模块,对步骤2022中所述Harris角点集合中的各Harris角点与步骤2024中所述SIFT特征点集合中的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果,从所述Harris角点集合中找出与所述SIFT特征点集合中任一个SIFT特征点之间的欧式距离小于T1的所有Harris角点;
本步骤中所找出的Harris角点与所述SIFT特征点集合中的SIFT特征点均为初始特征点,且本步骤中所找出的所有Harris角点与所述SIFT特征点集合中的所有SIFT特征点组成初始特征点集合;
其中,T1为预先设定的特征点融合判断阈值且T1≥3;
步骤2026、特征点组合生成,包括以下步骤:
步骤20261、初选特征点选取:调用初选特征点选取模块,从步骤2025中所述初始特征点集合中找出矢量模值小于的所有初始特征点作为初选特征点;本步骤中找出的所有初选特征点组成初选特征点集合;
步骤一中所述着降区域为圆形;其中,R0为当前所处理着降区域图像上长度为R的直线上的像素点数量,R为当前所处理着降区域图像上着降区域的半径;
当前所处理着降区域图像上着降区域的中心点,记作点O;点O的坐标(即像素坐标),记作(u0,v0);
所述初始特征点集合中的第i个初始特征点,记作点Pi;其中,i为正整数且i=1、2、3、…、I,I为所述初始特征点集合中初始特征点的总数量;点Pi的矢量模值,记作di;di为向量的模;
步骤20262、矢量角计算:调用矢量角计算模块,对所述初选特征点集合中各初选特征点的矢量角分别进行计算;
其中,所述初选特征点集合中第j个初选特征点,记作点P'j;当前所处理着降区域图像上点P'j的坐标(即像素坐标),记作(uj,vj);点P'j的矢量角记作ωj,且0≤ωj<2π;j为正整数且j=1、2、3、…、J,J为所述初选特征点集合中初选特征点的总数量;
步骤20263、特征点组合生成:调用特征点组合生成模块对步骤20261中所述初选特征点集合中的J个所述初选特征点分别进行处理,并生成J个特征点组合;
其中,调用所述特征点组合生成模块对所述初选特征点集合中第j个初选特征点进行处理时,过程如下:
步骤20263-1、第一个再选特征点选取:从所述初选特征点集合中选出点P'j,并将点P'j作为第一个再选特征点;
步骤20263-2、第二个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为第二个再选特征点;
步骤20263-3、下一个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为下一个再选特征点;
其中,ωs为上一个所选取再选特征点的矢量角;
步骤20263-4、m-3次重复步骤20263-3,直至选出m个再选特征点;所选出的m个所述再选特征点组成一个特征点组合,该特征点组合记作特征点组合Qj;
其中,m为正整数且m≥5;
步骤2027、最优特征点组合筛选,过程如下:
步骤20271、矢量角均分度归一化处理:先调用矢量角均分度计算模块,对步骤20263中所获得J个所述特征点组合的矢量角均分度分别进行计算;再调用矢量角均分度归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量角均分度归一化处理值;其中,特征点组合Qj的矢量角均分度,记作J个所述特征点组合的矢量角均分度中,数值最大的矢量角均分度记作数值最小的矢量角均分度记作
其中,对特征点组合Qj的矢量角均分度进行计算之前,先将特征点组合Qj中m个所述再选特征点的矢量角从大到小进行排列,并获得特征点组合Qj的矢量角集合;所述特征点组合Qj的矢量角集合中第h个矢量角,记作ω'h;其中,h为正整数且h=1、2、…、m;
特征点组合Qj的矢量角均分度归一化处理值记作且
步骤20271、矢量模值均值归一化:先调用矢量模值均值计算模块,对步骤20263中所获得J个所述特征点组合的矢量模值均值分别进行计算;再调用矢量模值均值归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量模值均值归一化处理值;
其中,特征点组合Qj的矢量模值均值记作且d'h为特征点组合Qj中第h个再选特征点的矢量模值;J个所述特征点组合的矢量角均分度中,数值最大的矢量模值均值记作数值最小的矢量模值均值记作
特征点组合Qj的矢量模值均值归一化处理值,记作
步骤20273、优先值计算:调用优先值计算模块,对步骤20263中所获得J个所述特征点组合的优先值分别进行计算;
其中,特征点组合Qj的优先值记作W(j),且
步骤20274、最优特征点组合选取:调用最优特征点组合选取模块,从步骤20263中所获得J个所述特征点组合中选出最优特征点组合,所选出的最优特征点组合为J个所述特征点组合中优先值最小的一个所述特征点组合;所述最优特征点组合中的m个所述再选特征点为选取的当前所处理着降区域图像的特征点;
步骤203、返回步骤202,对下一个采样时刻所述图像采集设备所获取的着降区域图像进行处理。
本实施例中,步骤20263-3中当此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的初选特征点的数量为多个时,取矢量模值最小的初选特征点作为再选特征点。
实际使用过程中,步骤一中所述的f0=FHz,其中F为正整数且10≤F≤30。
本实施例中,F=24Hz。实际使用时,可根据具体需要,对F的取值大小进行相应调整。
本实施例中,所述图像采集设备为带有数据采集卡的摄像机。
并且,所述图像采集设备每秒内完成F次采样。
本实施例中,步骤2011中调用所述Harris角点检测模块提取出当前所处理着降区域图像的特征点时,所提取的Harris角点为亚像素级精度的角点。
本实施例中,步骤2011中调用所述Harris角点检测模块提取出当前所处理着降区域图像的特征点时,所采用的Harris算子为R1=Det(M1)-k1×Tr2(M1)(11);公式(11)中,公式(12)中,G(s)为高斯模板;Ix和Iy分别为x方向和y方向的梯度;表示卷积;公式(11)中,Det为矩阵的行列式;Tr表示矩阵的迹;k1为经验值,k1一般0.04-0.06之间。
实际操作过程中,通过拟合Harris角点响应函数能使所提取Harris角点精度达到亚像素级。为此,利用二次多项式来拟合公式(11)中的R1:R1(x,y)=a0+a1x+a2y+a3x2+a4xy+a5y2(13),公式(13)中,a0、a1、…、a5为待定系数,在已检测出的角点(x0,y0)取相邻的8个点,构成大小为3×3的拟合窗口,从而可以得到9个方程,利用最小二乘法求解这个超定方程。由于亚像素级角点(x,y)对应的是二次多项式的极大值点。因此,函数R1(x,y)在拟合曲面的极值点应满足公式(14):
求解公式(14),能得到亚像素级坐标x和y,求解公式如下:
实际使用过程中,步骤2011中调用所述Harris角点检测模块提取出当前所处理着降区域图像的特征点时,也可以采用其它常规的Harris角点检测算法提取Harris角点。
本实施例中,步骤2022中进行Harris角点匹配时,过程如下:
步骤20221、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用Harris角点匹配模块对当前所处理着降区域图像的各Harris角点分别进行处理,并匹配得出当前所处理着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对当前所处理着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与上一个采样时刻所获取着降区域图像的各Harris角点分别进行相关系数计算,并从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20222、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像各Harris角点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与当前所处理着降区域图像的各Harris角点分别进行相关系数计算,并从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20223、相互匹配的Harris角点选取:根据步骤20221和步骤20222中的匹配结果,采用所述处理器从当前所处理着降区域图像的Harris角点和上一个采样时刻所获取着降区域图像的Harris角点中,找出所有Harris角点匹配对;每个所述Harris角点匹配对中均包括当前所处理着降区域图像的一个Harris角点和上一个采样时刻所获取着降区域图像的一个Harris角点,每个所述Harris角点匹配对中的两个所述Harris角点互为匹配特征点;
本步骤中,所找出的所有Harris角点匹配对组成所述Harris角点集合。
由上述内容可知,由于匹配是带有方向性的,步骤2022中进行Harris角点匹配时,采用的是双向匹配方法。
实际使用时,步骤2022中进行Harris角点匹配时,也可以采用单向匹配方法。其中,采用单向匹配方法进行Harris角点匹配时,仅完成步骤20221即可,并将当前所处理着降区域图像的各Harris角点和步骤20221中匹配出的所有匹配特征点组成所述Harris角点集合。
本实施例中,对当前所处理着降区域图像与上一个采样时刻所获取着降区域图像的Harris角点进行匹配时,先按照步骤20221中的方法,调用所述相关系数计算模块计算得出当前所处理着降区域图像的每个Harris角点与上一个采样时刻所获取着降区域图像的各Harris角点的相关系数,相关窗口的中心在两幅图像(即当前所处理着降区域图像与上一个采样时刻所获取着降区域图像)中分别位于点pi'和点qj'处,其中点pi'为当前所处理着降区域图像的一个Harris角点,点qj'为上一个采样时刻所获取着降区域图像的一个Harris角点。设I1(x,y)和I2(x,y)分别表示当前所处理着降区域图像与上一个采样时刻所获取着降区域图像中像素点在(x,y)处的灰度值。
本实施例中,所述相关系数计算模块计算相关系数的归一化互相关函数C(pi',qj')为: 其中,C(pi',qj')的数值越大,说明点pi'和点qj'两个角点相关程度越高,C(pi',qj')的取值范围为[-1,1]。
本实施例中,步骤2022中进行Harris角点匹配时,过程如下:步骤20221中从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断,当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点;其中,T2=0.3~0.6;
步骤20222中从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断:当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点。
本实施例中,T2=0.5。
实际使用时,可根据具体需要,对T2的取值大小进行相应调整。T2为0.3~0.6中的一个数值。
由上述内容,步骤2022中进行Harris角点匹配时,先对当前所处理着降区域图像的任一个Harris角点,均从上一个采样时刻所获取着降区域图像的Harris角点中寻找与其相关性最大(即相关程度最大或相关系数数值最大)的Harris角点;然后,对上一个采样时刻所获取着降区域图像的的任一个Harris角点,均从当前所处理着降区域图像的Harris角点中寻找与其相关性最大的Harris角点;当双向匹配搜寻到的相关性最大的Harris角点彼此对应(即互为匹配特征点)且相关系数大于设定阈值T2时,即认为是一对匹配的Harris角点,
实际使用时,所述相关系数计算模块进行相关系数计算时,也可以采用其它常规的相关系数计算算法。
综上,步骤2021和步骤2022中完成相邻两个采样时刻所获取着降区域图像的Harris角点提取及匹配过程。
众所周知,SIFT特征具有尺度、旋转以及光照不变性,且SIFT特征向量丰富,在光滑区域也能产生较丰富的SIFT特征点。本实施例中,步骤2012中调用SIFT特征提取模块对当前所处理着降区域图像进行SIFT特征提取时,提取原理及步骤如下:
第1步、尺度空间极值点检测:
假设所述着降区域图像由I(x,y)来表示,(x,y)为着降区域图像的像素位置(即像素坐标),则该图像的尺度空间L可以定义为:L(x,y,σ)=G(x,y,σ)×I(x,y)(17);公式(17)中,L(x,y,σ)表示图像的尺度空间,σ为空间尺度因子,G(x,y,σ)为尺度可变的高斯函数,且
为了有效地在尺度空间检测出稳定的特征点,SIFT算法(即SIFT特征提取模块)采用高斯差分(Difference of Gaussian,DoG)函数检测局部特征点。它是归一化高斯拉普拉斯算子(Laplacian of Gaussian,LoG)的近似,定义为两个邻近的不同尺度的高斯核函数的差分:D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))×I(x,y)=L(x,y,kσ)-L(x,y,σ)(19);将每个采样点与它同尺度的8个相邻点以及上下相邻尺度对应的9×2个点共26个点进行比较,以确保在尺度空间和二维图像空间都检测到极值点,如果这个采样点是极大值点或极小值点,就认为它是在该尺度下的一个特征点;然后,通过拟合三维二次函数进一步精确确定特征点的位置和尺度,同时去除对比度低的特征点和不稳定的边缘点,以增强匹配稳定性、提高抗噪能力。
第2步、特征点方向的确定:
以特征点为中心的邻域窗口内采样,用梯度方向直方图统计邻域像素的梯度方向;然后,分别将直方图的最高峰值点和超过峰值80%的峰值作为特征点的主方向和辅方向。
特征点梯度方向θ(x,y)与幅值m'(x,y),分别如式(20)和式(21)所示:
m'(x,y)=[(L(x+1,y,σ)-L(x-1,y,σ))2+(L(x,y+1,σ)-L(x,y-1,σ))]1/2 (21);
第3步、特征描述符构造:
在构造特征描述符时,首先将坐标轴旋转为特征点方向,以确保方向不变性。然后以该特征点为中心,选取16×16的窗口区域来描述特征点,按照4×4的方式将该区域划分为16个子区域,并且在每个子区域上计算0°、45°、90°、135°、180°、225°、270°和315°这八个方向的梯度累加直方图;通过这16个子区域一共可以得到128个数据,这个1×128的向量就被定义为一个特征点的描述符。
实际使用时,步骤2012中调用SIFT特征提取模块对当前所处理着降区域图像进行SIFT特征提取时,也可以采用其它常规的SIFT特征提取算法。
本实施例中,步骤2024中进行SIFT特征点匹配时,过程如下:
步骤20241、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用SIFT特征点匹配点匹配模块,对当前所处理着降区域图像的各SIFT特征点分别进行处理,并匹配得出当前所处理着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对当前所处理着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与上一个采样时刻所获取着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从上一个采样时刻所获取着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
其中T3为预先设定的欧式距离判断阈值且T3=1.2~1.6;
步骤20242、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述SIFT特征点匹配点匹配模块,对上一个采样时刻所获取着降区域图像的各SIFT特征点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对上一个采样时刻所获取着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与当前所处理着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从当前所处理着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
步骤20243、相互匹配的SIFT特征点选取:根据步骤20241和步骤20242中的匹配结果,采用所述处理器从当前所处理着降区域图像的SIFT特征点和上一个采样时刻所获取着降区域图像的SIFT特征点中,找出所有SIFT特征点匹配对;每个所述SIFT特征点匹配对中均包括当前所处理着降区域图像的一个SIFT特征点和上一个采样时刻所获取着降区域图像的一个SIFT特征点,每个所述SIFT特征点匹配对中的两个所述SIFT特征点互为匹配特征点;
本步骤中,所找出的所有SIFT特征点匹配对组成所述SIFT特征点集合。
由上述内容可知,由于匹配是带有方向性的,步骤2024中进行SIFT特征点匹配时,采用的是双向匹配方法。
实际使用时,步骤2024中进行SIFT特征点匹配时,也可以采用单向匹配方法。其中,采用单向匹配方法进行SIFT特征点匹配时,仅完成步骤20241即可,并将当前所处理着降区域图像的各SIFT特征点和步骤20221中匹配出的所有匹配特征点组成所述SIFT特征点集合。
综上,步骤2024中进行SIFT特征点匹配时,对当前所处理着降区域图像的任一个SIFT特征点,先从上一个采样时刻所获取着降区域图像的SIFT特征点中找出与该SIFT特征点欧氏距离最近的两个SIFT特征点,如果次进距离与最近距离的比值小于设定阈值T3,则认为该对SIFT特征点为匹配点,否者认为是不匹配点.
本实施例中,T3=1.5。
实际使用时,可根据具体需要,对T3的取值大小进行相应调整。并且,T3为1.2~1.6中的一个数值。
综上,步骤2023和步骤2024中完成相邻两个采样时刻所获取着降区域图像的SIFT特征点提取及匹配过程。
实际使用时,步骤2025中所述的T1=4~6。
本实施例中,T1=5。
实际使用时,可根据具体需要,对T1的取值大小进行相应调整。并且,T1为4~6中的一个数值。
本实施例中,步骤2025中进行特征点融合时,调用特征点融合处理模块对由先至后所述SIFT特征点集合中的各SIFT特征点分别进行融合处理,过程如下:
步骤20251、第一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出所述Harris角点集合中各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从所述Harris角点集合中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20252、下一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出此时所述Harris角点集合中剩余的各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从此时所述Harris角点集合剩余的Harris角点中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20253、多次重复步骤20252,直至完成所述SIFT特征点集合中所有SIFT特征点的融合处理过程。
由上述内容可知,步骤2025中进行特征点融合时,由于SIFT特征点提取的是图像中稳定的特征点,特征点往往集中在平滑区;而Harris角点往往提取的是灰度变化较大的边缘点,因此为了保证位姿估计时有较为丰富且分布均匀的特征点,本发明采用步骤2025中的特征点融合方法,步骤如下:以当前所处理着降区域图像中提取的每个待匹配的SIFT特征点作为基准点,判断是否有亚像素级Harris角点与该基准点间的欧式距离小于设定阈值T1:如果有则将该亚像素级Harris角点加入到所述SIFT特征点集合中,形成新的特征点集(即所述初始特征点集合);如果没有,则判断下一个SIFT特征点,从而实现两种特征点的融合,生成融合特征点。
实际使用过程中,所采用的Harris角点和SIFT特征点的提取及匹配方法也可以采用2015年的《航空学报》期刊,第36卷第2期中第596-604页公开的亚像素级Harris角点、SIFT特征点提取的方法以及这两种特征点采用的融合方法,作者为马旭、程咏梅、郝帅、陈克喆、王涛等。
本实施例中,步骤2025中特征点融合完成后,还需调用地理坐标标定模块对所述初始特征点集合中各初始特征点的地理坐标进行标定,过程如下:
步骤2025-1、地理坐标系原点选取:从所述初始特征点集合中找出与点O之间欧式距离最近的一个所述初始特征点,作为地理坐标系原点;所述地理坐标系原点的地理坐标为(0,0);
步骤2025-2、其余初始特征点地理坐标确定:根据步骤2025-1中所述地理坐标系原点的像素位置和地理坐标,对所述初始特征点集合中其余初始特征点的地理坐标分别进行确定。
本实施例中,步骤一中所获取着降区域图像的分辨率为m0×n0,所述图像采集设备(具体是摄像机)的水平视场角为α且其垂直视场角为β;
步骤2025-2中所述的其余初始特征点中第m'个所述初始特征点的地理坐标,记作(xm',ym');第m'个所述初始特征点的像素坐标记作(um',vm'),步骤2025-1中所述地理坐标系原点的像素坐标记作(uO',vO'),
其中,xm'=Δum'×re_h(7);Δu'm'=um'-uO';
re_h为水平方向地面分辨率且其中H为着降高度;
ym'=Δvm'×re_v(9);Δvm'=vm'-vO';
re_v为垂直方向地面分辨率且
其中,H为上一个采样时刻无人机距离所述着降区域的高度,即上一个采样时刻所获取着降区域图像拍摄时无人机距离所述着降区域的高度。
本实施例中,步骤一中所述着降区域为无人机的着降区域,H为无人机距离所述着降区域的高度。
上述公式(8)和公式(10)根据小孔成像原理直接得出。本实施例中,上一个采样时刻所获取着降区域图像为着降高度H时(即无人机距离着降区域地面高度为H时)摄像机拍摄的着降区域图像,保持无人机水平方向和垂直方向不变,下降高度为ΔH时,拍摄的着降区域图像为当前所处理着降区域图像;对应的第m'个所述初始特征点的水平像素偏差记为Δu'm',垂直像素偏差记为Δvm',水平地理位移记为Δtx,垂直地理位移记为Δty。
因而,对第m'个所述初始特征点的标定地理坐标时,由于地理坐标系原点的地理坐标已标定,由于地理坐标系原点处初始特征点的像素位置与其余初始特征点的像素偏移位置已知,因而利用公式
Δtx=xm'=Δum'×re_h (7)
和
Δty=ym'=Δvm'×re_v (9),
便能求得其余初始特征点的相对于地理坐标系原点的地理坐标偏差,其中Δu'm'和Δvm'分别表示某一特征点距离地理坐标原点的水平和垂直方向的像素偏差,进而实现其余特征点地理坐标的标定。
本实施例中,步骤2025-1中进行地理坐标系原点选取时,当所述初始特征点集合中与点O之间欧式距离最近的所述初始特征点的数量为多个时,选取横坐标最小的一个所述初始特征点作为地理坐标系原点。
由于无人机在降落过程中,随着图像尺度变化参与解算的特征点可能存在出视野或是点丢失的情况,同时着降区域内也可能出现新的特征点。本实施例中,通过按照步骤二中所述的方法对当前采样时刻获取的当前所处理着降区域图像进行处理,获得实时的所述初选特征点集合,从而能有效确保位姿估计的精度,实时性非常好。
本发明中,矢量约束所采用的三项约束指标分为矢量角均分度、矢量模值均值和矢量模值最大值。其中,矢量角均分度这一指标用于描述特征点在平移坐标系中矢量角的均分程度,当多个相邻特征点之间的矢量夹角越接近,其矢量角均分度越小。矢量模值均值这一指标用于描述特征点在平移坐标系中矢量模值的平均值。矢量模值最大值这一指标用于描述特征点在平移坐标系中矢量模值中的最大值。
本实施例中,步骤20261中点O为着降区域中心点在着降区域图像上的投影点,记作O(u0,v0);点P'j为着降区域内与着降区域中心点高度一致的一个点在着降区域图像上的投影点且其为一个初选特征点,点P'j的坐标记作Pi(ui,vi),向量(也称矢量)的矢量模值和矢量角也称为点P'j的矢量模值和矢量角;点P'j的矢量模值和矢量角分别为按照公式 和公式进行计算。
其中,矢量模值最大值记作dmax,且dmax=max(dj)(23),dmax为所述初选特征点集合中各初选特征点的矢量模值的最大值。
本实施例中,基于矢量约束的随机特征点选取方法包括步骤2026和步骤2027两个步骤。
其中,步骤2026中完成特征点组合生成,步骤2027中完成矢量约束归一化与最优值计算。
本实施例中,步骤2026中进行特征点组合生成时,通过对最大矢量模值和矢量角均分度进行约束来提取满足要求的特征点组合。
其中,步骤20261中进行初选特征点选取时,采用最大矢量模值进行约束。具体方法是:从步骤2025中所述初始特征点集合中找出矢量模值小于的所有初始特征点作为初选特征点。
由于矢量角均分度对相对位姿估计精度有较大影响,为保证矢量角均分度尽量小,本发明还需采用对矢量角均分度进行进一步约束,具体是按照步骤20263中所述的方法选取所述再选特征点。这样,步骤2026中选出的再选特征点为位姿估计用的解算特征点。
本实施例中,步骤20263-4中所述的m=6。
实际使用时,可根据具体需要,对m的取值大小进行相应调整。并且,m为不小于5的一个数值。
本实施例中,按照步骤20263-1至步骤20263-3中所述的方法,遍历所述初选特征点集合中的J个所述初选特征点,并生成J个特征点组合;并按照公式(2)和公式(4)分别计算出各特征点组合的矢量模值和矢量模值均值。
本实施例中,步骤20263-3中进行下一个再选特征点选取之前,还需先将此时所述初选特征点集合中剩余的各初选特征点的矢量角均增加2π。
最后,按照步骤2027中完成矢量约束归一化与最优值计算后,最优特征点组合,并以最优特征点组成中的各特征点(即再选特征点)作为解算特征点,来估计无人机的位置与姿态。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于,该方法包括以下步骤:
步骤一、着降区域图像获取及同步上传:采用图像采集设备且按照预先设计的采样频率f0获取着降区域的图像,并将所获取着降区域图像同步传送至处理器进行处理;所述图像采集设备与所述处理器相接;其中,f0≤30Hz;
步骤二、着降区域图像处理:采用所述处理器对各采样时刻所获取的着降区域图像进行处理,过程如下:
步骤201、初始采样时刻着降区域图像处理:采用所述处理器对初始采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2011、Harris角点提取:调用Harris角点检测模块提取出当前所处理着降区域图像的特征点,所提取的特征点为Harris角点;
步骤2012、SIFT特征提取:调用SIFT特征提取模块对当前所处理着降区域图像进行SIFT特征提取,提取出当前所处理着降区域图像的特征点,所提取的特征点为SIFT特征点;
步骤202、下一个采样时刻着降区域图像处理:采用所述处理器对下一个采样时刻所述图像采集设备获取的着降区域图像进行处理,包括以下步骤:
步骤2021、Harris角点提取:按照步骤2011中所述的方法,提取出当前所处理着降区域图像的Harris角点;
步骤2022、Harris角点匹配:调用相关系数计算模块,对当前所处理着降区域图像的各Harris角点与上一个采样时刻获取的着降区域图像的各Harris角点分别进行相关系数计算,并根据相关系数计算结果找出所有相互匹配的Harris角点;
所有相互匹配的Harris角点组成Harris角点集合;
步骤2023、SIFT特征提取:按照步骤2012中所述的方法,提取出当前所处理着降区域图像的SIFT特征点;
步骤2024、SIFT特征点匹配:调用欧氏距离计算模块,对当前所处理着降区域图像的各SIFT特征点与上一个采样时刻获取的着降区域图像的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果找出所有相互匹配的SIFT特征点;
所有相互匹配的SIFT特征点组成SIFT特征点集合;
步骤2025、特征点融合:调用所述欧氏距离计算模块,对步骤2022中所述Harris角点集合中的各Harris角点与步骤2024中所述SIFT特征点集合中的各SIFT特征点之间的欧式距离分别进行计算,并根据欧式距离计算结果,从所述Harris角点集合中找出与所述SIFT特征点集合中任一个SIFT特征点之间的欧式距离小于T1的所有Harris角点;
本步骤中所找出的Harris角点与所述SIFT特征点集合中的SIFT特征点均为初始特征点,且本步骤中所找出的所有Harris角点与所述SIFT特征点集合中的所有SIFT特征点组成初始特征点集合;
其中,T1为预先设定的特征点融合判断阈值且T1≥3;
步骤2026、特征点组合生成,包括以下步骤:
步骤20261、初选特征点选取:调用初选特征点选取模块,从步骤2025中所述初始特征点集合中找出矢量模值小于的所有初始特征点作为初选特征点;本步骤中找出的所有初选特征点组成初选特征点集合;
步骤一中所述着降区域为圆形;其中,R0为当前所处理着降区域图像上长度为R的直线上的像素点数量,R为当前所处理着降区域图像上着降区域的半径;
当前所处理着降区域图像上着降区域的中心点,记作点O;点O的坐标,记作(u0,v0);
所述初始特征点集合中的第i个初始特征点,记作点Pi;其中,i为正整数且i=1、2、3、…、I,I为所述初始特征点集合中初始特征点的总数量;点Pi的矢量模值,记作di;di为向量的模;
步骤20262、矢量角计算:调用矢量角计算模块,对所述初选特征点集合中各初选特征点的矢量角分别进行计算;
其中,所述初选特征点集合中第j个初选特征点,记作点P'j;当前所处理着降区域图像上点P'j的坐标,记作(uj,vj);点P'j的矢量角记作ωj,且0≤ωj<2π;j为正整数且j=1、2、3、…、J,J为所述初选特征点集合中初选特征点的总数量;
步骤20263、特征点组合生成:调用特征点组合生成模块对步骤20261中所述初选特征点集合中的J个所述初选特征点分别进行处理,并生成J个特征点组合;
其中,调用所述特征点组合生成模块对所述初选特征点集合中第j个初选特征点进行处理时,过程如下:
步骤20263-1、第一个再选特征点选取:从所述初选特征点集合中选出点P'j,并将点P'j作为第一个再选特征点;
步骤20263-2、第二个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为第二个再选特征点;
步骤20263-3、下一个再选特征点选取:从此时所述初选特征点集合中剩余的所述初选特征点中选出矢量角最接近的一个所述初选特征点,作为下一个再选特征点;
其中,ωs为上一个所选取再选特征点的矢量角;
步骤20263-4、m-3次重复步骤20263-3,直至选出m个再选特征点;所选出的m个所述再选特征点组成一个特征点组合,该特征点组合记作特征点组合Qj;
其中,m为正整数且m≥5;
步骤2027、最优特征点组合筛选,过程如下:
步骤20271、矢量角均分度归一化处理:先调用矢量角均分度计算模块,对步骤20263中所获得J个所述特征点组合的矢量角均分度分别进行计算;再调用矢量角均分度归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量角均分度归一化处理值;其中,特征点组合Qj的矢量角均分度,记作J个所述特征点组合的矢量角均分度中,数值最大的矢量角均分度记作数值最小的矢量角均分度记作
其中,对特征点组合Qj的矢量角均分度进行计算之前,先将特征点组合Qj中m个所述再选特征点的矢量角从大到小进行排列,并获得特征点组合Qj的矢量角集合;所述特征点组合Qj的矢量角集合中第h个矢量角,记作ω'h;其中,h为正整数且h=1、2、…、m;
特征点组合Qj的矢量角均分度归一化处理值记作且
步骤20271、矢量模值均值归一化:先调用矢量模值均值计算模块,对步骤20263中所获得J个所述特征点组合的矢量模值均值分别进行计算;再调用矢量模值均值归一化处理模块对J个所述特征点组合分别进行处理,获得各特征点组合的矢量模值均值归一化处理值;
其中,特征点组合Qj的矢量模值均值记作且d'h为特征点组合Qj中第h个再选特征点的矢量模值;J个所述特征点组合的矢量角均分度中,数值最大的矢量模值均值记作数值最小的矢量模值均值记作
特征点组合Qj的矢量模值均值归一化处理值,记作
步骤20273、优先值计算:调用优先值计算模块,对步骤20263中所获得J个所述特征点组合的优先值分别进行计算;
其中,特征点组合Qj的优先值记作W(j),且
步骤20274、最优特征点组合选取:调用最优特征点组合选取模块,从步骤20263中所获得J个所述特征点组合中选出最优特征点组合,所选出的最优特征点组合为J个所述特征点组合中优先值最小的一个所述特征点组合;所述最优特征点组合中的m个所述再选特征点为选取的当前所处理着降区域图像的特征点;
步骤203、返回步骤202,对下一个采样时刻所述图像采集设备所获取的着降区域图像进行处理。
2.按照权利要求1所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤一中所述的f0=FHz,其中F为正整数且10≤F≤30。
3.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2025中特征点融合完成后,还需调用地理坐标标定模块对所述初始特征点集合中各初始特征点的地理坐标进行标定,过程如下:
步骤2025-1、地理坐标系原点选取:从所述初始特征点集合中找出与点O之间欧式距离最近的一个所述初始特征点,作为地理坐标系原点;所述地理坐标系原点的地理坐标为(0,0);
步骤2025-2、其余初始特征点地理坐标确定:根据步骤2025-1中所述地理坐标系原点的像素位置和地理坐标,对所述初始特征点集合中其余初始特征点的地理坐标分别进行确定。
4.按照权利要求3所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤一中所获取着降区域图像的分辨率为m0×n0,所述图像采集设备的水平视场角为α且其垂直视场角为β;
步骤2025-2中所述的其余初始特征点中第m'个所述初始特征点的地理坐标,记作(xm',ym');第m'个所述初始特征点的像素坐标记作(um',vm'),步骤2025-1中所述地理坐标系原点的像素坐标记作(uO',vO'),
其中,xm'=Δum'×re_h(7);Δu'm'=um'-uO';
re_h为水平方向地面分辨率且其中H为着降高度;
ym'=Δvm'×re_v(9);Δvm'=vm'-vO';
re_v为垂直方向地面分辨率且
5.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2022中进行Harris角点匹配时,过程如下:
步骤20221、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用Harris角点匹配模块对当前所处理着降区域图像的各Harris角点分别进行处理,并匹配得出当前所处理着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对当前所处理着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与上一个采样时刻所获取着降区域图像的各Harris角点分别进行相关系数计算,并从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20222、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像各Harris角点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各Harris角点的匹配特征点;
其中,调用所述Harris角点匹配模块对上一个采样时刻所获取着降区域图像的任一个Harris角点进行处理时,先调用所述相关系数计算模块对该Harris角点与当前所处理着降区域图像的各Harris角点分别进行相关系数计算,并从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点作为匹配特征点;
步骤20223、相互匹配的Harris角点选取:根据步骤20221和步骤20222中的匹配结果,采用所述处理器从当前所处理着降区域图像的Harris角点和上一个采样时刻所获取着降区域图像的Harris角点中,找出所有Harris角点匹配对;每个所述Harris角点匹配对中均包括当前所处理着降区域图像的一个Harris角点和上一个采样时刻所获取着降区域图像的一个Harris角点,每个所述Harris角点匹配对中的两个所述Harris角点互为匹配特征点;
本步骤中,所找出的所有Harris角点匹配对组成所述Harris角点集合。
6.按照权利要求5所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2022中进行Harris角点匹配时,过程如下:步骤20221中从上一个采样时刻所获取着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断,当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点;其中,T2=0.3~0.6;
步骤20222中从当前所处理着降区域图像的Harris角点中找出一个与该Harris角点相关系数最大的Harris角点后,将所找出的Harris角点作为待判定Harris角点;之后,所述处理器还需调用差值比较模块并根据预先设定的相关系数判断阈值T2,对所述待判定Harris角点进行判断:当该Harris角点与所述待判定Harris角点的相关系数大于T2时,判断为所述待判定Harris角点为该Harris角点的匹配特征点;否则,判断为该Harris角点无匹配特征点。
7.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2024中进行SIFT特征点匹配时,过程如下:
步骤20241、从当前所处理着降区域图像向上一个采样时刻所获取着降区域图像进行匹配:调用SIFT特征点匹配点匹配模块,对当前所处理着降区域图像的各SIFT特征点分别进行处理,并匹配得出当前所处理着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对当前所处理着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与上一个采样时刻所获取着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从上一个采样时刻所获取着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
其中T3为预先设定的欧式距离判断阈值且T3=1.2~1.6;
步骤20242、从上一个采样时刻所获取着降区域图像向当前所处理着降区域图像进行匹配:调用所述SIFT特征点匹配点匹配模块,对上一个采样时刻所获取着降区域图像的各SIFT特征点分别进行处理,并匹配得出上一个采样时刻所获取着降区域图像的各SIFT特征点的匹配特征点;
其中,调用所述SIFT特征点匹配模块对上一个采样时刻所获取着降区域图像的任一个SIFT特征点进行处理时,先调用所述欧氏距离计算模块对该SIFT特征点与当前所处理着降区域图像的各SIFT特征点之间的欧式距离分别进行计算;再调用排序模块,将计算得出的所有欧式距离值由小到大进行排序;再调用比值计算模块计算得出排序后的第二个欧式距离值与第一个欧式距离值之间的比值,并判断计算得出的比值是否小于T3:当计算得出的比值小于T3时,从当前所处理着降区域图像的SIFT特征点中找出一个与该SIFT特征点之间欧式距离最近的SIFT特征点作为匹配特征点;否则,当计算得出的比值不小于T3时,判断为该SIFT特征点无匹配特征点;
步骤20243、相互匹配的SIFT特征点选取:根据步骤20241和步骤20242中的匹配结果,采用所述处理器从当前所处理着降区域图像的SIFT特征点和上一个采样时刻所获取着降区域图像的SIFT特征点中,找出所有SIFT特征点匹配对;每个所述SIFT特征点匹配对中均包括当前所处理着降区域图像的一个SIFT特征点和上一个采样时刻所获取着降区域图像的一个SIFT特征点,每个所述SIFT特征点匹配对中的两个所述SIFT特征点互为匹配特征点;
本步骤中,所找出的所有SIFT特征点匹配对组成所述SIFT特征点集合。
8.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2025中所述的T1=4~6;
步骤2025中进行特征点融合时,调用特征点融合处理模块对由先至后所述SIFT特征点集合中的各SIFT特征点分别进行融合处理,过程如下:
步骤20251、第一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出所述Harris角点集合中各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从所述Harris角点集合中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20252、下一个SIFT特征点融合处理:先调用所述欧氏距离计算模块,计算得出此时所述Harris角点集合中剩余的各Harris角点与该SIFT特征点之间的欧式距离;再采用所述处理器,从此时所述Harris角点集合剩余的Harris角点中选出与该SIFT特征点之间的欧式距离小于T1的所有Harris角点;所选出的Harris角点为所述初始特征点;
步骤20253、多次重复步骤20252,直至完成所述SIFT特征点集合中所有SIFT特征点的融合处理过程。
9.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤20263-3中进行下一个再选特征点选取之前,还需先将此时所述初选特征点集合中剩余的各初选特征点的矢量角均增加2π。
10.按照权利要求1或2所述的基于矢量约束的着降位置检测用随机特征点选取方法,其特征在于:步骤2011中调用所述Harris角点检测模块提取出当前所处理着降区域图像的特征点时,所提取的Harris角点为亚像素级精度的角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388927.6A CN106096621B (zh) | 2016-06-02 | 2016-06-02 | 基于矢量约束的着降位置检测用随机特征点选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388927.6A CN106096621B (zh) | 2016-06-02 | 2016-06-02 | 基于矢量约束的着降位置检测用随机特征点选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096621A CN106096621A (zh) | 2016-11-09 |
CN106096621B true CN106096621B (zh) | 2019-05-21 |
Family
ID=57447259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610388927.6A Expired - Fee Related CN106096621B (zh) | 2016-06-02 | 2016-06-02 | 基于矢量约束的着降位置检测用随机特征点选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096621B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886796B (zh) * | 2017-02-20 | 2021-02-26 | 阿里巴巴(中国)有限公司 | 图标位置识别方法、装置及终端设备 |
CN107247953B (zh) * | 2017-05-31 | 2020-05-19 | 大连理工大学 | 一种基于边缘率的特征点类型选择方法 |
CN107563366A (zh) * | 2017-07-26 | 2018-01-09 | 安徽讯飞爱途旅游电子商务有限公司 | 一种定位方法及装置、电子设备 |
CN109269511B (zh) * | 2018-11-06 | 2020-01-07 | 北京理工大学 | 未知环境下行星着陆的曲线匹配视觉导航方法 |
CN111324145B (zh) * | 2020-02-28 | 2022-08-16 | 厦门理工学院 | 一种无人机自主着陆方法、装置、设备及存储介质 |
CN111444948B (zh) * | 2020-03-21 | 2022-11-18 | 哈尔滨工程大学 | 一种图像特征提取与匹配方法 |
CN115586798B (zh) * | 2022-12-12 | 2023-03-24 | 广东电网有限责任公司湛江供电局 | 一种无人机防坠毁方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050818A (zh) * | 2014-06-30 | 2014-09-17 | 武汉烽火众智数字技术有限责任公司 | 基于目标跟踪和特征点匹配的运动车辆测速方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9064145B2 (en) * | 2011-04-20 | 2015-06-23 | Institute Of Automation, Chinese Academy Of Sciences | Identity recognition based on multiple feature fusion for an eye image |
-
2016
- 2016-06-02 CN CN201610388927.6A patent/CN106096621B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050818A (zh) * | 2014-06-30 | 2014-09-17 | 武汉烽火众智数字技术有限责任公司 | 基于目标跟踪和特征点匹配的运动车辆测速方法 |
Non-Patent Citations (1)
Title |
---|
基于HRRP极点矢量的特征提取方法研究;梁群;《现代电子技术》;20090515;第32卷(第9期);第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106096621A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096621B (zh) | 基于矢量约束的着降位置检测用随机特征点选取方法 | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN103530881B (zh) | 适用于移动终端的户外增强现实无标志点跟踪注册方法 | |
CN107677274B (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 | |
CN106595500B (zh) | 基于无人机双目视觉的输电线路覆冰厚度测量方法 | |
CN107833249A (zh) | 一种基于视觉引导的舰载机着陆过程姿态预估方法 | |
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN105787876B (zh) | 一种基于surf特征跟踪匹配的全景视频自动拼接方法 | |
CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
CN107481315A (zh) | 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法 | |
CN105004337B (zh) | 基于直线匹配的农用无人机自主导航方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN107977656A (zh) | 一种行人重识别方法及系统 | |
CN110675453B (zh) | 一种已知场景中运动目标的自定位方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN106203396B (zh) | 基于深度卷积和梯度旋转不变性的航拍图像目标检测方法 | |
CN107103056A (zh) | 一种基于局部标识的双目视觉室内定位数据库建立方法及定位方法 | |
CN109579825A (zh) | 基于双目视觉和卷积神经网络的机器人定位系统及方法 | |
Jianbang et al. | Real-time monitoring of physical education classroom in colleges and universities based on open IoT and cloud computing | |
CN107025449A (zh) | 一种视角不变局部区域约束的倾斜影像直线特征匹配方法 | |
CN110008861A (zh) | 一种基于全局和局部特征学习的行人再识别方法 | |
CN109671109A (zh) | 密集点云生成方法及系统 | |
CN104751451B (zh) | 基于无人机低空高分辨率影像的密集点云提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190521 Termination date: 20200602 |
|
CF01 | Termination of patent right due to non-payment of annual fee |