CN109858361B - 基于街景图像匹配重复结构建筑的定位方法 - Google Patents
基于街景图像匹配重复结构建筑的定位方法 Download PDFInfo
- Publication number
- CN109858361B CN109858361B CN201811620866.7A CN201811620866A CN109858361B CN 109858361 B CN109858361 B CN 109858361B CN 201811620866 A CN201811620866 A CN 201811620866A CN 109858361 B CN109858361 B CN 109858361B
- Authority
- CN
- China
- Prior art keywords
- matching
- points
- descriptor
- point
- street view
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Abstract
本发明公开了一种基于街景图像匹配重复结构建筑的定位方法,通过剔除因重复相似结构建筑的描述子距离较近引起的误匹配点,从而实现在街景导航下对大量的相似性结构建筑的正确匹配,进一步实现精确的定位。本发明能够有效解决因重复相似性结构建筑所引起的误匹配问题,提高街景导航中定位的精度,有效降低了算法的复杂度和计算量。
Description
技术领域
本发明涉及导航技术领域,尤其涉及一种基于街景图像匹配重复结构建筑的定位方法。
背景技术
在现代社会,GPS系统的使用十分普及。在车载系统或手机端的各类地图软件中打开GPS,便可以快速准确的获取用户当前的位置、方向等导航信息。然而,GPS导航也存在一些问题。在隧道、地下商场等特殊环境下,GPS信号较弱或不存在GPS信号,传统的地图导航难以发挥作用,这时基于特征的视觉导航方法就可以发挥作用。
早在上世纪60年代,图像跟踪技术就在军事领域取得了广泛应用。上世纪70年代末80年代初,麻省理工学院的马尔教授创立了计算机视觉理论,将视觉研究向前推进了一大步。随着视觉导航技术的不断发展和成熟,其在社会生活、军事等领域的应用也越来越广泛。
基于特征的视觉导航技术主要包含两方面,特征提取和特征匹配。特征提取技术是视觉特征方法的重要前提和基础,也会影响匹配的精度。常用的特征提取方法有Harris角点、Susan角点等。但上述方法的缺点是不具有尺度不变性,因此不适合解决街景导航问题。为解决上面的问题,Lowe提出了SIFT算子,在此基础上改进的方法有SURF算子、HOG等。尺度不变特征描述子的优势是对于缩放和旋转变换具有不变性,而对光照和视角变化具有良好的鲁棒性,因此适用于街景导航。
特征匹配技术主要有蛮力匹配法、FLANN匹配法等。但是用上述方法得到的匹配结果通常有较多的误匹配。由于在街景中有许多重复相似的建筑,因此匹配时会出现误匹配。为解决这个问题,一种较为有效的匹配策略是距离比值法。它通过设置一个阈值,将描述子最近距离和次近距离的比小于该阈值的认为是正确的匹配点,从而剔除掉误匹配点。从匹配结果看,正确的匹配项被保留下来,从而提高了匹配的准确度。但是该方法存在缺陷。重复相似结构建筑的特征描述子通常距离较近,因此用距离比值法区分相似建筑的效果并不理想。针对该问题,本专利提出了新的匹配策略,改进因重复相似结构引起的误匹配现象。
发明内容
本发明所要解决的技术问题是针对街景导航中重复相似结构建筑引起的误匹配问题、以及常用的距离比值法对于距离很近的特征描述子不能正确匹配的问题,提出一种基于街景导航重复结构建筑的新型匹配方法。
本发明为解决上述技术问题采用以下技术方案:
基于街景图像匹配重复结构建筑的定位方法,包括如下步骤:
步骤1),拍摄街景图像,用特征提取算子检测街景图像的特征点,并计算得到相应的描述子;
步骤2),将待匹配图像与预设的模型数据库中的模型图像进行匹配,得到各个匹配点;
步骤3),筛除引起误匹配问题的错误匹配点;
步骤4),根据筛除过后的匹配点计算出用户当前的位置,并将位置信息反馈给用户。
作为本发明一种基于街景图像匹配重复结构建筑的定位方法,所述步骤1)的详细步骤如下:
步骤1.1),拍摄街景图像;
步骤1.2),采用具有不变性的特征算子对图像进行特征提取,得到各个特征点;
步骤1.3),计算各个特征点的描述子;
步骤1.4),选取任意特征点,以该特征点为圆心,用等间距的m个同心圆对特征点的邻域进行划分,再将圆周n等分,形成m*n个子区域,所述m、n均为正整数;
步骤1.5),对每一个圆环内的像素点进行高斯函数加权,同一圆环上的像素点采用相同的高斯加权系数;
步骤1.6),计算每个子区域内的梯度值,形成m*n维的全局算子;
步骤1.7),将全局算子和局部算子以向量形式组合,形成局部-全局结构的特征描述子。
作为本发明一种基于街景图像匹配重复结构建筑的定位方法,所述步骤2)的详细步骤如下:
步骤2.1),首先使用FLANN、即快速最近邻逼近搜索函数库方法在预设的模型数据库中匹配描述符向量;
步骤2.2),采用距离比值法的匹配策略对得到的描述符向量进行特征匹配,得到各个匹配点,距离比值法的表达式是:
式中,f1是查询图像的描述子,f1st,f2nd是模型数据库中和f1最近和次近的描述子,d1是描述子f1和f1st之间的距离,d2是指描述子f1和f2nd的距离,这里距离是指欧氏距离,τ是预设的第一筛选阈值,其影响了匹配点的数量和匹配的准确度。
作为本发明一种基于街景图像匹配重复结构建筑的定位方法,所述步骤3)的详细步骤如下:
步骤3.1),从距离比值法得到的匹配点中随机选出一对匹配点;
步骤3.2),对选出的一对匹配点进行验证,验证方法如下:
步骤3.2.1),令这一对匹配点为(A,A'),fA是点A描述子,gA是点A'描述子,τ'是预设的第二筛选阈值,计算描述子fA、gA的夹角θ1;
步骤3.2.2),比较夹角θ1和τ',如果满足θ1≤τ'约束条件,认为A、A'是正确的匹配点,否则认为A、A'是错误的匹配点;
步骤3.3),对于距离比值法得到的匹配点中尚未被验证过的匹配点,随机抽取一对匹配点,并对选出的这对匹配点进行验证;
步骤3.4),重复执行步骤3.3),直至所有距离比值法得到的匹配点集都被验证过;
步骤3.5),将距离比值法得到的匹配点中所有正确的匹配点作为RANSAC算法的输入,进一步筛除错误的匹配点,得到筛除过后的匹配点。
作为本发明一种基于街景图像匹配重复结构建筑的定位方法,所述步骤2)中,m=5,n=6。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明对重复相似结构建筑的描述子添加更为严格的匹配条件,从而解决了距离比值法对相似建筑距离较近的描述子的误匹配问题,有效地提高了街景导航图像匹配的准确性,也提高了街景导航定位的精度,能够有效应用于街景导航重复结构建筑的匹配,具有很强的工程和实际应用价值;
2.原理可靠,思路清晰,性能稳定,为街景导航中重复结构建筑的匹配提供了新的思路和方法。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明可以以许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。在附图中,为了清楚起见放大了组件。
如图1所示,本发明公开了一种基于街景图像匹配重复结构建筑的定位方法,包括下列步骤:
步骤1),拍摄街景图像,用特征提取算子检测街景图像的特征点,并计算得到相应的描述子:
步骤1.1),拍摄街景图像;
步骤1.2),采用具有不变性的特征算子对图像进行特征提取,得到各个特征点;
步骤1.3),计算各个特征点的描述子;
步骤1.4),选取任意特征点,以该特征点为圆心,用等间距的5个同心圆对特征点的邻域进行划分,再将圆周6等分,形成30个子区域;
步骤1.5),对每一个圆环内的像素点进行高斯函数加权,同一圆环上的像素点采用相同的高斯加权系数;
步骤1.6),计算每个子区域内的梯度值,形成30维的全局算子;
步骤1.7),将全局算子和局部算子以向量形式组合,形成局部-全局结构的特征描述子;
步骤2),将查询图像与预设的模型数据库中的相应的图像进行匹配,包括:
步骤2.1),首先使用FLANN、即快速最近邻逼近搜索函数库方法在预设的模型数据库中匹配描述符向量;
步骤2.2),采用距离比值法的匹配策略对得到的描述符向量进行特征匹配,得到各个匹配点,距离比值法的表达式是:
式中,f1是查询图像的描述子,f1st,f2nd是模型数据库中和f1最近和次近的描述子,d1是描述子f1和f1st之间的距离,d2是指描述子f1和f2nd的距离,这里距离是指欧氏距离,τ是预设的第一筛选阈值,其影响了匹配点的数量和匹配的准确度;
步骤3),由于街景导航中具有大量重复结构建筑的特点,距离比值法的匹配结果往往存在误匹配问题,所以需要筛除引起误匹配问题的错误匹配点:
步骤3.1),从距离比值法得到的匹配点中随机选出一对匹配点;
步骤3.2),对选出的一对匹配点进行验证,验证方法如下:
步骤3.2.1),令这一对匹配点为(A,A'),fA是点A描述子,gA是点A'描述子,τ'是预设的第二筛选阈值,计算描述子fA、gA的夹角θ1;
步骤3.2.2),比较夹角θ1和τ',如果满足θ1≤τ'约束条件,认为A、A'是正确的匹配点,否则认为A、A'是错误的匹配点;
步骤3.3),对于距离比值法得到的匹配点中尚未被验证过的匹配点,随机抽取一对匹配点,并对选出的这对匹配点进行验证;
步骤3.4),重复执行步骤3.3),直至所有距离比值法得到的匹配点集都被验证过;
步骤3.5),将距离比值法得到的匹配点中所有正确的匹配点作为RANSAC算法的输入,进一步筛除错误的匹配点,得到筛除过后的匹配点。
步骤4),根据筛除过后的匹配点计算出用户当前的位置,并将位置信息反馈给用户。
将查询图像和预设的模型数据库中的图像进行匹配,保留匹配准确率高于90%的数据库图像。若有几幅图像的准确度高于该阈值,则保留匹配准确度最高的图像,该图像的关联位置坐标即为用户当前位置,可以确定其位置信息。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.基于街景图像匹配重复结构建筑的定位方法,其特征在于,包括如下步骤:
步骤1),拍摄街景图像,用特征提取算子检测街景图像的特征点,并计算得到相应的描述子;
步骤1.1),拍摄街景图像;
步骤1.2),采用具有不变性的特征算子对图像进行特征提取,得到各个特征点;
步骤1.3),计算各个特征点的描述子;
步骤1.4),选取任意特征点,以该特征点为圆心,用等间距的m个同心圆对特征点的邻域进行划分,再将圆周n等分,形成m*n个子区域,所述m、n均为正整数;
步骤1.5),对每一个圆环内的像素点进行高斯函数加权,同一圆环上的像素点采用相同的高斯加权系数;
步骤1.6),计算每个子区域内的梯度值,形成m*n维的全局算子;
步骤1.7),将全局算子和局部算子以向量形式组合,形成局部-全局结构的特征描述子;
步骤2),将待匹配图像与预设的模型数据库中的模型图像进行匹配,得到各个匹配点;
步骤2.1),首先使用FLANN、即快速最近邻逼近搜索函数库方法在预设的模型数据库中匹配描述符向量;
步骤2.2),采用距离比值法的匹配策略对得到的描述符向量进行特征匹配,得到各个匹配点,距离比值法的表达式是:
式中,f1是查询图像的描述子,f1st,f2nd是模型数据库中和f1最近和次近的描述子,d1是描述子f1和f1st之间的距离,d2是指描述子f1和f2nd的距离,这里距离是指欧氏距离,τ是预设的第一筛选阈值,其影响了匹配点的数量和匹配的准确度;
步骤3),筛除引起误匹配问题的错误匹配点;
步骤3.1),从距离比值法得到的匹配点中随机选出一对匹配点;
步骤3.2),对选出的一对匹配点进行验证,验证方法如下:
步骤3.2.1),令这一对匹配点为(A,A'),fA是点A描述子,gA是点A'描述子,τ'是预设的第二筛选阈值,计算描述子fA、gA的夹角θ1;
步骤3.2.2),比较夹角θ1和τ',如果满足θ1≤τ'约束条件,认为A、A'是正确的匹配点,否则认为A、A'是错误的匹配点;
步骤3.3),对于距离比值法得到的匹配点中尚未被验证过的匹配点,随机抽取一对匹配点,并对选出的这对匹配点进行验证;
步骤3.4),重复执行步骤3.3),直至所有距离比值法得到的匹配点集都被验证过;
步骤3.5),将距离比值法得到的匹配点中所有正确的匹配点作为RANSAC算法的输入,进一步筛除错误的匹配点,得到筛除过后的匹配点;
步骤4),根据筛除过后的匹配点计算出用户当前的位置,并将位置信息反馈给用户。
2.根据权利要求1所述的基于街景图像匹配重复结构建筑的定位方法,其特征在于,所述步骤2)中,m=5,n=6。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620866.7A CN109858361B (zh) | 2018-12-28 | 2018-12-28 | 基于街景图像匹配重复结构建筑的定位方法 |
PCT/CN2019/115900 WO2020134617A1 (zh) | 2018-12-28 | 2019-11-06 | 基于街景图像匹配重复结构建筑的定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620866.7A CN109858361B (zh) | 2018-12-28 | 2018-12-28 | 基于街景图像匹配重复结构建筑的定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858361A CN109858361A (zh) | 2019-06-07 |
CN109858361B true CN109858361B (zh) | 2023-04-18 |
Family
ID=66892780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811620866.7A Active CN109858361B (zh) | 2018-12-28 | 2018-12-28 | 基于街景图像匹配重复结构建筑的定位方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109858361B (zh) |
WO (1) | WO2020134617A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858361B (zh) * | 2018-12-28 | 2023-04-18 | 南京航空航天大学 | 基于街景图像匹配重复结构建筑的定位方法 |
CN111383335B (zh) * | 2020-03-05 | 2023-03-21 | 南京大学 | 一种众筹照片与二维地图结合的建筑物三维建模方法 |
CN111966769B (zh) * | 2020-07-14 | 2024-01-02 | 北京城市象限科技有限公司 | 基于生活圈的信息推荐方法、装置、设备和介质 |
CN111914855B (zh) * | 2020-07-31 | 2024-04-05 | 西安电子科技大学 | 一种超大数字影像地图的先验特征点稀疏化方法 |
CN112070813A (zh) * | 2020-08-21 | 2020-12-11 | 国网山东省电力公司青岛供电公司 | 一种基于连线特征一致性的特征匹配方法 |
CN113160284B (zh) * | 2021-03-09 | 2024-04-30 | 大连海事大学 | 一种基于局部相似结构约束的引导性空间一致光伏图像配准方法 |
CN113657194B (zh) * | 2021-07-27 | 2023-09-22 | 武汉理工大学 | 基于改进的surf算法的车辆摄像头图像特征提取匹配方法 |
CN113658238B (zh) * | 2021-08-23 | 2023-08-08 | 重庆大学 | 一种基于改进特征检测的近红外静脉图像高精度匹配方法 |
CN114041878A (zh) * | 2021-10-19 | 2022-02-15 | 山东建筑大学 | 骨关节置换手术机器人的ct图像的三维重建方法及系统 |
CN114299462B (zh) * | 2021-12-28 | 2024-04-23 | 湖北工业大学 | 一种基于锚点图像的地下停车场多尺度场景识别方法 |
CN116612306B (zh) * | 2023-07-17 | 2023-09-26 | 山东顺发重工有限公司 | 基于计算机视觉的法兰盘智能对位方法及系统 |
CN116797407B (zh) * | 2023-08-21 | 2023-11-03 | 北京华邑建设集团有限公司 | 一种室外建筑场地施工管理方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426019B (zh) * | 2011-08-25 | 2014-07-02 | 航天恒星科技有限公司 | 一种无人机景象匹配辅助导航方法及系统 |
CN104036480B (zh) * | 2014-06-20 | 2017-03-08 | 天津大学 | 基于surf算法的快速消除误匹配点方法 |
CN104598885B (zh) * | 2015-01-23 | 2017-09-22 | 西安理工大学 | 街景图像中的文字标牌检测与定位方法 |
CN107084736A (zh) * | 2017-04-27 | 2017-08-22 | 维沃移动通信有限公司 | 一种导航方法及移动终端 |
CN107133325B (zh) * | 2017-05-05 | 2020-01-07 | 南京大学 | 一种基于街景地图的互联网照片地理空间定位方法 |
CN108388902B (zh) * | 2018-02-12 | 2020-07-07 | 山东大学 | 结合全局框架点与局部shot特征的复合3d描述子构建方法 |
CN109086350B (zh) * | 2018-07-13 | 2021-07-30 | 哈尔滨工业大学 | 一种基于WiFi的混合图像检索方法 |
CN109858361B (zh) * | 2018-12-28 | 2023-04-18 | 南京航空航天大学 | 基于街景图像匹配重复结构建筑的定位方法 |
-
2018
- 2018-12-28 CN CN201811620866.7A patent/CN109858361B/zh active Active
-
2019
- 2019-11-06 WO PCT/CN2019/115900 patent/WO2020134617A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN109858361A (zh) | 2019-06-07 |
WO2020134617A1 (zh) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858361B (zh) | 基于街景图像匹配重复结构建筑的定位方法 | |
CN102968777B (zh) | 一种基于重叠区域sift特征点的图像拼接方法 | |
Song et al. | A novel image registration algorithm for remote sensing under affine transformation | |
Jiang et al. | Multiscale locality and rank preservation for robust feature matching of remote sensing images | |
CN102521838B (zh) | 一种图像匹配方法及系统 | |
CN106682700B (zh) | 基于关键点描述算子的分块快速匹配方法 | |
Yu et al. | Robust robot pose estimation for challenging scenes with an RGB-D camera | |
CN115683129B (zh) | 一种基于高清地图的长期重定位方法和装置 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
Wu et al. | A comprehensive evaluation of local detectors and descriptors | |
CN104966081A (zh) | 书脊图像识别方法 | |
Wang et al. | CNDesc: Cross normalization for local descriptors learning | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN105913069B (zh) | 一种图像识别方法 | |
CN104050675A (zh) | 基于三角形描述的特征点匹配方法 | |
Ma et al. | Remote sensing image registration based on multifeature and region division | |
CN111898428A (zh) | 一种基于orb的无人机特征点匹配方法 | |
Sun et al. | Multi-stage refinement feature matching using adaptive ORB features for robotic vision navigation | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
Yu et al. | Learning bipartite graph matching for robust visual localization | |
CN103577409A (zh) | 一种图像搜索中建立图像索引的方法和装置 | |
Yue et al. | Automatic vocabulary and graph verification for accurate loop closure detection | |
JP2015007919A (ja) | 異なる視点の画像間で高精度な幾何検証を実現するプログラム、装置及び方法 | |
Shen et al. | A detector-oblivious multi-arm network for keypoint matching | |
Lin et al. | Hierarchical clustering matching for features with repetitive patterns in visual odometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190527 Address after: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu Applicant after: Nanjing University of Aeronautics and Astronautics Applicant after: QINHUAI INNOVATION RESEARCH INSTITUTE OF NANJING University OF AERONAUTICS AND ASTRONAUTICS Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu Applicant before: Nanjing University of Aeronautics and Astronautics |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |