CN111209835B - 一种改进的surf移动机器人图像匹配方法 - Google Patents
一种改进的surf移动机器人图像匹配方法 Download PDFInfo
- Publication number
- CN111209835B CN111209835B CN201911415839.0A CN201911415839A CN111209835B CN 111209835 B CN111209835 B CN 111209835B CN 201911415839 A CN201911415839 A CN 201911415839A CN 111209835 B CN111209835 B CN 111209835B
- Authority
- CN
- China
- Prior art keywords
- image
- points
- matching
- feature
- vector
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出的一种改进的SURF移动机器人图像匹配方法,包括:对待匹配的第一图像和第二图像分别进行边缘检测,获得对应的第一轮廓图像和第二轮廓图像;分别在第一轮廓图像和第二轮廓图像上检测特征点,并对应每一个特征点生成特征描述向量;获取各原特征点对应的最邻域内的待选特征点为原特征点的匹配点并记入原特征点对应的匹配点集合;根据余弦相似度从对应的匹配点集合中筛选原特征点的有效匹配点。本发明提出的一种改进的SURF移动机器人图像匹配方法,相对于现有的图像匹配方法,匹配正确率更高,匹配用时也更短,体现出了卓越的优异性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种改进的SURF移动机器人图像匹配方法。
背景技术
基于机器视觉的图像匹配是机器人系统重要组成部分。移动机器人在移动时需要同时定位并创建地图,在其行走的同时对周围环境进行图像采集,通过与系统图像库比对,从而完成相应定位和创建地图等任务。所以,图像处理要求更高。SURF(Speeded Up RobustFeatures,快速匹配)算法是一种常用的机器人图像匹配算法,但是存在检测到的不稳定特征点较多,导致多余无用计算;在匹配过程中仅使用单一欧氏距离作为评判标准,使得匹配产生较大误差等问题。
发明内容
基于背景技术存在的技术问题,本发明提出了一种改进的SURF移动机器人图像匹配方法。
本发明提出的一种改进的SURF移动机器人图像匹配方法,包括:
H1、对待匹配的第一图像和第二图像分别进行边缘检测,获得对应的第一轮廓图像和第二轮廓图像;
H2、分别在第一轮廓图像和第二轮廓图像上检测特征点,并对应每一个特征点生成特征描述向量;第一轮廓图像中的特征点记作原特征点,第二轮廓图像中的特征点记作待选特征点;
H3、通过欧氏距离,查找第一轮廓图像上各特征描述向量在第二轮廓图像的特征描述向量中的最邻域;获取各原特征点对应的最邻域内的待选特征点为原特征点的匹配点并记入原特征点对应的匹配点集合;
H4、以原特征点对应的特征描述向量记作参照向量,原特征点对应的匹配点集合中各匹配点对应的特征描述向量记作测量向量;计算参照向量与各测量向量之间的余弦相似度;
H5、根据余弦相似度从对应的匹配点集合中筛选原特征点的有效匹配点。
优选的,步骤H1中,通过Canny边缘检测边缘检测分别从第一图像和第二图像中提取第一轮廓图像和第二轮廓图像。
优选的,第一图像和第二图像为高斯滤波后的平滑图像。
优选的,步骤H2中特征描述向量的生成包括以下分步骤:
H21、通过Hessian矩阵对图像的像素点进行判别式求解,筛选像素点中的极值点作为特征点;
H22、对应每一个特征点生成以特征点为圆心半径为k×S的圆形域,S为特征点做Hessian矩阵时的尺度值;
H23、以扇形的扫描区间在圆形域内旋转扫描,统计扫描区间内所有像素点水平Harr小波特征和垂直Harr小波特征总和,扫描得到最长的方向向量作为特征点的主方向;
H24、以特征点为中心,沿着特征点主方向建立一个a×a的矩形区域块,并在矩形区域块的每个子区域统计b个像素点相对于主方向上的水平Harr小波特征dx和垂直Harr小波特征dy;
H26、结合a×a的矩形区域块的4维向量V,获得4×a×a维的向量作为特征点的特征描述向量。
优选的,步骤H23中,扇形的扫描区间为60°扇形区域。
优选的,k=6。
优选的,a=4。
优选的,b=25。
优选的,步骤H3具体为:首先逐一计算第一轮廓图像上各原特征点对应的特征描述向量与第二轮廓图像上各待选特征点对应的特征描述向量的欧式距离,当某待选特征点对应的特征描述向量与某原特征点对应的特征描述向量之间的欧式距离小于预设的距离阈值,则将该待选特征点记入该原特征点的匹配点集合。
优选的,步骤S5具体为:设置常数g,当参照向量与任意测量向量之间的余弦相似度大于g,则将该测量向量对应的待选特征点作为参照向量对应的原特征点的有效匹配点。
本发明提出的一种改进的SURF移动机器人图像匹配方法,首先通过边缘检测获得原图像的轮廓信息,并以轮廓图像作为匹配运算对象,降低了运算复杂度,提高了运算效率;然后检测匹配点时,将每一个原特征点均逐一与各待选特征点进行匹配运算,实现了针对每一个原特征点在第二轮廓图像上的待选特征点中进行遍历式匹配,保证了对第一轮廓图像上各原特征点在第二轮廓图像上进行匹配点检测的充分全面;最后并结合余弦相似度进行二次匹配对原特征点的匹配点进行筛选,去除伪匹配点,降低了图像匹配误差,提高了匹配精度。
本发明提出的一种改进的SURF移动机器人图像匹配方法,相对于现有的图像匹配方法,匹配正确率更高,匹配用时也更短,体现出了卓越的优异性。
附图说明
图1为本发明提出的一种改进的SURF移动机器人图像匹配方法流程图;
图2为从轮廓图像上检测特征点并生成特征描述向量的方法流程图。
具体实施方式
参照图1,本发明提出的一种改进的SURF移动机器人图像匹配方法,包括以下步骤。
H1、对待匹配的第一图像和第二图像分别进行边缘检测,获得对应的第一轮廓图像和第二轮廓图像。
具体的,本实施方式中,通过Canny边缘检测边缘检测分别从第一图像和第二图像中提取第一轮廓图像和第二轮廓图像。具体实施时,首先获得经过高斯滤波的第一图像和第二图像,然后从第一图像第一轮廓图像和从第而图像第二轮廓图像的具体方法为:首先通过一阶偏导的有限差分运算找寻图像的强度梯度;再应用非最大抑制技术来消除边误检;最后使用高低阈值算法检测和连接边缘区域轮廓,以获得轮廓图像。
本步骤中,第一图像和第二图像为高斯滤波后的平滑图像,以消除图像噪声。
H2、分别在第一轮廓图像和第二轮廓图像上检测特征点,并对应每一个特征点生成特征描述向量;第一轮廓图像中的特征点记作原特征点,第二轮廓图像中的特征点记作待选特征点。本步骤中,原特征点和待选特征点的区分便于后续描述。
H3、通过欧氏距离,查找第一轮廓图像上各特征描述向量在第二轮廓图像的特征描述向量中的最邻域;获取各原特征点对应的最邻域内的待选特征点为原特征点的匹配点并记入原特征点对应的匹配点集合。
具体的,本步骤中,首先逐一计算第一轮廓图像上各原特征点对应的特征描述向量与第二轮廓图像上各待选特征点对应的特征描述向量的欧式距离,当某待选特征点对应的特征描述向量与某原特征点对应的特征描述向量之间的欧式距离小于预设的距离阈值,则将该待选特征点记入该原特征点的匹配点集合。
如此,本步骤中,检测匹配点时,将每一个原特征点均逐一与各待选特征点进行匹配运算,实现了针对每一个原特征点在第二轮廓图像上的待选特征点中进行遍历式匹配,保证了对第一轮廓图像上各原特征点在第二轮廓图像上进行匹配点检测的充分全面。
具体的,本实施方式中,采用如下公式计算两个特征描述向量之间的欧式距离Uab:
H4、以原特征点对应的特征描述向量记作参照向量,原特征点对应的匹配点集合中各匹配点对应的特征描述向量记作测量向量;计算参照向量与各测量向量之间的余弦相似度。
具体的,本实施方式中,计算参照向量ai与各测量向量bi之间的余弦相似度S(ab)的计算公式如下:
H5、根据余弦相似度从对应的匹配点集合中筛选原特征点的有效匹配点。
本步骤H5具体为:设置常数g,当参照向量与任意测量向量之间的余弦相似度大于g,则将该测量向量对应的待选特征点作为参照向量对应的原特征点的有效匹配点。
本实施方式中,结合余弦相似度对原特征点的匹配点进行筛选,保证了图像匹配的精确。
具体的,步骤H2中在第一轮廓图像上检测特征点并对应每一个特征点生成特征描述向量所采用的的方法与在第二轮廓图像上检测特征点并对应每一个特征点生成特征描述向量所采用的的方法相同。
参照图2,本实施方式中,从轮廓图像上检测特征点,并生成特征描述向量的方法具体包括以下步骤。
H21、通过Hessian矩阵对图像的像素点进行判别式求解,筛选像素点中的极值点作为特征点。
具体的,本步骤中,首先针对各像素点f(x,y)建立Hessian矩阵,具体为:
其中,/>分别为像素点f(x,y)在x方向上、y方向上、xy方向上的二阶导数。获取图像中各像素点f(x,y)的Hessian矩阵后,将经过Hessian矩阵处理过的每个像素点与其三维邻域的26个点进行大小比较,筛选出极值点作为特征点。极值点为对应的Hessian矩阵值大于或等于对应的26个三维领域点中最大值或者小于或等于对应的26个三维领域点中最小值的像素点。
H22、对应每一个特征点生成以特征点为圆心半径为k×S的圆形域,S为特征点做Hessian矩阵时的尺度值。
具体的,上一步H21中在对每一个像素点进行Hessian矩阵处理时,每一个像素点均设置了对应的尺度值。本步骤中,具体实施时,可设置k=6。
H23、以扇形的扫描区间在圆形域内旋转扫描,统计扫描区间内所有像素点水平Harr小波特征和垂直Harr小波特征总和,扫描得到最长的方向向量作为特征点的主方向。具体的,本步骤中,扇形的扫描区间为60°扇形区域。即,本步骤中,对圆形域以60°扇形区域旋转扫描,以获得特征点的主方向。
H24、以特征点为中心,沿着特征点主方向建立一个a×a的矩形区域块,并在矩形区域块的每个子区域统计b个像素点相对于主方向上的水平Harr小波特征dx和垂直Harr小波特征dy。本实施方式中,a=4,b=25。
H26、结合a×a的矩形区域块的4维向量V,获得4×a×a维的向量作为特征点的特征描述向量。
即,本实施方式中,对应a×a的矩形区域块中的每一个子区域均获得一个4维向量V,从而对应每一个特征点获得a×a个4维向量V,组合形成一个4×a×a维的向量。例如,当a=4时,每个特征点对应的特征描述向量为64维向量。
本实施方式中,提出的改进的SURF移动机器人图像匹配方法,通过边缘检测获得原图像的轮廓信息,并以轮廓图像作为匹配运算对象,降低了运算复杂度,提高了运算效率。并结合余弦相似度进行二次匹配以去除伪特征点,降低了图像匹配误差,提高了匹配精度。
以下,结合一个具体的实施例,对本发明给出的改进的SURF移动机器人图像匹配方法的有益效果进行说明。
本实施例中,为验证算法性能,所用电脑的处理器为Intel Core i5-7200U,64位操作系统,内存为8.00GB,并使用matlab R2013a进行仿真实验。为了验证本发明提出的算法降低算法复杂度和提高匹配精度的好处,实验选取三组图像分别使用传统SURF算法和本发明改进的SURF算法进行图像匹配,结果如下表:
图像匹配结果对比表
从上表数据可知,本发明提出的改进的SURF移动机器人图像匹配方法相对于传统的图像匹配算法,匹配精度提高了10%-15%,匹配时间减少了60ms-80ms。实验结果表明,改进后的SURF算法匹配正确率更高,匹配用时也更短,体现出了卓越的优异性。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种改进的SURF移动机器人图像匹配方法,其特征在于,包括:
H1、对待匹配的第一图像和第二图像分别进行边缘检测,获得对应的第一轮廓图像和第二轮廓图像;
H2、分别在第一轮廓图像和第二轮廓图像上检测特征点,并对应每一个特征点生成特征描述向量;第一轮廓图像中的特征点记作原特征点,第二轮廓图像中的特征点记作待选特征点;
H3、通过欧氏距离,查找第一轮廓图像上各特征描述向量在第二轮廓图像的特征描述向量中的最邻域;获取各原特征点对应的最邻域内的待选特征点为原特征点的匹配点并记入原特征点对应的匹配点集合;
H4、以原特征点对应的特征描述向量记作参照向量,原特征点对应的匹配点集合中各匹配点对应的特征描述向量记作测量向量;计算参照向量与各测量向量之间的余弦相似度;
H5、根据余弦相似度从对应的匹配点集合中筛选原特征点的有效匹配点。
2.如权利要求1所述的改进的SURF移动机器人图像匹配方法,其特征在于,步骤H1中,通过Canny边缘检测边缘检测分别从第一图像和第二图像中提取第一轮廓图像和第二轮廓图像。
3.如权利要求2所述的改进的SURF移动机器人图像匹配方法,其特征在于,第一图像和第二图像为高斯滤波后的平滑图像。
4.如权利要求1所述的改进的SURF移动机器人图像匹配方法,其特征在于,步骤H2中特征描述向量的生成包括以下分步骤:
H21、通过Hessian矩阵对图像的像素点进行判别式求解,筛选像素点中的极值点作为特征点;
H22、对应每一个特征点生成以特征点为圆心半径为k×S的圆形域,S为特征点做Hessian矩阵时的尺度值;
H23、以扇形的扫描区间在圆形域内旋转扫描,统计扫描区间内所有像素点水平Harr小波特征和垂直Harr小波特征总和,扫描得到最长的方向向量作为特征点的主方向;
H24、以特征点为中心,沿着特征点主方向建立一个a×a的矩形区域块,并在矩形区域块的每个子区域统计b个像素点相对于主方向上的水平Harr小波特征dx和垂直Harr小波特征dy;
H26、结合a×a的矩形区域块的4维向量V,获得4×a×a维的向量作为特征点的特征描述向量。
5.如权利要求4所述的改进的SURF移动机器人图像匹配方法,其特征在于,步骤H23中,扇形的扫描区间为60°扇形区域。
6.如权利要求4所述的改进的SURF移动机器人图像匹配方法,其特征在于,k=6。
7.如权利要求4所述的改进的SURF移动机器人图像匹配方法,其特征在于,a=4。
8.如权利要求4所述的改进的SURF移动机器人图像匹配方法,其特征在于,b=25。
9.如权利要求1所述的改进的SURF移动机器人图像匹配方法,其特征在于,步骤H3具体为:首先逐一计算第一轮廓图像上各原特征点对应的特征描述向量与第二轮廓图像上各待选特征点对应的特征描述向量的欧式距离,当某待选特征点对应的特征描述向量与某原特征点对应的特征描述向量之间的欧式距离小于预设的距离阈值,则将该待选特征点记入该原特征点的匹配点集合。
10.如权利要求1至8任一项所述的改进的SURF移动机器人图像匹配方法,其特征在于,步骤S5具体为:设置常数g,当参照向量与任意测量向量之间的余弦相似度大于g,则将该测量向量对应的待选特征点作为参照向量对应的原特征点的有效匹配点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415839.0A CN111209835B (zh) | 2019-12-31 | 2019-12-31 | 一种改进的surf移动机器人图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415839.0A CN111209835B (zh) | 2019-12-31 | 2019-12-31 | 一种改进的surf移动机器人图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209835A CN111209835A (zh) | 2020-05-29 |
CN111209835B true CN111209835B (zh) | 2023-05-23 |
Family
ID=70784195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415839.0A Active CN111209835B (zh) | 2019-12-31 | 2019-12-31 | 一种改进的surf移动机器人图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209835B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509293A (zh) * | 2011-11-04 | 2012-06-20 | 华北电力大学(保定) | 异源图像的一致性特征检测方法 |
CN110148162A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于复合算子的异源图像匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239882B (zh) * | 2013-06-14 | 2017-05-03 | 富士通株式会社 | 图像相似度确定装置和方法以及图像特征获取装置和方法 |
-
2019
- 2019-12-31 CN CN201911415839.0A patent/CN111209835B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509293A (zh) * | 2011-11-04 | 2012-06-20 | 华北电力大学(保定) | 异源图像的一致性特征检测方法 |
CN110148162A (zh) * | 2019-04-29 | 2019-08-20 | 河海大学 | 一种基于复合算子的异源图像匹配方法 |
Non-Patent Citations (1)
Title |
---|
彭泽林 ; 谢小鹏 ; .基于改进SURF算法的双目视觉测量系统研究.计算机测量与控制.2018,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111209835A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN109816673B (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
JP2011238228A (ja) | スクリーン領域検知方法及びシステム | |
CN104616278B (zh) | 三维点云兴趣点检测方法和系统 | |
US11657630B2 (en) | Methods and apparatus for testing multiple fields for machine vision | |
US11475593B2 (en) | Methods and apparatus for processing image data for machine vision | |
US10846563B2 (en) | Methods and apparatus for generating a dense field of three dimensional data for machine vision | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
CN109961501A (zh) | 用于建立三维立体模型的方法和装置 | |
CN112767456A (zh) | 一种三维激光点云快速重定位方法 | |
JP2018055199A (ja) | 画像処理プログラム、画像処理装置、及び画像処理方法 | |
WO2021231260A1 (en) | Methods and apparatus for identifying surface features in three-dimensional images | |
CN108960012B (zh) | 特征点检测方法、装置及电子设备 | |
US9715724B2 (en) | Registration of CAD data with SEM images | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN117611525A (zh) | 一种受电弓滑板磨耗视觉检测方法和系统 | |
CN111209835B (zh) | 一种改进的surf移动机器人图像匹配方法 | |
CN112164079A (zh) | 一种声呐图像分割方法 | |
JP5160366B2 (ja) | 電子部品のパターンマッチング方法 | |
KR20230042237A (ko) | 기계 시각을 위한 이미지 데이터 처리 방법들 및 장치 | |
CN113554695A (zh) | 零件孔位智能识别定位方法 | |
JPH06160047A (ja) | パターンマッチング方法 | |
CN110852146B (zh) | 一种无人机图像特征点检测方法 | |
Bui et al. | Adaptive edge detection algorithm for multi-focus application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |