CN111553425B - 一种用于视觉定位的模板匹配lsp算法、介质和设备 - Google Patents

Abstract

本发明公开了一种用于视觉定位的模板匹配LSP算法、介质和设备，算法包括首先获取模板图像，构建模板图像金字塔；对模板图像金字塔中的所有图像构建自适应网格；然后对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；获取待定位的目标图像，然后基于检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度。本发明能够克服环境干扰，有效解决定位问题。

Description

一种用于视觉定位的模板匹配LSP算法、介质和设备

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种用于视觉定位的模板匹配LSP算法、介质和设备。

背景技术

模板匹配在计算机视觉和图像处理领域中属于经典的方法，其作为图像处理和模式识别中的重要技术，不需要任何的先验知识，因此在视觉领域有着广泛的应用，如视觉定位、移动目标跟踪、人脸识别等。给定模板图和目标图，通过一定的计算，在目标图中确定与模板图最相似的区域作为匹配的结果。在视觉定位的实际运用场景中，算法会遭遇许多挑战，例如任意角度的旋转、非线性的光照、噪声、模糊、遮挡和复杂的背景。

为了对抗各种实际环境的干扰，许多方法都被提出以实现算法在实际运用的鲁棒性。Yibin Huang等人在FDCM算法的基础上进行了改进提高，对边缘点采样并连接拟合出的线段以表示目标的轮廓，通过计算像素点的距离和方向实现匹配。算法只能在线段拟合较好的情况下有好的表现，噪声、模糊、遮挡或是图像自身具有复杂的背景都会导致构成拟合边缘的线段出现误差，而影响匹配的效果。有一类算法基于归一化互相关(NCC)，主要利用相关系数公式计算目标图和模板图之间的相关系数，得到相关系数矩阵，通过对相关系数矩阵的分析，判断两幅图像是否相关。基于NCC的算法能满足准确性，但是计算过程十分耗时，难以满足实际应用中要求的实时性。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种用于视觉定位的模板匹配LSP算法，该算法可以克服环境干扰，有效解决定位问题。

本发明的第二目的在于提供一种存储介质。

本发明的第三目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种用于视觉定位的模板匹配LSP算法，包括如下步骤：

S1、获取模板图像，构建模板图像金字塔；

S2、对模板图像金字塔中的所有图像构建自适应网格；

S3、对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；

S4、针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；

S5、对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；

S6、获取待定位的目标图像，然后基于步骤S5检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度。

优选的，步骤S1中模板图像金字塔的构建过程如下：

S11、对模板图像的宽和高分别进行扩展，将宽和高的像素个数都扩展为最接近的2的幂次方；

S12、对扩展后的模板图像以比例因子为2的高斯平滑进行下采样，生成模板图像金字塔；

S13、在预设的旋转角度范围内，对模板图像金字塔中每一层的图像按照设定的角度步长进行旋转，得到旋转后的所有图像：

其中，i是模板图像金字塔层数序号；N是模板图像金字塔总层数；δ_R是旋转角度基准步长，当旋转角度的范围减小，δ_R的值也随之减小，δ_R的值还与消耗的时间相关，因此受模板图像金字塔层数的限制，当金字塔的总层数减小，δ_R的值增大；

是第i层的图像的旋转角度步长，为了不断精确角度和减少计算所耗时间，自金字塔顶层往下的每一层，其旋转角度步长

都比上一层要小；

j是每层图像角度旋转的序号；R_j是图像的旋转角度；R_s是旋转的起始角度；R_E是旋转的终止角度。

优选的，在步骤S2中，自适应网格的构建具体如下：

基于四叉树结构对模板图像金字塔中每张图像进行分格处理，分割出自适应网格，其中，图像中最小网格的宽或高通过第一阈值δ_wh设定，当网格的宽或高小于第一阈值δ_wh时，则不再进行四叉树分割，最终所有图像被构建的相应网格完全覆盖；

在设定第一阈值δ_wh时，应使得金字塔顶层图像至少能建立三层四叉树结构进行分割，第一阈值δ_wh的计算公式如下：

式中，W_TN和H_TN分别是金字塔最顶层图像的宽和高。

更进一步的，在步骤S3中，使用第二阈值δ_ms对每张图像中的所有最小网格进行筛选，当最小网格中的有效边缘像素点的个数多于第二阈值δ_ms时，该最小网格作为被筛选出的网格，被筛选出的最小网格即被判断为需要对其检测局部稳定像素点。

优选的，在步骤S4中，针对每一个筛选出的网格，使用基于梯度幅度和梯度方向的计算方法评估网格中像素点的特征信息量，具体如下：

通过像素点的梯度幅度

和梯度方向

计算出像素点的特征信息量

其中，x和y分别是像素点的横、纵坐标；i是模板图像金字塔层数序号；l_i是模板图像金字塔相应的层数；j是每层图像角度旋转的序号；α和β分别是梯度幅度和梯度方向的权重值；

在每个最小网格中选择出特征信息量最多的一个像素点作为稳定像素点，并由此得到每一层图像的稳定像素点集。

更进一步的，α为0.7，β为0.3。

更进一步的，在步骤S5中，使用一种基于梯度幅度标准差的更新策略检测出局部稳定像素点，过程如下：

S51、在模板图像金字塔的顶层图像中，从每个筛选出的最小网格中选取特征信息量最多的点作为局部稳定像素点，得到顶层图像T_N(x,y)的一个局部稳定像素点集

S52、将所有属于局部稳定像素点集

的局部稳定像素点都传递扩展至下一层图像中的相应位置，属于下一层图像的稳定像素点集

中的新像素点通过基于梯度幅度标准差的更新策略检测得出：

其中，δ_std(x,y)被用于计算中心像素与其周围8个像素的梯度幅度标准差，稳定像素点集

的每一个像素点都是梯度幅度标准差的最大值；a是中心像素在x方向上的坐标统计范围；b是中心像素y方向上的坐标统计范围；G是统计范围内像素的梯度幅度；

是统计范围内的平均梯度幅度；

S53、在图像T_N-1(x,y)中，除了筛选出来的最小网格外，将剩余网格中的稳定像素点以步骤S52中基于梯度幅度标准差的更新策略这一相同方式进行检测，从而得到稳定像素点集

S54、由于模板图像金字塔顶层之外其他层的图像T_i-1(x,y)的尺寸是其上一层图像T_i(x,y)尺寸的四倍大，图像T_i-1(x,y)具有更多的网格和像素点，故图像T_N-1(x,y)的局部稳定像素点集

通过以下方式得到：

其中，i＝0,1,...,N-1；

S55、模板图像金字塔剩余层的图像T_i-1(x,y)均按照步骤S52～S54检测局部稳定像素点，最终，模板图像金字塔的每一层图像的所有局部稳定像素点都能被检测出。

优选的，在步骤S6中，基于步骤S5检测出的局部稳定像素点，在目标图像和模板图像匹配的过程中，使用由粗到细的搜索方法，金字塔从上到下旋转角度步长逐渐变小，同时搜索角度的范围也逐渐变小，过程如下：

S61、在模板图像金字塔中，提取每层图像的局部稳定像素点集

中每个局部稳定像素点的梯度信息，梯度信息包括X方向梯度导数

Y方向梯度导数

和梯度幅度的倒数

S62、为实现模板图像和目标图像匹配，建立与模板图像金字塔相同层数的目标图像金字塔；

S63、从目标图像金字塔顶层开始，利用滑动候选窗口在目标图像上滑动来获取每层图像中每个像素点的梯度信息，然后计算候选窗口所选取像素点与模板图像中每个局部稳定像素点的相似度d_LSP(x,y)，计算公式如下：

式中，M是被计算的像素点个数；k是获取到不同像素点梯度信息的滑动候选窗口的总个数；w和h分别是模板图像金字塔中图像

在旋转角度R_j下的宽和高；

和

分别是候选窗口中被计算像素点的X方向梯度导数、Y方向梯度导数和梯度幅度倒数；

S64、为了使匹配更稳定，利用相似度阈值对获取到不同像素点梯度信息的各个候选窗口进行筛选，使筛选出来的每一个候选窗口的相似度都比相似度阈值δ_d大，相似度阈值的计算公式如下：

δ_d＝min(1-σ_Min+σ_Greedy×M,σ_Min×M)；

式中，σ_Min代表计算时的最小评分阈值，范围在(0,1)，取值0.7；σ_Greedy代表计算时的贪婪度阈值，取值0.9；

然后再从筛选出来的候选窗口中选择出相似度最高的窗口，将其作为模板图像和目标图像的最终匹配结果；

由相似度最高窗口的梯度信息即可得到目标图像的旋转角度。

本发明的第二目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的用于视觉定位的模板匹配LSP算法。

本发明的第三目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的用于视觉定位的模板匹配LSP算法。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明用于视觉定位的模板匹配LSP算法，包括首先获取模板图像，构建模板图像金字塔；对模板图像金字塔中的所有图像构建自适应网格；然后对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；获取待定位的目标图像，然后基于检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度。本发明通过从模板图像中检测出局部稳定像素点作为有效的特征点来进行图像匹配，舍弃无用像素点，因此可以克服各种实际环境的干扰，有效提高匹配准确度、效率和稳定性，故能够在复杂的背景、模糊、噪声以及部分遮挡的条件下，有效解决定位问题，并且能够获得准确的目标旋转角度，满足在实际应用场景中视觉定位所需的实时性和鲁棒性要求。

(2)本发明模板匹配LSP算法使用了基于梯度幅度标准差的更新策略检测出局部稳定像素点，对于金字塔顶层的图像，评估每一个筛选出的最小网格中的像素点来检测出稳定像素点，对于除金字塔顶层之外的其他所有层的图像，需要通过更新策略，更新上一层图像传递的局部稳定像素点在当前层的图像中的位置以及每一个稳定像素点所归属的新的最小网格。在当前层的图像中，排除已有稳定像素点归属的最小网格后，以相同的评估方法，检测出当前层的局部稳定像素点，最终更新得到的局部稳定像素点和评估检测得到的局部稳定像素点，共同作为当前层图像的所有局部稳定像素点，因此，模板图像金字塔的每一层图像的所有局部稳定像素点都能被检测出，有利于匹配准确性和稳定性的提高。

(3)本发明模板匹配LSP算法中，特征信息量与梯度幅度和梯度方向有关，由于一个像素点的梯度幅度越大，其包含的信息越丰富，图像的角点处通常意味着目标轮廓的改变，相邻像素点的梯度方向差就决定了一个像素点是否接近图像的角点，因此，特征信息量能够携带丰富的图像信息，根据特征信息量选择出的稳定像素点作为特征点也能准确有效代表图像。

(4)本发明模板匹配LSP算法中，通过滑动候选窗口获取目标图像金字塔每层图像中每个像素点的梯度信息，从而实现了从粗到细的快速全面搜索；通过筛选各个候选窗口来找出相似度最高的窗口，由相似度最高窗口的梯度信息得到目标图像旋转角度，能减少计算量，增强视觉定位的实时性。

附图说明

图1是本发明用于视觉定位的模板匹配LSP算法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本实施例公开了一种用于视觉定位的模板匹配LSP算法，如图1所示，包括如下步骤：

S1、获取模板图像，构建模板图像金字塔：

S11、对模板图像的宽和高分别进行扩展，将宽和高的像素个数都扩展为最接近的2的幂次方；

S12、对扩展后的模板图像以比例因子为2的高斯平滑进行下采样，生成模板图像金字塔；

S13、在预设的旋转角度范围内，对模板图像金字塔中每一层的图像按照设定的角度步长进行旋转，得到旋转后的所有图像，最终模板图像金字塔每层图像都是旋转后的图像：

其中，i是模板图像金字塔层数序号；N是模板图像金字塔总层数；δ_R是旋转角度基准步长，当旋转角度的范围减小，δ_R的值也随之减小，δ_R的值还与消耗的时间相关，因此受模板图像金字塔层数的限制，当金字塔的总层数减小，δ_R的值增大；在本实施例中，δ_R设置为1；

是第i层的图像的旋转角度步长，

自金字塔顶层往下的每一层，其旋转角度步长

都比上一层要小，这样才能不断精确角度，同时也减少计算所耗时间；

j是每层图像角度旋转的序号；R_j是图像每次旋转对应的角度；R_s是旋转的起始角度；R_E是旋转的终止角度。

S2、对模板图像金字塔中的所有图像构建自适应网格，具体如下：

基于四叉树结构对模板图像金字塔中每张图像进行分格处理，分割出自适应网格，其中，图像中最小网格的宽或高通过第一阈值δ_wh设定，当网格的宽或高小于第一阈值δ_wh时，则不再进行四叉树分割，最终所有图像被构建的相应网格完全覆盖；

第一阈值δ_wh的计算公式如下：

式中，W_TN和H_TN分别是金字塔最顶层图像的宽和高。

当第一阈值δ_wh越小，越多的特征像素点被获取，这使得匹配的精度提升，但会浪费计算与内存资源，同时更多无用的像素点也随之包含在了特征像素点中，这将会导致匹配结果不稳定。当第一阈值δ_wh越大，特征像素点的个数越少，这能减少匹配过程的耗时，但用于匹配的特征可能不够充足，导致匹配结果不准确。因此，在设定第一阈值δ_wh时，第一阈值δ_wh应保证能使得金字塔顶层图像至少能建立三层四叉树结构进行分割，才会有较好的匹配结果。

S3、对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点。

在本实施例中，使用第二阈值δ_ms对每张图像中的所有最小网格进行筛选，当最小网格中的有效边缘像素点的个数多于第二阈值δ_ms时，该最小网格作为被筛选出的网格，被筛选出的最小网格即被判断为需要后续对其检测局部稳定像素点。

第二阈值δ_ms的设定与第一阈值δ_wh相关联，因为每一个筛选出的最小网格中只有一个特征像素点被提取，所以δ_ms的值减小时，图像特征点的个数相应增多，这会增加消耗的时间和内存；δ_ms的值增大时，图像特征点的个数相应减少，这会降低匹配的准确性，但能减少匹配所需要的时间。

S4、针对每一个筛选出的网格，使用基于梯度幅度和梯度方向的计算方法评估像素点的特征信息量，具体如下：

通过像素点的梯度幅度

和梯度方向

计算出像素点的特征信息量

其中，i是模板图像金字塔层数序号；l_i是模板图像金字塔相应的层数；j是每层图像角度旋转的序号；α和β分别是梯度幅度和梯度方向的权重值，此处α可取0.7，β可取0.3。

由于一个像素点的梯度幅度越大，其包含的信息越丰富。图像的角点处通常意味着目标轮廓的改变，这也为模板匹配提供了更多的信息，而相邻像素点的梯度方向差就决定了一个像素点是否靠近图像的角点。因此，如上计算的特征信息量与梯度幅度和梯度方向有关。

然后根据特征信息量选择出稳定像素点：每个筛选出来的最小网格中特征信息量最多的一个像素点即作为稳定像素点，并由此得到每一层图像的稳定像素点集。

S5、对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点，过程如下：

S51、在模板图像金字塔的顶层图像中，从每个筛选出的最小网格中选取特征信息量最多的点作为局部稳定像素点，得到顶层图像T_N(x,y)的一个局部稳定像素点集

对于顶层图像来说，由于顶层无上一层局部稳定像素点可以传入，因此顶层图像的稳定像素点就是其局部稳定像素点。

S52、将所有属于局部稳定像素点集

的局部稳定像素点都传递扩展至下一层图像中的相应位置，属于下一层图像的稳定像素点集

中的新像素点通过基于梯度幅度标准差的更新策略检测得出：

其中，δ_std(x,y)被用于计算中心像素与其周围8个像素的梯度幅度标准差，稳定像素点集

的每一个像素点都是梯度幅度标准差的最大值；a是中心像素在x方向上的坐标统计范围；b是中心像素y方向上的坐标统计范围；G是统计范围内像素的梯度幅度；

是统计范围内的平均梯度幅度。

S53、在图像T_N-1(x,y)中，除了筛选出来的最小网格外，将剩余网格中的稳定像素点以步骤S52中基于梯度幅度标准差的更新策略这一相同方式进行检测，从而得到稳定像素点集

S54、由于模板图像金字塔顶层之外其他层的图像T_i-1(x,y)的尺寸是其上一层图像T_i(x,y)尺寸的四倍大，图像T_i-1(x,y)具有更多的网格和像素点，故图像T_N-1(x,y)的局部稳定像素点集

通过以下方式得到：

其中，i＝0,1,...,N-1；

S55、模板图像金字塔剩余层的图像T_i-1(x,y)均按照步骤S52～S54检测局部稳定像素点，最终，模板图像金字塔的每一层图像的所有局部稳定像素点都能被检测出。

S6、获取待定位的目标图像，然后基于步骤S5检测出的局部稳定像素点，使用由粗到细的搜索方法(金字塔从上到下旋转角度步长逐渐变小，同时搜索角度的范围也逐渐变小)将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度，过程如下：

S61、在模板图像金字塔中，提取每层图像的局部稳定像素点集

中每个局部稳定像素点的梯度信息，梯度信息包括X方向梯度导数

Y方向梯度导数

和梯度幅度的倒数

S62、为实现模板图像和目标图像匹配，建立与模板图像金字塔相同层数的目标图像金字塔，构建过程与步骤S1相同；

S63、从目标图像金字塔顶层开始，利用滑动候选窗口在目标图像上滑动来获取每层图像中每个像素点的梯度信息，然后计算候选窗口所选取像素点与模板图像中每个局部稳定像素点的相似度d_LSP(x,y)，计算公式如下：

式中，M是被计算的像素点个数；k是获取到不同像素点梯度信息的滑动候选窗口的总个数；w和h分别是模板图像金字塔中图像

在旋转角度R_j下的宽和高；

和

分别是候选窗口中被计算像素点的X方向梯度导数、Y方向梯度导数和梯度幅度倒数。

S64、为了使匹配更稳定，利用相似度阈值对获取到不同像素点梯度信息的各个候选窗口进行筛选，使筛选出来的每一个候选窗口的相似度都比相似度阈值δ_d大，相似度阈值的计算公式如下：

δ_d＝min(1-σ_Min+σ_Greedy×M,σ_Min×M)；

式中，σ_Min代表计算时的最小评分阈值，范围在(0，1)，取值0.7；σ_Greedy代表计算时的贪婪度阈值，取值0.9；

然后再从筛选出来的候选窗口中选择出相似度最高的窗口，将其作为模板图像和目标图像的最终匹配结果，由相似度最高窗口的梯度信息即可得到目标图像的旋转角度。

实施例2

本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现本实施例1中所述的用于视觉定位的模板匹配LSP算法，具体如下：

S1、获取模板图像，构建模板图像金字塔；

S2、对模板图像金字塔中的所有图像构建自适应网格；

S3、对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；

S4、针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；

S5、对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；

S6、获取待定位的目标图像，然后基于步骤S5检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度。

本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。

实施例3

本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本实施例1中所述的用于视觉定位的模板匹配LSP算法，具体如下：

S1、获取模板图像，构建模板图像金字塔；

S2、对模板图像金字塔中的所有图像构建自适应网格；

S3、对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；

S4、针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；

S5、对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；

S6、获取待定位的目标图像，然后基于步骤S5检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度。

本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种用于视觉定位的模板匹配LSP算法，其特征在于，包括如下步骤：

S1、获取模板图像，构建模板图像金字塔；

S2、对模板图像金字塔中的所有图像构建自适应网格；

S3、对每张图像中的所有最小网格进行筛选，判断是否需要对其检测局部稳定像素点；

S4、针对每一个筛选出的网格，评估网格中像素点的特征信息量，并根据特征信息量选择出稳定像素点；

S5、对于所选择出的所有稳定像素点，使用基于梯度幅度标准差的更新策略检测出其中的局部稳定像素点；

S6、获取待定位的目标图像，然后基于步骤S5检测出的局部稳定像素点，使用由粗到细的搜索方法将目标图像和模板图像进行匹配，从而根据匹配结果获得目标图像的旋转角度；

在步骤S4中，针对每一个筛选出的网格，使用基于梯度幅度和梯度方向的计算方法评估网格中像素点的特征信息量，具体如下：

通过像素点的梯度幅度

和梯度方向

计算出像素点的特征信息量

其中，x和y分别是像素点的横、纵坐标；i是模板图像金字塔层数序号；l_i是模板图像金字塔相应的层数；j是每层图像角度旋转的序号；α和β分别是梯度幅度和梯度方向的权重值；

在每个最小网格中选择出特征信息量最多的一个像素点作为稳定像素点，并由此得到每一层图像的稳定像素点集；

α为0.7，β为0.3；

在步骤S5中，使用一种基于梯度幅度标准差的更新策略检测出局部稳定像素点，过程如下：

S51、在模板图像金字塔的顶层图像中，从每个筛选出的最小网格中选取特征信息量最多的点作为局部稳定像素点，得到顶层图像T_N(x,y)的一个局部稳定像素点集

S52、将所有属于局部稳定像素点集

的局部稳定像素点都传递扩展至下一层图像中的相应位置，属于下一层图像的稳定像素点集

中的新像素点通过基于梯度幅度标准差的更新策略检测得出：

其中，δ_std(x,y)被用于计算中心像素与其周围8个像素的梯度幅度标准差，稳定像素点集

的每一个像素点都是梯度幅度标准差的最大值；a是中心像素在x方向上的坐标统计范围；b是中心像素y方向上的坐标统计范围；G是统计范围内像素的梯度幅度；

是统计范围内的平均梯度幅度；

S53、在图像T_N-1(x,y)中，除了筛选出来的最小网格外，将剩余网格中的稳定像素点以步骤S52中基于梯度幅度标准差的更新策略这一相同方式进行检测，从而得到稳定像素点集

S54、由于模板图像金字塔顶层之外其他层的图像T_i-1(x,y)的尺寸是其上一层图像T_i(x,y)尺寸的四倍大，图像T_i-1(x,y)具有更多的网格和像素点，故图像T_N-1(x,y)的局部稳定像素点集

通过以下方式得到：

其中，i＝0,1,...,N-1；

S55、模板图像金字塔剩余层的图像T_i-1(x,y)均按照步骤S52～S54检测局部稳定像素点，最终，模板图像金字塔的每一层图像的所有局部稳定像素点都能被检测出。

2.根据权利要求1所述的用于视觉定位的模板匹配LSP算法，其特征在于，步骤S1中模板图像金字塔的构建过程如下：

S11、对模板图像的宽和高分别进行扩展，将宽和高的像素个数都扩展为最接近的2的幂次方；

S12、对扩展后的模板图像以比例因子为2的高斯平滑进行下采样，生成模板图像金字塔；

S13、在预设的旋转角度范围内，对模板图像金字塔中每一层的图像按照设定的角度步长进行旋转，得到旋转后的所有图像：

其中，i是模板图像金字塔层数序号；N是模板图像金字塔总层数；δ_R是旋转角度基准步长，当旋转角度的范围减小，δ_R的值也随之减小，δ_R的值还与消耗的时间相关，因此受模板图像金字塔层数的限制，当金字塔的总层数减小，δ_R的值增大；

是第i层的图像的旋转角度步长，为了不断精确角度和减少计算所耗时间，自金字塔顶层往下的每一层，其旋转角度步长

都比上一层要小；

j是每层图像角度旋转的序号；R_j是图像的旋转角度；R_s是旋转的起始角度；R_E是旋转的终止角度。

3.根据权利要求1所述的用于视觉定位的模板匹配LSP算法，其特征在于，在步骤S2中，自适应网格的构建具体如下：

基于四叉树结构对模板图像金字塔中每张图像进行分格处理，分割出自适应网格，其中，图像中最小网格的宽或高通过第一阈值δ_wh设定，当网格的宽或高小于第一阈值δ_wh时，则不再进行四叉树分割，最终所有图像被构建的相应网格完全覆盖；

在设定第一阈值δ_wh时，应使得金字塔顶层图像至少能建立三层四叉树结构进行分割，第一阈值δ_wh的计算公式如下：

式中，W_TN和H_TN分别是金字塔最顶层图像的宽和高。

4.根据权利要求3所述的用于视觉定位的模板匹配LSP算法，其特征在于，在步骤S3中，使用第二阈值δ_ms对每张图像中的所有最小网格进行筛选，当最小网格中的有效边缘像素点的个数多于第二阈值δ_ms时，该最小网格作为被筛选出的网格，被筛选出的最小网格即被判断为需要对其检测局部稳定像素点。

5.根据权利要求1所述的用于视觉定位的模板匹配LSP算法，其特征在于，在步骤S6中，基于步骤S5检测出的局部稳定像素点，在目标图像和模板图像匹配的过程中，使用由粗到细的搜索方法，金字塔从上到下旋转角度步长逐渐变小，同时搜索角度的范围也逐渐变小，过程如下：

S61、在模板图像金字塔中，提取每层图像的局部稳定像素点集

中每个局部稳定像素点的梯度信息，梯度信息包括X方向梯度导数

Y方向梯度导数

和梯度幅度的倒数

S62、为实现模板图像和目标图像匹配，建立与模板图像金字塔相同层数的目标图像金字塔；

S63、从目标图像金字塔顶层开始，利用滑动候选窗口在目标图像上滑动来获取每层图像中每个像素点的梯度信息，然后计算候选窗口所选取像素点与模板图像中每个局部稳定像素点的相似度d_LSP(x,y)，计算公式如下：

式中，M是被计算的像素点个数；k是获取到不同像素点梯度信息的滑动候选窗口的总个数；w和h分别是模板图像金字塔中图像

在旋转角度R_j下的宽和高；

和

分别是候选窗口中被计算像素点的X方向梯度导数、Y方向梯度导数和梯度幅度倒数；

S64、为了使匹配更稳定，利用相似度阈值对获取到不同像素点梯度信息的各个候选窗口进行筛选，使筛选出来的每一个候选窗口的相似度都比相似度阈值δ_d大，相似度阈值的计算公式如下：

δ_d＝min(1-σ_Min+σ_Greedy×M,σ_Min×M)；

式中，σ_Min代表计算时的最小评分阈值，范围在(0，1)，取值0.7；σ_Greedy代表计算时的贪婪度阈值，取值0.9；

然后再从筛选出来的候选窗口中选择出相似度最高的窗口，将其作为模板图像和目标图像的最终匹配结果；

由相似度最高窗口的梯度信息即可得到目标图像的旋转角度。

6.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至5中任一项所述的用于视觉定位的模板匹配LSP算法。

7.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至5中任一项所述的用于视觉定位的模板匹配LSP算法。

Images