CN111948658A - 水底地貌影像识别匹配的深水区定位方法 - Google Patents
水底地貌影像识别匹配的深水区定位方法 Download PDFInfo
- Publication number
- CN111948658A CN111948658A CN202010853190.7A CN202010853190A CN111948658A CN 111948658 A CN111948658 A CN 111948658A CN 202010853190 A CN202010853190 A CN 202010853190A CN 111948658 A CN111948658 A CN 111948658A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- algorithm
- mismatching
- underwater
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 162
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8902—Side-looking sonar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Abstract
本发明提供的水底地貌影像识别匹配的深水区定位方法，针对现有技术水底地貌影像识别匹配所出现的较大概率的误匹配问题，首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对，解决了SURF算法中存在的误匹配问题；但在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，仍会出现误匹配的情况，本发明又提出了融合惯性导航的约束匹配方法，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配。本发明不论是匹配精度还是匹配速度都大大优于现有技术的SURF算法，自动化程度高，速度较快，是一种具备显著创新性，且优势突出的水底地貌影像识别匹配方法。
Description
技术领域
本发明涉及一种水底地貌影像识别匹配方法，特别涉及一种水底地貌影像识别匹配的深水区定位方法，属于水底影像匹配定位技术领域。
背景技术
水下导航定位一般是借助声学导航和惯性导航来实现，声学导航因声线上声速难以准确确定以及需要支撑船和水下声学阵列，在导航距离和精度等方面都受到很大影响，惯性导航因存在误差积累，导航精度随时间推移逐渐降低。因此，开展其它方式的水下导航定位技术如地形匹配导航、地磁匹配导航和地貌匹配导航等具有重要意义和巨大的应用价值。侧扫声呐可以获取高分辨率的水底地貌影像，采用水底地貌影像，通过影像识别匹配可实现定位和导航。因此，借助声呐影像开展相关深水区定位导航关键技术研发，对于构建稳健可靠的水下定位导航系统具有极大的促进作用。
影像辅助导航是通过获取景象的影像序列，来识别真实影像中的景物，并采用已有知识获取载体所在处的位置等定位和导航所必需的参数，从而来实现辅助定位和导航。影像识别匹配定位导航分为：景象匹配和地形匹配。一般情况而言，地形匹配适用于中段导航，其提供较低的定位精度；而景象匹配适用于末段导航，其提供高精度的位置信息。影像定位和导航方法主要采用影像处理理论、方法实现系统的导航功能。然而，影像定位和导航的精度不仅与影像处理算法有关，而且还与传感器所获取的影像的质量、分辨率及影像所包含的特征都有密切的关系。影像识别匹配的特征要求为：一是算法可存储的数据量大且有较高的实时性；二是算法具有较强适应性，可用于各种地貌条件；三是基准影像和实时影像在影像特征和灰度特性上存在差异。
水底地貌影像主要是通过侧扫声呐系统或者多波束系统获取。多波束声呐影像是通过将多个ping、条带的回波强度数据，根据相应原则拼接起来，再进行抽样和量化处理得到。多波束声呐影像相比多波束声呐影像，侧扫声呐影像具有更高的分辨率。通过侧扫声呐系统所获取的侧扫声呐影像可显示水底地貌并且可确定目标的概略位置和高度。
侧扫声呐成像机理是距离成像，目标影像中的成像存在着透视收缩、顶点位移、叠掩等几何形变问题，因为水下环境极其复杂，影像处理工作尤为重要，声呐影像处理得好坏，关系到影像能否正确的进行目标解译、判读和自动分类。理论上最后处理的声呐影像应该与仪器、波束角、入射角的大小和水深等因素无关，即代表真实的水底反向散射的强度系数，但事实上，由于物理条件的限制及各种噪声的影响，必须在后处理中加以改正，声呐影像也是影像中的一种，故常规影像的处理技术也适用于对声呐影像的处理。
水底地貌影像识别匹配定位导航是将实测水底地貌影像与背景水底地貌影像进行匹配，根据二套影像识别匹配后的像素对应关系，从背景水底地貌影像中获取实测的水底地貌影像各像素的位置。通过水底地形地貌进行导航称之为地形导航，而水下地形的发展以其测量手段紧密相关，20世纪20年代出现了回声探测仪，以及单波束回拨探测仪，在20世纪70年代又出现了多波束回波探测仪和条带测深仪。相对于多波束系统，激光测深系统是另外一种具有更好发展前途的测量手段，在方向性上明显优于声呐装置所发射的声束。侧扫声呐工作时，可将其装载在称之为拖鱼的壳体上由船拖曳，其用于海底大面积成像，将高精度侧扫声呐扫测设备安装在潜行器上即可实现对海底的高精度测量，本发明影像是由侧扫声呐系统获取的，侧扫声呐可显示水底地貌，确定目标的概略位置和高度。
综上，现有技术都还存在一些明显不足，表现在以下方面：
一是现有技术无法较好的完成深水区水底地貌影像识别匹配，现有技术基于灰度图的影像识别匹配技术研究相对成熟，但影像识别匹配辅助导航技术对算法的鲁棒性、实时性要求很高，不同的环境因素，如光照、角度、拍摄器材下，获取的实时影像差异很大，基于灰度图的匹配技术并不能很好的满足精确定位的需要；现有技术的影像识别技术虽然已经应用于很多领域，但该技术并不成熟，特别是深水区定位，并不能很好的满足需要，如何加强影像识别算法的可靠性和鲁棒性是现有技术一个亟需解决的难点；
二是现有技术的水下自主定位导航方法主要有三种：一是INS(惯性导航系统)导航，二是地形匹配导航，三是重磁匹配导航。INS属于完全自主式导航系统，但因其存在误差积累需进行定期修正；匹配导航通过实测数据与背景场数据的匹配，进而从背景场中获取位置信息，重磁匹配导航因算法原理，地形、地磁和重力匹配的适用性有一定的限制，特别是在特征变化近似的水域，易出现误匹配问题。现有技术的这些方法否存在明显的不足，不能完成深水区定位，基于水底地貌影像识别匹配的定位方法在这些问题上则有一定的优势，但现有技术对于此方法的研究并不多，但它是一种极具潜力的深水区定位方法；
三是相对于陆地导航，在水下实施导航，特别是深水区的精密导航要困难很多，现有技术水下导航定位常借助于惯性导航及声学导航的系统来实现，惯性导航和声学导航在实际中存在误差积累等不足。影像识别匹配作为重中之重，它的目的是找到最优的空余坐标变换f和亮度变换g，从而进行配准、定位和差异分析。常用的变换类型如仿射变换，影像识别匹配的目的是估算出仿射变换模型参数，故影像识别匹配实际上是一个参数最优估算问题，影像匹配算法可分为基于影像灰度变化的匹配方法和基于影像特征的匹配方法，基于影像灰度变化的匹配方法直接使用影像的灰度信息，依赖与影像灰度的统计特性，对影像的旋转和光照变化较为敏感，而当影像中出现重复结构的纹理或存在遮挡等问题时容易产生误匹配的问题，其运算量大，时空复杂度高；而另一种基于特性特征的匹配方法，首先要提取影像中的特征，而特征提取的精度及可靠性也决定了后续的影像识别匹配结果，影像特征不受光照的影响，因此，此算法很少发生误匹配的情况，由于对象是侧扫声呐水底地貌影像，影像容易出现重复结构的纹理且存在遮挡等问题，基于影像识别匹配的辅助导航定位系统应用在很多领域其技术并不成熟，不能够完全满足行业需求；
四是现有技术水底地貌影像识别匹配所出现的较大概率的误匹配，采用SURF算法提取特征点并进行预匹配，无法解决SURF算法中存在的误匹配问题；同时在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，会进一步增大出现误匹配的概率，针对该情况，现有技术几乎没有解决办法，无法最终消除误匹配，导致现有技术水底地貌影像识别匹配精度较低，自动化程度低，稳健性差，运行效率低，水底地貌影像识别匹配精度和准确度低效提高还大幅提高了定位导航成本，深水区定位的质量和精度明显达不到要求。
基于水底地貌特征的水下匹配导航需用大区域的水底地貌影像作为背景场，以在航实测条带地貌影像作为匹配对象，通过匹配对象与背景场的匹配，从背景场中获取当前位置。水底地貌主要通过侧扫声呐或者多波束扫测获取。在潜航器航行过程中，一次可获取一个条带的水底地貌影像，条带与条带进行拼接，进而形成整个区域的海床地貌影像。因此，相对前面几种基于单序列观测量的匹配导航，在航条带观测序列，明显增强了匹配的信息量，提高了匹配导航的精度和可靠性。本发明对基于水底地貌影像的特征点匹配方法进入手，算法特征是需要处理的影像信息量相对较小，不容易受到外界干扰，根据实际情况选择合适的匹配策略可以在满足匹配精度的要求下大幅提高算法的实时性和适应能力。
发明内容
本发明提供的水底地貌影像识别匹配的深水区定位方法，针对现有技术水底地貌影像识别匹配所出现的较大概率的误匹配问题，综合采用了SURF算法和随机抽样一致算法各自的优势，提高了匹配速度和效率；该算法首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对，解决了SURF算法中存在的误匹配问题；但在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，仍会出现误匹配的情况，针对该情况，本发明又提出了融合惯性导航的约束匹配方法，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配。本发明不论是匹配精度还是匹配速度都大大优于现有技术的SURF算法，自动化程度高，速度较快，是一种具备显著创新性，且优势突出的水底地貌影像识别匹配方法。
为达到以上技术效果，本发明所采用的技术方案如下：
水底地貌影像识别匹配的深水区定位方法，深水区水底地貌影像通过侧扫声呐或者多波束系统获取，测量过程中侧扫声呐一次得到一个条带的水底地貌影像，将其应用于基于水底地貌匹配的定位导航中，对应点序列进行匹配，增加匹配定位导航的信息量；
深水区定位的关键是水底地貌影像识别匹配，基于影像特征点的匹配方法首先准确的提取下一步进行匹配的影像的特征点，本发明基于由SIFT算法改进而来的SURF算法，将SURF算法进一步改进优化，提高方法的水底地貌影像识别匹配性能；
本发明提供了水底地貌影像识别匹配的深水区定位方法，包括SURF与随机抽样一致算法相融合的影像识别匹配方法和融合惯性导航的约束匹配方法，SURF与随机抽样一致算法相融合的影像识别匹配方法具体包括采用SURF算法提取特征点并进行预匹配、随机抽样一致算法剔除误匹配点对；其中，提出的将SURF算法与随机抽样一致算法相融合的影像识别匹配方法，综合SURF算法和随机抽样一致算法各自的优势，首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对；在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，又提出融合惯性导航的约束匹配方法，若影像中邻匹配块的中心点距离RM与RINS满足距离限差，且满足方位常偏差时，则实现正确匹配，否则，则判断出误匹配所在的匹配块，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配，实现深水区精准定位。
水底地貌影像识别匹配的深水区定位方法，进一步的，采用SURF算法提取特征点并进行预匹配中，SURF算法的特征点检测为：原始影像上进行大小不同的方框滤波，形成尺度不同的影像金字塔；主方向表示为：主方向用6×6尺度大小的半径范围内的Haar小波响应的极值表示；描述子形成为：将20×20区域分成4×4的子区域，每个子区域用相对主方向的水平和垂直方向的Haar小波响应之和以及响应的绝对值之和表示，形成4×4×4＝64维的描述向量；
SURF算法的提取特征矩阵采用黑塞矩阵，对进行匹配的影像E中的任意一点S(x,y)，黑塞矩阵D(S,e)在S时以矢量e定义为：
其中，Wxx(S,e)是匹配影像E中点S与高斯二阶滤波的值
的卷积；Wxy(S,e)和Wyy(S,e)的含义与此一致推得；
SURF采用均值滤波器近似高斯二阶导数,积分影像的定义由下式表示：
式中，E(S)表示影像，由式2所求得的值E∑(S)为进行匹配的影像的原点以及影像上的任意一点S(x,y)作为对角点区域内所有点的像素之和。
在原始影像上，扩大方框大小得到不同尺度的影像金字塔，方框滤波模板分别同影像进行卷积后的值为Hxx、Hyy、Hzz，影像降采样被SURF算子中的扩大卷积核代替；SURF算子中对于delta的计算式如式3所示：
delta＝HxxHyy-(0.9Hxy)2 式3
在匹配时，将在同一时间搜寻空间邻域内小于delta值的点，作为此时的极值点，求出极值后，在3×3×3邻域内进行非极大值抑制，当其比周围26个邻域值都大或者小的极值点时，才可作为特征候选点，接着在尺度空间以及如相空间内进行插值运算，得到三维二次曲线，此曲线的极值位置即为极值点的亚像素位置。
水底地貌影像识别匹配的深水区定位方法，进一步的，采用SURF算法提取特征点并进行预匹配的过程为：
第一步，确定主方向，通过对特征点逐个计算，得到每一个特征点的主方向；
第二步，生成SURF描述子，将特征点定为中心，将轴线固定为主方向的位置，按照主方向选取正方形区域，并将其划分为4×4的子区域，在每一个子区域中，计算简单特征；简称dx为Haar小波在水平方向上的响应，dy为Haar小波在垂直方向上的响应；在特征点处为Haar小波响应dx和dy加一个高斯权值；在每个子区域上分别累加小波在水平方向和垂直方向的响应dx和dy，再然后分别累加|dx|和|dy|，获得强度变化的极性，每个子区域的基本强度影像通过如下向量进行描述：
U＝(∑dx，∑dy，∑|dx|，∑|dy|) 式4
由4×4子区构成的描述子长度为64，然后进行向量归一化；
第三步，特征匹配，用SURF算法获得参考影像和影像特征点进行匹配，得到的特征点位置、所在尺度、主方向及特征向量信息中，特征向量包含特征点邻域信息，用向量最近邻域法找出潜在的匹配而无需进行额外信息量的计算。
水底地貌影像识别匹配的深水区定位方法，进一步的，随机抽样一致算法剔除误匹配点对的基本假设是：样本中包含正确数据，可被模型描述的数据，也包含异常数据，偏离正常范围很远且无法适应数学模型的数据，即数据集中含有噪声，这些异常数据可能由于错误的测量和假设、错误的计算产生；此外，随机抽样一致算法还假设，给定一组正确的数据，存在可计算出符合这些数据的模型参数的方法。
随机抽样一致算法剔除误匹配点对的基本思想为：一是匹配点对数据由局内点组成，数据的分布可用模型参数解释；二是局外点不能适应该模型的数据；三是除此之外的数据属于噪声；
对于侧扫声呐影像，本发明融合随机抽样一致算法的特征提出一种改进优化的SURF算法，采用随机抽样一致算法剔除误匹配点对，采用迭代的方式从一组包含离群的匹配点对数据中估算出数学模型的参数，通过估算出数学模型检验除误匹配点对，提高水底地貌影像特征点匹配精度。
水底地貌影像识别匹配的深水区定位方法，进一步的，融合惯性导航的约束匹配方法提出二种约束方法：一是距离约束，二是方位约束；
距离约束根据相邻匹配块的中心坐标计算距离RM，并与相应的INS推算点间的距离RINS进行比较，当满足距离限差时，则认为匹配正确；否则，认为出现了误匹配，如式5：
RM-RINS＜δ 式5
式中，δ为给定的限差；方位约束是根据相邻匹配块中心点坐标计算的方位FM与INS提供的、相应段的方位FINS进行比较，确定偏差△F，如果不存在误匹配，每段得到△F应该近似相等，即为INS的初始偏差；某子块如果存在误匹配，则会引起与该子块相连接的二段间△F与其它段得到的△F存在较大偏差；
ΔF＝FM-FINS 式7
式中，相邻二个影像块匹配后的中心坐标分别为(xk，yk)和(xk-1，yk-1)，△F的平均值计算如下：
其中N表示实测的匹配块个数，融合惯性导航的约束匹配方法的基本思路是，认为INS推算点相邻测点间的距离正确，如果每个影像块均能实现正确匹配，则相邻影像块形成的匹配段间方位应该与INS提供的方位存在一个常偏差△F，借助式5和式7得到每段偏差，采用式8获取其均值，将之作为参考以发现误匹配；
基于距离约束和方位约束，如果存在误匹配，根据距离和方位偏差△F，进一步缩小搜索范围，进行再匹配，消除误匹配，最终获取该匹配块的真实位置，提高匹配精度。
水底地貌影像识别匹配的深水区定位方法，进一步的，本发明采用MATLAB2010仿真软件，搭建一个基于GUI框架的软件仿真平台，该平台采用Guide的界面编程功能集成一些按钮控件，采用可视化界面，进行影像处理和分析；
软件平台的整体结构：首先获取数字影像信号，输入计算机内存中，数字影像以矩阵的形式保存，当检测到有影像输入时驱动影像预处理模块，影像预处理模块集成影像均衡化，斜距改正，影像去噪，然后开始进行影像识别匹配；
水底地貌影像识别匹配的深水区定位方法，进一步的，水底地貌影像识别匹配软件仿真平台具体工作流程为：
步骤一，输入侧扫声呐影像，当检测到输入的数字影像格式为8位灰度图时，系统将其交给影像预处理模块，通过该模块完成影像均衡化，斜距改正，图像去噪处理；
步骤二，提取影像的特征值，并进行影像识别匹配；
步骤三，输出匹配结果以及各种参数。
水底地貌影像识别匹配的深水区定位方法，进一步的，整个仿真实验平台以GUI框架为基础，完成侧扫声呐影像识别匹配的一系列工作；
影像预处理模块集成影像均衡化，斜距改正，影像去噪算法，采用可视化界面进行影像的处理以及分析，选择相应的影像去噪算法后，用户点击加载位图的按钮将原影像进行加载，然后点击影像去噪按钮，右边的文本框中立即显示去噪后的效果图；而影像均衡，斜距校正都与影像滤波类似，原始影像经过消噪，影像均衡化及斜距改正处理后即可进行后续的影像识别匹配模块。
水底地貌影像识别匹配的深水区定位方法，进一步的，影像识别匹配模块完成特征点的提取及影像识别匹配，是仿真实验平台的核心，该模块接收来自影像预处理模块的数据后，进行特征点的提取，然后融合随机抽样一致算法筛选特征点进行匹配，再根据约束算法，检测到出现误匹配的匹配块，根据INS航迹进一步缩小匹配范围，再一次匹配该匹配块，消除误匹配，最终提高匹配的准确性；
本发明给出模拟的航行路线，以航行路线上的点作为实测图的中心点来抓取影像，步骤为：
第1步，在仿真试验开始前，人为选择一条航行轨迹，在航行轨迹上按照相等或者不等间隔，在背景场影像上截取一系列影像块作为待匹配的目标图；
第2步，影像识别匹配模块，采用改进后的SURF算法进行影像识别匹配，实时地显示匹配的结果，并显示位置信息，给出匹配相似性度量参数，经过约束匹配方法的运行，误匹配区域被筛掉，匹配精度提高，最终获取了匹配块的真实的位置。
与现有技术相比，本发明的贡献和创新点在于：
第一，本发明提供的水底地貌影像识别匹配的深水区定位方法，深水区水底地貌影像主要通过侧扫声呐或者多波束系统获取，测量过程中侧扫声呐一次可得到一个条带的水底地貌影像，将其应用于基于水底地貌匹配的定位导航中，对应点序列进行匹配，增加匹配定位导航的信息量，不仅提高了匹配定位导航的精确度，也增强了其可靠性；
第二，本发明提供的水底地貌影像识别匹配的深水区定位方法，首先需要准确的提取下一步进行匹配的影像的特征点，SIFT算法对于影像的旋转或者尺度都具有不变性，并且对于影像中产生的噪声、视角变换及光照变化都有很好的稳定性，本发明基于由SIFT算法改进而来的SURF算法，针对SURF算法在水底地貌影像识别匹配运用中所存在的不足，将SURF算法进一步改进优化方法，提高方法的水底地貌影像识别匹配性能，使其在匹配速度和匹配精度上有大幅提高；
第三，本发明提供的水底地貌影像识别匹配的深水区定位方法，针对现有技术水底地貌影像识别匹配所出现的较大概率的误匹配问题；其中，提出一种将SURF算法与随机抽样一致算法相融合的影像识别匹配方法，该算法综合采用了SURF算法和随机抽样一致算法各自的优势，提高了匹配速度和效率；该算法首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对，解决了SURF算法中存在的误匹配问题；但在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，仍会出现误匹配的情况，针对该情况，本发明又提出了融合惯性导航的约束匹配方法，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配。经过算法上的改进及试验验证，本发明不论是匹配精度还是匹配速度都大大优于现有技术的SURF算法，自动化程度高，速度较快，是一种具备显著创新性，且优势突出的水底地貌影像识别匹配方法；
第四，本发明提供的水底地貌影像识别匹配的深水区定位方法，针对侧扫声呐影像特征，对影像进行均衡化，斜距改正，影像的去噪与加强，地理编码的影像预处理，最终获取后续影像识别匹配所需要的高质量背景场影像。为验证改进的算法的有效性，本发明借助微软提供的MATLAB软件，搭建了一个基于GUI框架的实验仿真平台，借助该平台，进一步验证了本发明研究所给出的算法的有效性，仿真平台结论为本发明的稳健性好，运行效率高，水底地貌影像识别匹配精度和准确度得到有效提高，还大幅降低定位导航成本，深水区定位的质量和精度明显提高。
附图说明
图1是本发明SURF算法简化前后的卷积和示意图。
图2是本发明基于Haar小波的主方向确定示意图。
图3是本发明软件平台的整体流程示意图。
图4是本发明没有导入约束匹配方法时的匹配结果示意图。
图5是本发明导入约束匹配方法后的匹配结果示意图。
图6是本发明影像不同位置的匹配效果示意图。
图7是采用融合惯性导航的约束匹配方法前后匹配效果示意图。
具体实施方式
下面结合附图，对本发明提供的水底地貌影像识别匹配的深水区定位方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能够予以实施。
深水区水底地貌影像主要通过侧扫声呐或者多波束系统获取，测量过程中侧扫声呐一次可得到一个条带的水底地貌影像，将其应用于基于水底地貌匹配的定位导航中，对应点序列进行匹配，增加匹配定位导航的信息量，不仅提高了匹配定位导航的精确度，也增强了其可靠性。
深水区水底地貌影像识别匹配定位的关键是水底地貌影像识别匹配方法，基于影像特征点的匹配方法首先需要准确的提取下一步进行匹配的影像的特征点，因此选择可以提取出高精度特征点的提取方法十分重要，SIFT算法对于影像的旋转或者尺度都具有不变性，并且对于影像中产生的噪声、视角变换及光照变化都有很好的稳定性，本发明基于由SIFT算法改进而来的SURF算法，针对SURF算法在水底地貌影像识别匹配运用中所存在的不足，将SURF算法进一步改进优化方法，提高方法的水底地貌影像识别匹配性能，使其在匹配速度和匹配精度上有大幅提高。
针对现有技术水底地貌影像识别匹配所出现的较大概率的误匹配问题，本发明提供了水底地貌影像识别匹配的深水区定位方法，包括SURF与随机抽样一致算法相融合的影像识别匹配方法、融合惯性导航的约束匹配方法，SURF与随机抽样一致算法相融合的影像识别匹配方法具体包括采用SURF算法提取特征点并进行预匹配、随机抽样一致算法剔除误匹配点对；其中，提出一种将SURF算法与随机抽样一致算法相融合的影像识别匹配方法，该算法综合采用了SURF算法和随机抽样一致算法各自的优势，提高了匹配速度和效率；该算法首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对，解决了SURF算法中存在的误匹配问题；但在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，仍会出现误匹配的情况，针对该情况，本发明又提出了融合惯性导航的约束匹配方法，若影像中邻匹配块的中心点距离RM与RINS满足距离限差，且满足方位常偏差时，则实现正确匹配，否则，则判断出误匹配所在的匹配块，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配。经过算法上的改进及试验验证，本发明不论是匹配精度还是匹配速度都大大优于现有技术的SURF算法。
一、SURF与随机抽样一致算法相融合的影像识别匹配方法
SURF与随机抽样一致算法相融合的影像识别匹配方法综合采用SURF算法和随机抽样一致算法各自的优势，首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对，解决SURF算法中存在的误匹配问题。该算法在精度和速度上都明显优于传现有技术的各种水底地貌影像识别匹配方法。
(一)采用SURF算法提取特征点并进行预匹配
SURF算法采用haar特征和积分影像的概念，加快程序的运行时间。SURF算法的特征点检测为：原始影像上进行大小不同的方框滤波，形成尺度不同的影像金字塔；主方向表示为：主方向用6×6尺度大小的半径范围内的Haar小波响应的极值表示；描述子形成为：将20×20区域分成4×4的子区域，每个子区域用相对主方向的水平和垂直方向的Haar小波响应之和以及响应的绝对值之和表示，形成4×4×4＝64维的描述向量。
SURF算法的提取特征矩阵采用黑塞矩阵，对进行匹配的影像E中的任意一点S(x,y)，黑塞矩阵D(S,e)在S时以矢量e定义为：
其中，Wxx(S,e)是匹配影像E中点S与高斯二阶滤波的值
的卷积；Wxy(S,e)和Wyy(S,e)的含义与此一致推得。
SURF采用均值滤波器近似高斯二阶导数,积分影像的定义由下式表示：
式中，E(S)表示影像，由式2所求得的值E∑(S)为进行匹配的影像的原点以及影像上的任意一点S(x,y)作为对角点区域内所有点的像素之和。
在原始影像上，扩大方框大小得到不同尺度的影像金字塔，9×9模板的滤波值如图1，图1中的灰色部分所对应的模板值为0，而该灰色部分所对应的二阶高斯滤波e＝1.2，它的尺度值又为r＝e＝1.2，方框滤波模板分别同影像进行卷积后的值为Hxx、Hyy、Hzz，影像降采样被SURF算子中的扩大卷积核代替；SURF算子中对于delta的计算式如式3所示：
delta＝HxxHyy-(0.9Hxy)2 式3
在匹配时，本发明将在同一时间搜寻空间邻域内小于delta值的点，作为此时的极值点。实验时构建尺度影像金字塔，在构建的金字塔里的每一阶中，从其中选择4层的尺度影像，在图1中，若影像大小远远超过模板，那么实验时还可增加滤波的阶数。求出极值后，在3×3×3邻域内进行非极大值抑制，当其比周围26个邻域值都大或者小的极值点时，才可作为特征候选点，接着在尺度空间以及如相空间内进行插值运算，得到三维二次曲线，此曲线的极值位置即为极值点的亚像素位置。
第一步，确定主方向，通过对特征点逐个计算，得到每一个特征点的主方向，如图2所示；
第二步，生成SURF描述子，将特征点定为中心，将轴线固定为主方向的位置，按照主方向选取边长为20r的正方形区域，并将其划分为4×4的子区域，在每一个子区域中，计算简单特征；简称dx为Haar小波在水平方向上的响应，dy为Haar小波在垂直方向上的响应；为增强针对几何形变和定位错误情况的鲁棒性，在特征点处为Haar小波响应dx和dy加一个高斯权值；在每个子区域上分别累加小波在水平方向和垂直方向的响应dx和dy，再然后分别累加|dx|和|dy|，获得强度变化的极性，每个子区域的基本强度影像通过如下向量进行描述：
U＝(∑dx，∑dy，∑|dx|，∑|dy|) 式4
由4×4子区构成的描述子长度为64，然后进行向量归一化，实现对光照的鲁棒性；
第三步，特征匹配，用SURF算法获得参考影像和影像特征点进行匹配，得到的特征点位置、所在尺度、主方向及特征向量信息中，特征向量包含特征点邻域信息，用向量最近邻域法找出潜在的匹配而无需进行额外信息量的计算。
(二)随机抽样一致算法剔除误匹配点对
随机抽样一致算法是非确定性算法，基于一定概率获得合理的结果，故为提高概率必须提高迭代次数。随机抽样一致算法的基本假设是：样本中包含正确数据，可被模型描述的数据，也包含异常数据，偏离正常范围很远且无法适应数学模型的数据，即数据集中含有噪声，这些异常数据可能由于错误的测量和假设、错误的计算产生。此外，随机抽样一致算法还假设，给定一组正确的数据，存在可计算出符合这些数据的模型参数的方法。
随机抽样一致算法剔除误匹配点对的基本思想为：一是匹配点对数据由局内点组成，数据的分布可用模型参数解释；二是局外点不能适应该模型的数据；三是除此之外的数据属于噪声。
随机抽样一致的优点是：能鲁棒的估算模型参数；随机抽样一致算法的缺点主要有：一是计算参数的迭代数量无限制；如果限制设定的迭代次数，可能得不到最优结果；二是它要求设置与问题相关的临界值，随机抽样一致算法只能从特定数据集中估算出一个模型，如果存在二个或者多个模型，随机抽样一致算法不能找到别的模型。
对于侧扫声呐影像，SURF算法在实际匹配时会出现误匹配，特别是影像匹配在遇到特征相似水域或特征缺少的水域时该现象会加重。针对该问题，本发明融合随机抽样一致算法的特征提出一种改进优化的SURF算法，采用随机抽样一致算法剔除误匹配点对，采用迭代的方式从一组包含离群的匹配点对数据中估算出数学模型的参数，通过估算出数学模型检验除误匹配点对，提高水底地貌影像特征点匹配精度。
由于本发明是针对水底地貌的影像识别匹配，匹配的特征点应该针对水底地貌的特征，当匹配的区域是地貌变化相似的水域时，会因为该水域特征不明显或是进行匹配的区域缺少特征时，SURF与随机抽样一致算法相融合的影像识别匹配方法仍然存在一定的误匹配，针对该情况，本发明提出一种融合惯性导航系统(INS)信息的约束匹配方法。
二、融合惯性导航的约束匹配方法
水底地貌影像识别匹配基于特征点实现，但实际应用中地貌变化相似的水域，因该水域特征不明显或者缺少特征，可能出现误匹配的问题。为有效探测误匹配，提高匹配的可靠性和精度，提出二种约束方法：一是距离约束，二是方位约束。
距离约束根据相邻匹配块的中心坐标计算距离RM，并与相应的INS推算点间的距离RINS进行比较，当满足距离限差时，则认为匹配正确；否则，认为出现了误匹配，如式5：
RM-RINS＜δ 式5
式中，δ为给定的限差；方位约束是根据相邻匹配块中心点坐标计算的方位FM与INS提供的、相应段的方位FINS进行比较，确定偏差△F，理论上，如果不存在误匹配，每段得到△F应该近似相等，即为INS的初始偏差；某子块如果存在误匹配，则会引起与该子块相连接的二段间△F与其它段得到的△F存在较大偏差。
ΔF＝FM-FINS 式7
式中，相邻二个影像块匹配后的中心坐标分别为(xk，yk)和(xk-1，yk-1)，△F的平均值计算如下：
其中N表示实测的匹配块个数，融合惯性导航的约束匹配方法的基本思路是，尽管INS存在误差积累，但考虑匹配段在较短的时间内完成，匹配期间追加的误差较小，INS提供的方位和推算坐标误差主体表现为前期积累误差。因此，认为INS推算点相邻测点间的距离正确。据此还认为，如果每个影像块均能实现正确匹配，则相邻影像块形成的匹配段间方位应该与INS提供的方位存在一个常偏差△F。基于上述二点，借助式5和式7得到每段偏差，采用式8获取其均值，将之作为参考以发现误匹配。
基于距离约束和方位约束，如果存在误匹配，则可根据距离和方位偏差△F，进一步缩小搜索范围，进行再匹配，消除误匹配，最终获取该匹配块的真实位置，提高匹配精度。
三、软件仿真平台
为更加方便的验证方法的有效性，本发明采用MATLAB2010仿真软件，搭建一个基于GUI框架的软件仿真平台，该平台采用Guide的界面编程功能集成一些按钮控件，采用可视化界面，方便进行影像处理和分析。本申请提供该实验平台的主要模块以及其工作原理，然后采用该平台对本发明提出的水底地貌影像识别匹配的深水区定位方法进行验证，并分析运行结果。
(一)软件平台的整体结构
首先获取数字影像信号，输入计算机内存中，数字影像以矩阵的形式保存。当检测到有影像输入时驱动影像预处理模块，影像预处理模块集成影像均衡化，斜距改正，影像去噪，然后开始进行影像识别匹配。
基于GUI程序框架让用户更方便的编写应用程序，采用它的界面编写功能方便有效的对本实验中的影像进行运算并显示结果。流程框图如图3所示。具体工作流程如下：
步骤一，输入侧扫声呐影像，当检测到输入的数字影像格式为8位灰度图时，系统将其交给影像预处理模块，通过该模块完成影像均衡化，斜距改正，图像去噪处理；
步骤二，提取影像的特征值，并进行影像识别匹配；
步骤三，输出匹配结果以及各种参数。
(二)软件平台模块
整个仿真实验平台以GUI框架为基础，完成侧扫声呐影像识别匹配的一系列工作。
1.影像预处理模块
影像预处理模块集成影像均衡化，斜距改正，影像去噪算法，采用可视化界面进行影像的处理以及分析，选择相应的影像去噪算法后，用户只要点击加载位图的按钮将原影像进行加载，然后点击影像去噪按钮，右边的文本框中立即会显示去噪后的效果图；而影像均衡，斜距校正都与影像滤波类似，原始影像经过消噪，影像均衡化及斜距改正处理后即可进行后续的影像识别匹配模块。
2.影像识别匹配模块
影像识别匹配模块完成特征点的提取及影像识别匹配，是仿真实验平台的核心，该模块接收来自影像预处理模块的数据后，进行特征点的提取，然后融合随机抽样一致算法筛选特征点进行匹配，再根据约束算法，检测到出现误匹配的匹配块，根据INS航迹进一步缩小匹配范围，再一次匹配该匹配块，消除误匹配，最终提高匹配的准确性。
为使问题简化，本申请直接给出模拟的航行路线，以航行路线上的点作为实测图的中心点来抓取影像。实验步骤为：
第1步，在仿真试验开始前，人为选择一条航行轨迹，在航行轨迹上按照相等或者不等间隔，在背景场影像上截取一系列影像块作为待匹配的目标图；
第2步，影像识别匹配模块，采用改进后的SURF算法进行影像识别匹配，实时地显示匹配的结果，并显示位置信息，给出匹配相似性度量参数。没有导入约束匹配方法时的匹配运行结果如图4所示，图4左边的目标影像一共有六个，由于没有导入约束匹配方法，在匹配中出现了图中圈出的误匹配区域，导入约束算法，进行匹配实验，匹配结果如图5：图5导入约束匹配方法后，出现的一条为INS提供的方位和推算的坐标所连接起来的航行线，经过约束匹配方法的运行，将图4中圈出的误匹配区域被筛掉，匹配精度也有了一定的提高，最终获取了匹配块的真实的位置。本发明提出的水底地貌影像识别匹配的深水区定位方法的有效性大幅提高，操作更加方便，具有很好的应用价值。
四、实验分析
水底地貌影像识别匹配实验的目的旨在验证本发明提出的水底地貌影像识别匹配的深水区定位方法的实时性及准确性。实验所用影像为某水域采用侧扫声呐系统对水底扫测所获取的一个条带影像。
运用本发明的影像识别匹配方法分别对目标影像一、二、三进行影像识别匹配，匹配效果如图6所示。其中，图6中的(a)、(b)、(c)分别为对目标一、二、三的匹配情况。(a)、(b)、(c)三幅图中的右上方分别是待匹配的目标图，图中的小圈代表的是背景影像及目标影像中的特征点，其中各种直线是将背景影像和目标影像中的对应特征点链接起来，在背景影像中匹配出需要匹配的目标影像。从实验影像中看出，本发明针对侧扫声呐影像的影像识别匹配的准确率较高的，误匹配的出现率比较低。传统的SURF算法在实际应用当中，地貌变化比较类似的水域，由于它的特征不明显或是该水域缺少特征，出现误匹配的概率将增大。针对该情况，本发明改进了传统的SURF算法，将其与随机抽样一致算法进行融合，提高了配准率及匹配速度。
采用本发明改进匹配方法进行影像识别匹配实验，匹配的特征点数设定为30，目标影像在背景影像中实现了完全的匹配。
考虑到实际匹配中可能存在匹配水域特征不明显或者缺少特征的现象，从而有可能会出现误匹配甚至完全无法匹配的问题。为进一步检验算法性能，在整个背景场影像中模拟一条航迹，以该航行路线上的点作为实测图的中心点抓取分布在不同位置的影像块，以这些影像块为待匹配的目标影像，进行匹配实验，并分析在不同区域块的匹配情况。在匹配区域特征不明显时，仍会出现误差匹配点，如匹配块2的匹配结果与理论匹配点存在较大误差，表明在使用改进后的SURF算法进行匹配，仍有可能出现少量的误匹配。针对该问题，通过本发明提出的融合惯性导航的约束匹配方法，改善误匹配问题，借助INS推算得到航行器当前的位置，融合INS前期位置积累误差，在背景场内确定并圈出当前的匹配搜索范围。
第一，相邻影像块形成的匹配段之间的方位与INS所提供的方位存在一个偏差△F；
第二，借助式5与式7得到每段的偏差△F；
第三，采用式8得到其均值，并将其作为参考用来发现误匹配；
第四，如果存在误匹配，根据距离和方位偏差△F，进一步缩小搜索范围，再进行匹配；
第五，消除误匹配，最后获取该匹配块的真实位置。
采用INS航向误差为0.5度，漂移率为0.05度/小时，人为设定INS前期位置积累误差为290像素，航迹全程2280米，假设航行时速为3节，则全程航行时间约23分钟。采用本发明提出的融合惯性导航的约束匹配方法，进行匹配试验，图7中(a)为未使用约束匹配方法实验，(b)使用本发明的融合惯性导航的约束匹配方法，图中的细线为实验模拟航迹，六个线框分别对应(a)、(b)图中右边的六个目标影像，(b)图中的粗线为INS所提供的航迹，改进后的SURF算法融合了约束匹配方法后，(a)图中的圆圈出的误匹配不存在了，约束后结果与INS提供的结果吻合。
为验证本发明的可靠性，在大背景图的另一区域设计了另外一条航迹线，沿途测量了6个大小一样的匹配块，大小为300像素×300像素，并记录下了这些匹配块的位置，用于后续的匹配对比，约束后结果与INS提供的结果吻合。
本发明针对侧扫声呐影像进行实验仿真，在未对SURF算法进行改进时，实验结果出现了大量的误匹配，由于实验的背景图数据量比较大，现有技术的SURF算法没有对匹配的特征点进行筛选，导致实验时间过长，误匹配概率较大，针对该问题，本发明提出了一种改进优化的SURF算法，将传统的SURF算法与随机抽样一致算法相融合，并通过调整匹配特征点的数量进行实验对比，此时实验结果无论是从配准率还是效率上都要比传统的SURF算法要优秀很多。在进一步的实验过程中，本发明通过从模拟航迹上，以航迹线上的点作为实测图的中心点来抓取影像，进行多目标同时匹配。虽然整体上配准率仍较高，但在个别区域块缺少特征点或是与邻近水域特征相似的时候，仍会出现一定的误匹配。针对该问题，本发明又提出了融合惯性导航的约束匹配方法，将其与改进后的SURF算法相融合，进而检测及消除误匹配，减少了特征不明显或者缺少特征点的区域块的误匹配问题。
针对侧扫声呐影像特征，对影像进行均衡化，斜距改正，影像的去噪与加强，地理编码的影像预处理，最终获取后续影像识别匹配所需要的高质量背景场影像。为验证改进的算法的有效性，本发明借助微软提供的MATLAB软件，搭建了一个基于GUI框架的实验仿真平台，借助该平台，进一步验证了本发明研究所给出的算法的有效性。
Claims (9)
1.水底地貌影像识别匹配的深水区定位方法，其特征在于，深水区水底地貌影像通过侧扫声呐或者多波束系统获取，测量过程中侧扫声呐一次得到一个条带的水底地貌影像，将其应用于基于水底地貌匹配的定位导航中，对应点序列进行匹配，增加匹配定位导航的信息量；
深水区定位的关键是水底地貌影像识别匹配，基于影像特征点的匹配方法首先准确的提取下一步进行匹配的影像的特征点，本发明基于由SIFT算法改进而来的SURF算法，将SURF算法进一步改进优化，提高方法的水底地貌影像识别匹配性能；
本发明提供了水底地貌影像识别匹配的深水区定位方法，包括SURF与随机抽样一致算法相融合的影像识别匹配方法和融合惯性导航的约束匹配方法，SURF与随机抽样一致算法相融合的影像识别匹配方法具体包括采用SURF算法提取特征点并进行预匹配、随机抽样一致算法剔除误匹配点对；其中，提出的将SURF算法与随机抽样一致算法相融合的影像识别匹配方法，综合SURF算法和随机抽样一致算法各自的优势，首先采用SURF算法提取特征点并进行预匹配，然后用随机抽样一致算法剔除误匹配点对；在匹配块的特征十分不明显，或是与邻近水域特征相似的情景下，又提出融合惯性导航的约束匹配方法，若影像中邻匹配块的中心点距离RM与RINS满足距离限差，且满足方位常偏差时，则实现正确匹配，否则，则判断出误匹配所在的匹配块，根据INS提供的方位，缩小匹配范围，进一步进行匹配，最终消除误匹配，实现深水区精准定位。
2.根据权利要求1所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，采用SURF算法提取特征点并进行预匹配中，SURF算法的特征点检测为：原始影像上进行大小不同的方框滤波，形成尺度不同的影像金字塔；主方向表示为：主方向用6×6尺度大小的半径范围内的Haar小波响应的极值表示；描述子形成为：将20×20区域分成4×4的子区域，每个子区域用相对主方向的水平和垂直方向的Haar小波响应之和以及响应的绝对值之和表示，形成4×4×4＝64维的描述向量；
SURF算法的提取特征矩阵采用黑塞矩阵，对进行匹配的影像E中的任意一点S(x,y)，黑塞矩阵D(S,e)在S时以矢量e定义为：
其中，Wxx(S,e)是匹配影像E中点S与高斯二阶滤波的值
的卷积；Wxy(S,e)和Wyy(S,e)的含义与此一致推得；
SURF采用均值滤波器近似高斯二阶导数,积分影像的定义由下式表示：
式中，E(S)表示影像，由式2所求得的值E∑(S)为进行匹配的影像的原点以及影像上的任意一点S(x,y)作为对角点区域内所有点的像素之和；
在原始影像上，扩大方框大小得到不同尺度的影像金字塔，方框滤波模板分别同影像进行卷积后的值为Hxx、Hyy、Hzz，影像降采样被SURF算子中的扩大卷积核代替；SURF算子中对于delta的计算式如式3所示：
delta＝HxxHyy-(0.9Hxy)2 式3
在匹配时，将在同一时间搜寻空间邻域内小于delta值的点，作为此时的极值点，求出极值后，在3×3×3邻域内进行非极大值抑制，当其比周围26个邻域值都大或者小的极值点时，才可作为特征候选点，接着在尺度空间以及如相空间内进行插值运算，得到三维二次曲线，此曲线的极值位置即为极值点的亚像素位置。
3.根据权利要求2所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，采用SURF算法提取特征点并进行预匹配的过程为：
第一步，确定主方向，通过对特征点逐个计算，得到每一个特征点的主方向；
第二步，生成SURF描述子，将特征点定为中心，将轴线固定为主方向的位置，按照主方向选取正方形区域，并将其划分为4×4的子区域，在每一个子区域中，计算简单特征；简称dx为Haar小波在水平方向上的响应，dy为Haar小波在垂直方向上的响应；在特征点处为Haar小波响应dx和dy加一个高斯权值；在每个子区域上分别累加小波在水平方向和垂直方向的响应dx和dy，再然后分别累加|dx|和|dy|，获得强度变化的极性，每个子区域的基本强度影像通过如下向量进行描述：
U＝(∑dx，∑dy，∑|dx|，∑|dy|) 式4
由4×4子区构成的描述子长度为64，然后进行向量归一化；
第三步，特征匹配，用SURF算法获得参考影像和影像特征点进行匹配，得到的特征点位置、所在尺度、主方向及特征向量信息中，特征向量包含特征点邻域信息，用向量最近邻域法找出潜在的匹配而无需进行额外信息量的计算。
4.根据权利要求1所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，随机抽样一致算法剔除误匹配点对的基本假设是：样本中包含正确数据，可被模型描述的数据，也包含异常数据，偏离正常范围很远且无法适应数学模型的数据，即数据集中含有噪声，这些异常数据可能由于错误的测量和假设、错误的计算产生；此外，随机抽样一致算法还假设，给定一组正确的数据，存在可计算出符合这些数据的模型参数的方法；
随机抽样一致算法剔除误匹配点对的基本思想为：一是匹配点对数据由局内点组成，数据的分布可用模型参数解释；二是局外点不能适应该模型的数据；三是除此之外的数据属于噪声；
对于侧扫声呐影像，本发明融合随机抽样一致算法的特征提出一种改进优化的SURF算法，采用随机抽样一致算法剔除误匹配点对，采用迭代的方式从一组包含离群的匹配点对数据中估算出数学模型的参数，通过估算出数学模型检验除误匹配点对，提高水底地貌影像特征点匹配精度。
5.根据权利要求1所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，融合惯性导航的约束匹配方法提出二种约束方法：一是距离约束，二是方位约束；
距离约束根据相邻匹配块的中心坐标计算距离RM，并与相应的INS推算点间的距离RINS进行比较，当满足距离限差时，则认为匹配正确；否则，认为出现了误匹配，如式5：
RM-RINS＜δ 式5
式中，δ为给定的限差；方位约束是根据相邻匹配块中心点坐标计算的方位FM与INS提供的、相应段的方位FINS进行比较，确定偏差△F，如果不存在误匹配，每段得到△F应该近似相等，即为INS的初始偏差；某子块如果存在误匹配，则会引起与该子块相连接的二段间△F与其它段得到的△F存在较大偏差；
ΔF＝FM-FINS 式7
式中，相邻二个影像块匹配后的中心坐标分别为(xk，yk)和(xk-1，yk-1)，△F的平均值计算如下：
其中N表示实测的匹配块个数，融合惯性导航的约束匹配方法的基本思路是，认为INS推算点相邻测点间的距离正确，如果每个影像块均能实现正确匹配，则相邻影像块形成的匹配段间方位应该与INS提供的方位存在一个常偏差△F，借助式5和式7得到每段偏差，采用式8获取其均值，将之作为参考以发现误匹配；
基于距离约束和方位约束，如果存在误匹配，根据距离和方位偏差△F，进一步缩小搜索范围，进行再匹配，消除误匹配，最终获取该匹配块的真实位置，提高匹配精度。
6.根据权利要求1所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，本发明采用MATLAB2010仿真软件，搭建一个基于GUI框架的软件仿真平台，该平台采用Guide的界面编程功能集成一些按钮控件，采用可视化界面，进行影像处理和分析；
软件平台的整体结构：首先获取数字影像信号，输入计算机内存中，数字影像以矩阵的形式保存，当检测到有影像输入时驱动影像预处理模块，影像预处理模块集成影像均衡化，斜距改正，影像去噪，然后开始进行影像识别匹配。
7.根据权利要求6所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，水底地貌影像识别匹配软件仿真平台具体工作流程为：
步骤一，输入侧扫声呐影像，当检测到输入的数字影像格式为8位灰度图时，系统将其交给影像预处理模块，通过该模块完成影像均衡化，斜距改正，图像去噪处理；
步骤二，提取影像的特征值，并进行影像识别匹配；
步骤三，输出匹配结果以及各种参数。
8.根据权利要求6所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，整个仿真实验平台以GUI框架为基础，完成侧扫声呐影像识别匹配的一系列工作；
影像预处理模块集成影像均衡化，斜距改正，影像去噪算法，采用可视化界面进行影像的处理以及分析，选择相应的影像去噪算法后，用户点击加载位图的按钮将原影像进行加载，然后点击影像去噪按钮，右边的文本框中立即显示去噪后的效果图；而影像均衡，斜距校正都与影像滤波类似，原始影像经过消噪，影像均衡化及斜距改正处理后即可进行后续的影像识别匹配模块。
9.根据权利要求6所述的水底地貌影像识别匹配的深水区定位方法，其特征在于，影像识别匹配模块完成特征点的提取及影像识别匹配，是仿真实验平台的核心，该模块接收来自影像预处理模块的数据后，进行特征点的提取，然后融合随机抽样一致算法筛选特征点进行匹配，再根据约束算法，检测到出现误匹配的匹配块，根据INS航迹进一步缩小匹配范围，再一次匹配该匹配块，消除误匹配，最终提高匹配的准确性；
本发明给出模拟的航行路线，以航行路线上的点作为实测图的中心点来抓取影像，步骤为：
第1步，在仿真试验开始前，人为选择一条航行轨迹，在航行轨迹上按照相等或者不等间隔，在背景场影像上截取一系列影像块作为待匹配的目标图；
第2步，影像识别匹配模块，采用改进后的SURF算法进行影像识别匹配，实时地显示匹配的结果，并显示位置信息，给出匹配相似性度量参数，经过约束匹配方法的运行，误匹配区域被筛掉，匹配精度提高，最终获取了匹配块的真实的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853190.7A CN111948658A (zh) | 2020-08-22 | 2020-08-22 | 水底地貌影像识别匹配的深水区定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010853190.7A CN111948658A (zh) | 2020-08-22 | 2020-08-22 | 水底地貌影像识别匹配的深水区定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111948658A true CN111948658A (zh) | 2020-11-17 |
Family
ID=73359147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010853190.7A Pending CN111948658A (zh) | 2020-08-22 | 2020-08-22 | 水底地貌影像识别匹配的深水区定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111948658A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216465A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种海底地形导航并行匹配方法 |
| CN114743059A (zh) * | 2022-06-13 | 2022-07-12 | 自然资源部第二海洋研究所 | 一种综合地形地貌特征的海底地理实体自动分类方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
| CN110619258A (zh) * | 2018-10-26 | 2019-12-27 | 国交空间信息技术（北京）有限公司 | 一种基于高分辨率遥感影像的道路轨迹核查方法 |
| CN111462030A (zh) * | 2020-03-27 | 2020-07-28 | 高小翎 | 多图像融合的立体布景视觉新角度构建绘制方法 |
-
2020
- 2020-08-22 CN CN202010853190.7A patent/CN111948658A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303535A (zh) * | 2015-11-15 | 2016-02-03 | 中国人民解放军空军航空大学 | 基于小波变换的全球剖分金字塔模型 |
| CN110619258A (zh) * | 2018-10-26 | 2019-12-27 | 国交空间信息技术（北京）有限公司 | 一种基于高分辨率遥感影像的道路轨迹核查方法 |
| CN111462030A (zh) * | 2020-03-27 | 2020-07-28 | 高小翎 | 多图像融合的立体布景视觉新角度构建绘制方法 |
Non-Patent Citations (2)
| Title |
|---|
| HONG-MEI ZHANG: "Improved SURF Algorithm and Its Application in Seabed Relief Image Matching", 《ITA2017》, pages 1 - 6 * |
| 张红梅: "基于海床特征地貌的水下导航方法研究", 《测控技术》, vol. 30, no. 11, pages 96 - 98 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216465A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种海底地形导航并行匹配方法 |
| CN114216465B (zh) * | 2021-12-08 | 2022-11-01 | 哈尔滨工程大学 | 一种海底地形导航并行匹配方法 |
| CN114743059A (zh) * | 2022-06-13 | 2022-07-12 | 自然资源部第二海洋研究所 | 一种综合地形地貌特征的海底地理实体自动分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018142900A1 (ja) | 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム | |
| US8942062B2 (en) | Detecting structural changes to underwater structures | |
| US10521694B2 (en) | 3D building extraction apparatus, method and system | |
| US20140253679A1 (en) | Depth measurement quality enhancement | |
| Inglis et al. | A pipeline for structured light bathymetric mapping | |
| EP2901236B1 (en) | Video-assisted target location | |
| CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| Negahdaripour et al. | On processing and registration of forward-scan acoustic video imagery | |
| KR20150059191A (ko) | 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법 | |
| Henson et al. | Attitude-trajectory estimation for forward-looking multibeam sonar based on acoustic image registration | |
| CN111948658A (zh) | 水底地貌影像识别匹配的深水区定位方法 | |
| CN112529841B (zh) | 多波束水柱数据中海底气体羽状流处理方法、系统及应用 | |
| CN114842364A (zh) | 一种露天矿山边坡图像裂隙参数提取方法及装置 | |
| Le Bas et al. | TOBI image processing-the state of the art | |
| CN110174109B (zh) | 一种基于海空协同的无人船多元联合导航方法 | |
| KR101995466B1 (ko) | 특징점을 이용한 스테레오 카메라의 이미지 매칭 방법 및 장치 | |
| Foresti et al. | A voting-based approach for fast object recognition in underwater acoustic images | |
| Tao et al. | Combined imaging matching method of side scan sonar images with prior position knowledge | |
| Olson | Adaptive-scale filtering and feature detection using range data | |
| CN116907509A (zh) | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 | |
| CN113850864B (zh) | 一种面向室外移动机器人的gnss/lidar回环检测方法 | |
| CN115164900A (zh) | 一种基于全向相机的城市环境下视觉辅助导航方法及系统 | |
| Breivik et al. | Robust pipeline localization for an autonomous underwater vehicle using stereo vision and echo sounder data | |
| CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
| CN114879180A (zh) | 一种无人艇载多元多尺度雷达实时融合的无缝态势感知方法 |
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 |