CN109859225A - 一种基于改进orb特征点匹配的无人机景象匹配定位方法 - Google Patents

Abstract

本发明提供了一种基于改进ORB特征点匹配的无人机景象匹配定位方法，将图像的尺度定义为一个函数，并将该尺度空间的局部极值点作为候选特征点，对尺度空间求得的极值点进行筛选，利用灰度质心法计算ORB特征点的方向，计算特征点半径r范围内的矩作为质心，特征点到质心之间的向量就是特征点的方向，使用Hamming距离对特征点进行匹配，两个图像上的特征点的Hamming距离小于设定阈值，即认为是匹配点。本发明通过在原有ORB算法上进行改进，既解决了原ORB不具备尺度不变性的缺陷，也保留了其快速计算的能力，在无人机获取的图像与地图库预存的图像尺度发生变化时也能够起到快速匹配的能力。

Description

一种基于改进ORB特征点匹配的无人机景象匹配定位方法

技术领域

本发明涉及一种定位方法，属于视觉导航领域。

背景技术

近年来，无人机各方面性能不断提升，在城市反恐侦察、灾害监测、物流配送、交通疏导等军事和民用领域都有较为广泛的应用。当前无人机主要依赖于卫星导航定位，但由于卫导信号存在固有的脆弱性，极易受电磁、遮挡环境的影响，为无人机的任务实施留下了巨大隐患。

采用自主导航方式是解决卫导拒止环境下完成导航任务的有效途径，基于视觉的景象匹配是实现自主导航的有效手段之一。景象匹配导航源于巡航导弹景象匹配(SceneMatching Navigation System，SMNS)末端制导技术，其工作原理是：事先获取飞行器预定飞行区域的地物景象作为基准图像，并标注真实地理信息，存于飞行器机载计算机中作为基准图数据库；当飞行器飞到预定区域时，机载图像传感器实时获取当地景象作为实测图像送到机载计算机中和基准图像进行匹配比较。由于基准图的地理坐标位置是已知的，因此，根据与实测图的匹配位置，即可以确定当前飞行器的准确位置。因此，景象匹配导航是一种实现飞行器导航的自主绝对定位技术。无人机景象匹配定位方法通过使用预先存储包含精确地理信息的导航地图，利用一帧实拍图像与导航地图匹配即可实现飞行器的绝对定位。

景象匹配的实现中目前常用的是基于特征点匹配的方法，通过检测两幅图像目标的特征来实现匹配。Erhan Rublee在ORB:An efficient alternative to SIFT or SURF一文中提出的ORB(Oriented FAST and Rotated BRIEF)算法，虽然具有快速匹配的功能，但却不具备尺度不变性，在图像尺度发生变化时匹配效果较差。Jun Gao在Moving ObjectDetection for Driving Assistance System Based on Improved ORB FeatureMatching一文中通过对ORB算法进行改进，提高了该算法的匹配准确性；曾世聪等在基于算法改进的影像匹配方法基于ORB和角点方向夹角约束的快速图像配准方法一文中将ORB算法和角点方向夹角约束相结合，以角点方向夹角一致性作为约束条件，剔除误配点，有效降低了错误匹配率；陈慧颖等人在基于ORB算法改进的影像匹配方法一文中通过增加核线约束及相关系数条件，并结合最小二乘匹配算法，使得算法对大角度旋转影像具有一定适应性。但是上述方法均未解决ORB算法不具备尺度不变性的缺陷，在两幅待匹配的图像尺度大小不一致时，匹配正确率将大大下降。

发明内容

为了克服现有技术的不足，本发明提供一种基于改进ORB特征点匹配的景象匹配定位方法。在图像尺度发生变化的情况下，也能较好的实现快速匹配定位。

本发明解决其技术问题所采用的技术方案包括以下步骤：

(1)将图像的尺度定义为一个函数F(x,y)，x为图像像素坐标横轴，y为图像像素坐标纵轴，通过与高斯函数卷积得到尺度空间，并将该尺度空间的局部极值点作为候选特征点；

(2)对尺度空间求得的极值点进行筛选，去除对比度小于设定阈值的不稳定特征点和边界极值点；

(3)利用灰度质心法计算ORB特征点的方向；计算特征点半径r范围内的矩作为质心，特征点到质心之间的向量就是特征点的方向；

(4)使用Hamming距离对特征点进行匹配，两个图像上的特征点的Hamming距离小于设定阈值，即认为是匹配点。

本发明的有益效果是：通过在原有ORB算法上进行改进，既解决了原ORB不具备尺度不变性的缺陷，也保留了其快速计算的能力。在无人机获取的图像与地图库预存的图像尺度发生变化时也能够起到快速匹配的能力。

附图说明

图1是改进ORB算法流程图；

图2是为待匹配的两张不同尺度的图像，其中，(a)表示来自高精度地图库的截图，(b)表示来自无人机相机获取的图像帧；

图3是改进ORC算法的匹配点对示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明为基于改进ORB(Oriented FAST and Rotated BRIEF)特征点匹配的无人机景象匹自主定位方法，通过获取环境实时图像与高精度地图库进行匹配来对无人机进行定位，可为无人机等各类低空飞行平台提供导航定位参数。

本发明包括以下步骤：

(1)建立尺度空间并求取极值点：将图像的尺度定义为一个函数F(x,y)，x为图像像素坐标横轴，y为图像像素坐标纵轴，通过与高斯函数卷积得到尺度空间，并将该尺度空间的局部极值点作为候选特征点。

(2)获取稳定特征点：通过对尺度空间求得的极值点进行筛选，去除对比度小于阈值的不稳定特征点和边界极值点。

(3)特征点质心方向计算：利用灰度质心法来计算ORB特征点的方向。通过计算特征点半径r范围内的矩作为质心，特征点到质心之间构成的向量就是特征点的方向。

(4)ORB特征匹配及过滤：通过使用Hamming距离对特征点进行匹配，由于匹配点与非匹配点的Hamming距离有着明显的不同，通过设定阈值来实现匹配。

本发明的实施例是一种利用改进ORB特征点匹配的无人机景象匹配定位方法，在预存了该区域的高精度地图库后，利用无人机实时获取的图像与地图库数据进行景象匹配来对无人机进行定位。改进ORB算法流程如图1所示，通过建立多尺度空间来提取具备尺度不变性的特征点，筛选出稳定的特征点，然后再对特征点进行ORB描述，生成ORB描述子，进而利用Hamming距离进行特征点匹配，最终在预存的高精度地图库上标识出无人机的当前位置。两张待匹配的不同尺度的图像，见图2，图2(a)表示来自高精度地图库的截图，图2(b)表示来自无人机相机获取的图像帧。

本发明实施例的具体实施步骤如下：

(1)建立尺度空间并求取极值点：在一定约束下，高斯函数是最优的尺度空间的平滑核函数。将图像F(x,y)的尺度定义为一个函数L(x,y,σ)(σ为尺度因子)，它由高斯函数G(x,y,σ)和图像F(x,y)卷积得到：

为在尺度空间获得有效稳定的特征点，在高斯差分函数与图像卷积得到的空间D(x,y,σ)中寻找极值点，其局部极值点作为尺度空间的候选特征点：

其中，k为相邻两个尺度空间的尺度倍数关系，一般取值范围0.7～0.9，在本方法中k取0.8。

寻找极值点时，每一个像素点和它所有相邻点比较，当它大于(或小于)它的图像域和尺度域的所有相邻点时，即为极值点。

(2)获取稳定特征点：在求得尺度空间的极值点后，需要对极值点进行筛选，去除不稳定的极值点，来增强特征点匹配时的稳定性和抗噪能力。对于某个尺度上求得的极值点，通过3维的二次函数求该极值点在原图像上的位置，并去除低对比度的极值点。首先在某极值点处对D(x,y,σ)进行泰勒展开：

式中对X求偏倒数，并令偏导数为零，可以得到极值点

将其带入上式可得：

如果的绝对值小于某一阈值，在本方法设定为0.03，则将对应的极值点去除，从而滤除低对比度的极值点。

为了得到稳定的极值点，还需去除边缘上的极值点，这可以通过计算主曲率比值来实现。首先计算待检测极值点的海瑟矩阵：

设α是H最大的特征值，β是最小的特征值，由矩阵性质可知：

由于H的特征值与D的主曲率对应成比例，所以只需要关心特征值的比值。设γ是最大、最小特征值的比值，即α＝γβ，可求得：

上式的结果只和两个特征值的比例有关，而与具体特征值无关，因其随着γ的增加而增加。所以要想检查主曲率的比值小于某一阈值γ,只要检查下式是否成立：

当阈值γ＝8，即认为主曲率比值大于8的极值点为边缘上的点，从而被滤除。

(3)特征点质心方向计算：ORB算法采用灰度质心法来计算ORB特征点的方向。通过计算特征点半径r范围内的矩作为质心，特征点到质心之间构成的向量就是特征点的方向。矩m_pq定义为公式：

m_pq＝∑_x,y∈rx^py^qI(x,y)

其中，p+q为特征点半径r范围内的矩，I(x,y)为点(x,y)处的灰度值。

可知m₀₀表示特征点邻域的像素和，m₁₀表示仅以横坐标值为权重的邻域像素和，m₀₁表示仅以纵坐标值为权重的邻域像素和。由矩计算图像的质心C为：

特征点与质心的向量角度θ就是ORB特征点的方向，

θ＝arctan(C_y,C_x)

其中，C_x，C_y分别为质心C在x,y方向的质心坐标值。

(4)ORB特征匹配及过滤：图像的相似度量化就是计算图像的特征点描述子之间的距离，常用的距离计算方式有欧式距离、余弦距离、切比雪夫距离、汉明距离等。汉明距离常用来计算两个等长字符串的差异，本方法选用汉明距离计算ORB特征描述子间的相似度。

两张图像的ORB特征点匹配，就是计算第一张图像上每个ORB特征点描述子与第二张图像上所有ORB特征点描述子间的汉明距离，汉明距离越小，两个ORB特征点匹配度越高。两幅图像特征点汉明距离记作D(V_p,V_q)，对于n维的描述子计算方式见如下公式：

其中V_p是第一张图像特征点p的描述子，V_q是第二张图像特征点q的描述子，p_i和q_i是各自描述子上的一位二进制位。

以图2(a)作为基准，以汉明距离计算每个ORB特征点在图2(b)图中的最佳匹配点，每个匹配点对间用一条直线相连，得到图3。可见改进后的ORB算法在不同尺度的图像匹配中仍具有较好的效果。

当无人机飞到预定区域时，机载图像传感器实时获取当地景象作为实测图像送到机载计算机中和基准图像进行匹配，由于基准图的地理坐标位置是已知的，因此，根据与实测图的匹配位置，即可以确定当前飞行器的准确位置。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (1)

1.一种基于改进ORB特征点匹配的无人机景象匹配定位方法，其特征在于包括下述步骤：

(1)将图像的尺度定义为一个函数F(x,y)，x为图像像素坐标横轴，y为图像像素坐标纵轴，通过与高斯函数卷积得到尺度空间，并将该尺度空间的局部极值点作为候选特征点；

(2)对尺度空间求得的极值点进行筛选，去除对比度小于设定阈值的不稳定特征点和边界极值点；

(3)利用灰度质心法计算ORB特征点的方向；计算特征点半径r范围内的矩作为质心，特征点到质心之间的向量就是特征点的方向；

(4)使用Hamming距离对特征点进行匹配，两个图像上的特征点的Hamming距离小于设定阈值，即认为是匹配点。