CN114219857B - 一种危化品仓储堆垛安全距离测量方法 - Google Patents

Abstract

本发明公开了一种危化品仓储堆垛安全距离测量方法，包括：获取待检测图片，基于所述待检测图片进行特征提取，得到所述待检测图片的多个初步特征点，采用KNN算法对多个所述初步特征点进行特征匹配，得到第一匹配点集，采用GMS算法删除所述第一匹配点集中的错误匹配点对，得到第二匹配点集，输出并存储所述第二匹配点集中的匹配点坐标，基于所述匹配点坐标计算出堆垛的三维坐标和堆垛间距。本发明通过构建图像金字塔，赋予特征点尺度不变性和高鲁棒性特征，在特征点匹配环节使用KNN算法进行粗匹配，提高了匹配速度，采用基于一致性约束的GMS算法来删除误匹配点对，解决了危化品堆垛特征点相似而导致的特征匹配的准确率低的问题，提高了匹配的准确率。

Description

一种危化品仓储堆垛安全距离测量方法

技术领域

本发明属于目标检测技术领域，特别涉及一种危化品仓储堆垛安全距离测量方法。

背景技术

危化品不同于一般物品，因具有易燃性，有毒性，腐蚀性。在仓储方面，为避免堆放过密引发安全事故，《常用危险化学品贮存通则》对堆垛的垛距、墙距、顶距、柱距和通道 距离等安全距离(简称五距)提出了严格的要求。但是国内大部分危化品仓库对堆垛五距缺乏有效的自动化监控手段，应急管理部门也难以实现实时监督管理。为了实现对五距的实时 监管，采用双目立体视觉测距技术对危化品堆垛进行精确定位和测距。双目立体视觉测距技 术是利用危化品堆垛在左右相机成像平面的像素差，再根据双目测距模型获得危化品堆垛的 三维坐标和堆垛之间距离。图像立体匹配的结果会直接影响双目测距技术对危化品堆垛距离 测量结果。所以，如何提高图像立体匹配的精度是利用双目视觉技术实现对危化品堆垛精确 测距的关键。随着图像立体匹配算法的不断发展，各种图像匹配立体算法逐渐满足速度快和 精度高双重要求。但是为了保证危化品仓库的安全，规定了危化品堆垛之间的距离为0.3- 0.5m，双目视觉匹配技术要求达到分米级甚至厘米级别的精度要求，而传统的匹配算法并不 能很好的满足此精度要求。针对危化品仓库堆垛匹配精度受本身堆垛特征点相似的影响，特 征点匹配的时候更容易出现误匹配的情况导致匹配的准确率较低，进而导致堆垛的定位偏离 真实坐标，加大测距误差这一问题。

发明内容

为了解决上述问题，本发明提供一种危化品仓储堆垛安全距离测量方法，以解决传统 的图像立体匹配算法针对危化品仓库堆垛特征点相似的特点，其匹配精度不高，进而导致堆 垛测距误差加大的问题。

为实现上述目的，本发明提供了一种危化品仓储堆垛安全距离测量方法，包括：

获取待检测图片；

基于待检测图片进行特征提取，得到待检测图片的多个初步特征点；

采用KNN算法对多个初步特征点进行特征匹配，得到第一匹配点集；

采用GMS算法删除第一匹配点集中的错误匹配点对，得到第二匹配点集；

输出并存储第二匹配点集中的匹配点坐标；

基于匹配点坐标计算出堆垛的三维坐标和堆垛间距。

根据本发明的一个具体实施例，待检测图片包括：采用双目摄像机拍摄的危化品仓储 堆垛左图像和右图像。

根据本发明的一个具体实施例，基于待检测图片进行特征提取，得到待检测图片的多 个初步特征点包括：

采用SURF算法构建3层图像金字塔，并使用盒式滤波器近似高斯滤波器对3层图像金字塔进行滤波，得到图像金字塔的矩阵图像；

计算矩阵图像的局部极值点，得到多个初步特征点。

根据本发明的一个具体实施例，3层图像金字塔包括：第一矩阵图像层，第二矩阵图像 层和第三矩阵图像层，第一矩阵图像层用于存放原始图像，第二矩阵图像层用于存放第一矩 阵图像层的2倍采样点，第三矩阵图像层用于存放第二矩阵图像层的2倍采样点。

根据本发明的一个具体实施例，计算矩阵图像的局部极值点，得到多个初步特征点包 括：

根据Hessian矩阵的计算公式计算矩阵图像的关键特征点和旁边点的Hessian值，将每 个像素点I(x,y)与其领域内的26个像素点进行比较，选取极大值点或极小值点作为初步 特征点，其中Hessian矩阵的计算公式为：

Det(H)＝Dxx(x,y,σ)×Dyy(x,y,σ)-(0.9×Dxy(x,y,σ))²

式中，Det(H)为每个像素的Hessian矩阵行列式的近似值，Dxx(x,y,σ)、Dyy(x,y,σ) 和Dxy(x,y,σ)分别为Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)经过盒式滤波器滤波之后得到 的近似值，其中Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)分别代表了经过高斯滤波、二阶微分在点I＝(x,y)处与原图像的卷积。

根据本发明的一个具体实施例，方法还包括：

对待检测图片的多个初步特征点进行特征点描述，得到初步特征点的特征描述子。

根据本发明的一个具体实施例，对待检测图片的多个初步特征点进行特征点描述，得 到初步特征点的特征描述子包括：

采用SURF算法给多个初步特征点添加方向信息；

使用rBridf描述子描述初步特征点，将选择的多个特征点对的灰度值转化为二进制字 符串，二进制字符串作为特征点的特征描述子。

根据本发明的一个具体实施例，采用KNN算法对多个初步特征点进行特征匹配，得到 第一匹配点集包括：

分别计算多个初步特征点相邻的最优特征匹配点和次优特征匹配点，并分别计算出多 个初步特征点与最优特征匹配点的距离d1以及多个初步特征点与次优特征匹配点的距离 d2；

计算距离d1与距离d2的汉明距离比率t，并

基于汉明距离比率t筛选出错误匹配点对，得到第一匹配点集。

根据本发明的一个具体实施例，基于汉明距离比率t筛选出错误匹配点对包括：

将汉明距离比率t和预设比率值进行比对，当汉明距离比率t大于预设比率值时，将汉 明距离比率t对应的最优特征匹配点和次优特征匹配点判定为错误匹配点对。

根据本发明的一个具体实施例，采用GMS算法删除第一匹配点集中的错误匹配点对， 得到第二匹配点集包括：

基于GMS算法的一致性约束，删除第一匹配点集的错误匹配点对，同时保留第一匹配 点集的正确匹配点对，得到第二匹配点集。

与现有技术相比，本发明提供的一种危化品仓储堆垛安全距离测量方法，采用SURF 算法来改进ORB算法特征检测，通过构建图像金字塔的方式，赋予特征点尺度不变性和高 鲁棒性特征，在特征点匹配环节使用KNN算法进行粗匹配，提高了匹配速度，采用基于一 致性约束的GMS算法来删除误匹配点对，解决了危化品堆垛特征点相似而导致的特征匹配 的准确率低的问题，提高了匹配的准确率，最后对正确的匹配点对的像素坐标进行计算，得 到危化品堆垛的空间坐标，进而实现了危化品仓储堆垛精确测距的目标。通过对多组危化品 堆垛测距进行实验，本发明提出的算法在不同距离的堆垛之间距离测量精度均有所提升，测 距平均误差为0.35％,测距精度满足危化品堆垛测距精度达到分米级别甚至厘米级别的要求， 适用于危化品仓储堆垛五距的监管。

附图说明

图1是根据本发明一实施例提供的危化品仓储堆垛安全距离测量方法流程图。

图2是根据本发明一实施例提供的特征提取方法流程图。

图3是根据本发明一实施例提供的特征点描述方法流程图。

图4是根据本发明一实施例提供的特征匹配方法流程图。

具体实施方式

为了使本领域技术人员更加清楚地理解本发明的概念和思想，以下结合具体实施例详 细描述本发明。应理解，本文给出的实施例都只是本发明可能具有的所有实施例的一部分。 本领域技术人员在阅读本申请的说明书以后，有能力对下述实施例的部分或整体作出改进、 改造、或替换，这些改进、改造、或替换也都包含在本发明要求保护的范围内。

在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词 语并不意在表示只存在一个事物，而是表示有关描述仅仅针对事物中的一个，事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关 系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A， 而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义 应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构 成A的全部，A还可能包括C、D、E等其它元素。

在本文中，术语“实施例”、“本实施例”、“一实施例”、“一个实施例”并不表示有关描述仅仅适用于一个特定的实施例，而是表示这些描述还可能适用于另外一个或多个实施例 中。本领域技术人员应理解，在本文中，任何针对某一个实施例所做的描述都可以与另外一 个或多个实施例中的有关描述进行替代、组合、或者以其它方式结合，替代、组合、或者以 其它方式结合所产生的新实施例是本领域技术人员能够容易想到的，属于本发明的保护范 围。

实施例1

本发明的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描 述中变得明显，或通过本发明的实施方式的实践了解到。结合图1-图4，本发明实施例提供 了一种危化品仓储堆垛安全距离测量方法，包括：

S1：获取待检测图片，包括采用双目摄像机拍摄的危化品仓储堆垛左图像和右图像。

S2：基于待检测图片进行特征提取，得到待检测图片的多个初步特征点。

S3：对待检测图片的多个初步特征点进行特征点描述，得到初步特征点的特征描述 子。

S4：采用KNN算法对多个初步特征点进行特征匹配，得到第一匹配点集。

S5：采用GMS算法删除第一匹配点集中的错误匹配点对，得到第二匹配点集。

S6：输出并存储第二匹配点集中的匹配点坐标。

S7：基于匹配点坐标计算出堆垛的三维坐标和堆垛间距。

具体的，步骤S2基于待检测图片进行特征提取，得到待检测图片的多个初步特征点进 一步包括：

S21：采用SURF算法构建3层图像金字塔，并使用盒式滤波器近似高斯滤波器对3层图像金字塔进行滤波，得到图像金字塔的矩阵图像。

S22：计算矩阵图像的局部极值点，得到多个初步特征点，具体包括：

根据Hessian矩阵的计算公式计算矩阵图像的关键特征点和旁边点的Hessian值，将每 个像素点I(x,y)与其领域内的26个像素点进行比较，选取极大值点或极小值点作为初步 特征点。

特征提取是图像立体匹配的关键步骤，通常使用传统的ORB算法进行特征检测，传统 的ORB算法具有计算速度快，同时保持了旋转不变性，抗噪声等优点，传统的ORB算法使用FAST算法来检测和提取特征点，由于FAST算法检测图像特征点，速度快，容易出现特 征点簇拥且特征点不具备尺度性，有鉴于此，本发明通过SURF算法使用盒式滤波器近似高 斯滤波器构建3层图像金字塔的方式，来赋予特征点具备尺度不变性和高鲁棒性。SURF特 征提取最重要的一步就是构建Hessian矩阵，生成所有兴趣点，用于特征提取。图像中每一 个像素点I(x,y)都有一个Hessian矩阵：

式中，Lxx(x,y,σ)，Lxy(x,y,σ)和Lyy(x,y,σ)分别代表了经过高斯滤波、二阶微分在 点I＝(x,y)处与原图像的卷积,公式如下所示：

I(x,y,σ)＝I(x,y)×G(x,y,σ) (2)

为实现特征点的尺度不变性特征，本发明实施例采用SURF算法构建3层图像金字塔，分别为第一矩阵图像层octave1，第二矩阵图像层octave2和第三矩阵图像层octave3，其中第一矩阵图像层octave1用于存放原始图像，第二矩阵图像层octave2用于存放第一矩阵图像层octave1的2倍采样点，第三矩阵图像层octave3用于存放第二矩阵图像层octave2的2倍采样点，如此使得不同层图像模糊程度不同且逐级更加模糊。并且在每层图像中只放置一张不同模糊程度的图像，进一步对算法进行加速。

本发明实施例将尺度空间分为4组，每个组又是由若干层组成，同时，使用3×3的滤 波器对各层金字塔进行扫描。滤波模板的尺寸大小第一层为9,15,21,27；第二层为15,27,39,51； 第三层为27,51,75,99。

使用盒式滤波器来近似高斯滤波器，而Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)卷积积 分后的值分别为Dxx(x,y,σ)、Dxy(x,y,σ)、D(x,y,σ)。为了平衡准确值与近似值之间的误 差，需要在Dxy(x,y,σ)前面乘上加权系数β，β一般取为0.9。因而最终Hessian矩阵的判别式公式如下：

Det(H)＝Dxx(x,y,σ)×Dyy(x,y,σ)-(0.9×Dxy(x,y,σ))² (3)

式中，Det(H)为每个像素的Hessian矩阵行列式的近似值，Dxx(x,y,σ)、Dyy(x,y,σ) 和Dxy(x,y,σ)分别为Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)经过盒式滤波器滤波之后得到 的近似值。

通过公式(3)计算关键特征点和旁边点的Hessian值，将每个像素点与其领域内的26 个点相比，极大值点或者极小值点为初步特征点。

具体的，步骤S3对待检测图片的多个初步特征点进行特征点描述，得到初步特征点的 特征描述子进一步包括：

S31：采用SURF算法给多个初步特征点添加方向信息；

S32：使用rBridf描述子描述初步特征点，将选择的多个特征点对的灰度值转化为二进 制字符串，二进制字符串作为特征点的特征描述子。

为了保证特征点具有旋转不变性的特征，采用SURF算法给特征点添加方向信息，再 使用rBrief描述子来描述特征点。对选取的特征点对的灰度值转化为二进制串(每一位非1 即0)作为描述子向量，每个特征点都有对应的二进制字符串，该字符串就是对应的特征描 述子。

具体的，步骤S4采用KNN算法对多个初步特征点进行特征匹配，得到第一匹配点集包括：

S41：分别计算多个初步特征点相邻的最优特征匹配点和次优特征匹配点，并分别计算 出多个初步特征点与最优特征匹配点的距离d1以及多个初步特征点与次优特征匹配点的距 离d2。

S42：计算距离d1与距离d2的汉明距离比率t。

S43：基于汉明距离比率t筛选出错误匹配点对，得到第一匹配点集，具体包括：将汉 明距离比率t和预设比率值进行比对，当汉明距离比率t大于预设比率值时，将汉明距离比 率t对应的最优特征匹配点和次优特征匹配点判定为错误匹配点对。

最近邻算法(KNN)其核心思想是针对某一特征点，在另外一个特征空间中搜索相似 程度最高的前K个特征点来作为候选特征。本发明实施例设定K＝2，针对每个特征点分别 求得最优特征匹配和次优特征匹配，分别计算出初步特征点与最优特征匹配点的距离d1以 及初步特征点与次优特征匹配点的距离d2，再根据两者的比率t来筛选每个特征点匹配对， 本发明实施例设定比率值t＝0.75，当两者之间汉明距离比率t小于设定值0.75时，则判定为 正确匹配，当大于设定值0.75则判定为误匹配。具体的，步骤S5采用GMS算法删除第一 匹配点集中的错误匹配点对，得到第二匹配点集包括：

基于GMS算法的一致性约束，删除第一匹配点集的错误匹配点对，同时保留第一匹配 点集的正确匹配点对，得到第二匹配点集。

GMS算法(也称为网格运动统计算法)是一种基于统计的匹配算法，其核心思想是运 动的平滑性导致了正确匹配点周围领域内存在较多的匹配点，统计符合条件的匹配点数以此 来判断匹配正确与否。

假设图像I_a有n个特征点集合{μ1,μ2,...,μn}；图像I_b有m个特征点集合{υ1,υ2,...,υn}。 P＝{P1,P2,...,Pn}是从I_a到I_b的所有最近邻特征匹配的集合,其中，P_i＝{μ_i,υ_i}表示一对特 征点匹配对。当匹配正确时有：

S_i＝P_i|-1 (4)

式中，P_i∈P。由于每个特征点的匹配都是独立的，可以用二项式分布函数来近似表示 ζ_i：

式中，n为匹配对数量，K表示与P_i所在的网格区域内相交但是不相邻的网格数目，pt表示准确匹配率，pf表示错误匹配率。

根据公式(6)可以计算出ζ_i的标准差和均值：

由公式(7)可以得出概率评估的标准函数：

传统的特征匹配方法是利用最近邻算法(KNN)进行特征匹配，然而此匹配方法效率 不高。考虑到相机的采集图像的频率较高，且物体的运动具有惯性，相邻的图像的特征点应 符合运动平滑一致性，基于这种约束，本发明实施例首先采用最近邻算法进行特征点粗匹 配，然后再使用GMS算法来删除误匹配点对，最终得到精确的匹配点集。

为了验证本方法的有效性，本发明实施例首先对双目图像的公开数据集的Umbrell- perfect和Vintage-perfect进行了实验，这两个数据集都和危化品堆垛图像具有相似的特点， 即匹配对象具有特征点相似的特征，对两个数据集分别采用本发明实施例提出的算法与传统 的ORB算法、SURF-ORB(简称S-ORB算法)算法进行匹配，对于Umbrell-perfect和 Vintage-perfect数据集，传统的ORB算法和S-ORB算法都出现了很多误匹配情况，而本发 明实施例的方法的匹配效果更好，误匹配对数更少。与传统的ORB算法和S-ORB算法相 比，本发明实施例的方法正确匹配率最高，平均配准率达到了89.55％，而传统的ORB算法 平均配准率为65.6％、S-ORB算法平均配准率为41％。本文算法的平均配准率高于传统的 ORB算法和S-ORB算法，由此证明本方法的有效性。

实施例2

摄像机标定对双目视觉测距实验影响很大，它的目的是建立图像坐标系到世界坐标系 之间的转换关系，确定相机内参数(焦距，扭曲因子、主点位置)和外参数(旋转矩阵R、平移矩阵T)。本发明实施例使用张正友标定法进行标定。采集的标定照片大小为 640×480，标定使用258×258mm平面棋盘格，单元格边长为25.8mm，利用Matlab R2020b 的stereo Camera Calibrator标定工具箱来完成了摄像机标定。

在完成摄像机标定后，本发明实施例使用200*200*200mm的箱体进行不同组合摆放， 完成了200组不同堆垛组合、不同环境下的图像。堆垛之间的实际距离为一个堆垛的中线点 到另外一个堆垛的中线的距离，由实际测量获取。堆垛对拍摄得到的多组数据分别采用传统 ORB算法、S-ORB算法和本发明提出的方法进行匹配，选取两个堆垛、三个堆垛、四个堆 垛，并计算出两个堆垛、三个堆垛、四个堆垛的匹配结果的平均值。本发明提出的方法在两 个、三个、四个堆垛上，匹配到墙壁的，周围边和角落的特征点情况少，出现的交叉连线少，主要的特征匹配的连线都在危化品堆垛上，说明本发明提出的方法出现的误匹配情况少，匹配正确的点对数比传统的ORB算法和S-ORB算法多，匹配效果更好。本发明提出的 算法平均配准率达到了96.3％，而传统的ORB算法的平均配准率为82.5％，S-ORB算法的 平均配准率为60.1％，本发明的算法的平均配准率比ORB算法平均配准率提高了13.8个百 分点，比S-ORB算法平均配准率提高了36.2个百分点，由此可知本文算法匹配精度更高。

本发明实施例分别使用传统的ORB算法、S-ORB算法和本发明算法进行特征点提取、 匹配、保存匹配精确的特征点坐标，依据三角测量原理,计算特征点三维坐标，完成距离测 量与实际距离进行对比分析。分别使用本发明的方法、传统的ORB算法和S-ORB算法对500cm、550cm、600cm、650cm、700cm、750cm、800cm、850cm、900cm、950cm、 1000cm等距离，进行每个距离多组图片测量，最后将每个距离多组数据求到的平均测距误 差列成表格。通过计算分析本发明的方法在不同距离的平均测距误差为0.35％，S-ORB算法 的平均测距误差为7.73％，传统ORB算法的平均测距误差为4.18％。在危化品仓储堆垛测 距中，采用本发明算法在不同距离的测距误差均有所降低，降低幅度随着距离变化而变化， 且本发明算法的测距误差均在危化品堆垛测距要求的误差范围内。

综上所述，本发明提供的一种危化品仓储堆垛安全距离测量方法，采用SURF算法来 改进ORB算法特征检测，通过构建图像金字塔的方式，赋予特征点尺度不变性和高鲁棒性 特征，在特征点匹配环节使用KNN算法进行粗匹配，提高了匹配速度，采用基于一致性约束的GMS算法来删除误匹配点对，解决了危化品堆垛特征点相似而导致的特征匹配的准确率低的问题，提高了匹配的准确率，最后对正确的匹配点对的像素坐标进行计算，得到危化品堆垛的空间坐标，进而实现了危化品仓储堆垛精确测距的目标。通过对多组危化品堆垛测 距进行实验，本发明提出的算法在不同距离的堆垛之间距离测量精度均有所提升，测距平均 误差为0.35％,测距精度满足危化品堆垛测距精度达到分米级别甚至厘米级别的要求，适用于 危化品仓储堆垛五距的监管。

以上结合具体实施方式(包括实施例和实例)详细描述了本发明的概念、原理和思想。本领域技术人员应理解，本发明的实施方式不止上文给出的这几种形式，本领域技术人员在阅读本申请文件以后，可以对上述实施方式中的步骤、方法、系统、部件做出任何可能的改进、替换和等同形式，这些改进、替换和等同形式应视为落入在本发明的范围内，本发明的保护范围仅以权利要求书为准。

Claims (6)

1.一种危化品仓储堆垛安全距离测量方法，其特征在于，包括：

获取待检测图片，包括采用双目摄像机拍摄的危化品仓储堆垛左图像和右图像；

基于所述待检测图片进行特征提取，得到所述待检测图片的多个初步特征点，包括：

采用SURF算法构建3层图像金字塔，并使用盒式滤波器近似高斯滤波器对所述3层图像金字塔进行滤波，得到所述图像金字塔的矩阵图像，所述3层图像金字塔包括：第一矩阵图像层，第二矩阵图像层和第三矩阵图像层，所述第一矩阵图像层用于存放原始图像，所述第二矩阵图像层用于存放所述第一矩阵图像层的2倍采样点，所述第三矩阵图像层用于存放所述第二矩阵图像层的2倍采样点；

计算所述矩阵图像的局部极值点，得到多个初步特征点，包括：

根据Hessian矩阵的计算公式计算所述矩阵图像的关键特征点和旁边点的Hessian值，将每个像素点I(x,y)与其领域内的26个像素点进行比较，选取极大值点或极小值点作为初步特征点，其中Hessian矩阵的计算公式为：

Det(H)＝Dxx(x,y,σ)×Dyy(x,y,σ)-(0.9×Dxy(x,y,σ))²

式中，Det(H)为每个像素的Hessian矩阵行列式的近似值，Dxx(x,y,σ)、Dyy(x,y,σ)和Dxy(x,y,σ)分别为Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)经过盒式滤波器滤波之后得到的近似值，其中Lxx(x,y,σ)、Lxy(x,y,σ)、Lyy(x,y,σ)分别代表了经过高斯滤波、二阶微分在点I＝(x,y)处与原图像的卷积；

采用KNN算法对多个所述初步特征点进行特征匹配，得到第一匹配点集；

采用GMS算法删除所述第一匹配点集中的错误匹配点对，得到第二匹配点集；

输出并存储所述第二匹配点集中的匹配点坐标；

基于所述匹配点坐标计算出堆垛的三维坐标和堆垛间距。

2.根据权利要求1所述的危化品仓储堆垛安全距离测量方法，其特征在于，所述方法还包括：

对所述待检测图片的多个初步特征点进行特征点描述，得到所述初步特征点的特征描述子。

3.根据权利要求2所述的危化品仓储堆垛安全距离测量方法，其特征在于，所述对所述待检测图片的多个初步特征点进行特征点描述，得到所述初步特征点的特征描述子包括：

采用SURF算法给多个所述初步特征点添加方向信息；

使用rBridf描述子描述所述初步特征点，将选择的多个特征点对的灰度值转化为二进制字符串，所述二进制字符串作为所述特征点的特征描述子。

4.根据权利要求1所述的危化品仓储堆垛安全距离测量方法，其特征在于，所述采用KNN算法对多个所述初步特征点进行特征匹配，得到第一匹配点集包括：

分别计算多个所述初步特征点相邻的最优特征匹配点和次优特征匹配点，并分别计算出多个所述初步特征点与所述最优特征匹配点的距离d1以及多个所述初步特征点与所述次优特征匹配点的距离d2；

计算距离d1与距离d2的汉明距离比率t，并

基于所述汉明距离比率t筛选出错误匹配点对，得到第一匹配点集。

5.根据权利要求4所述的危化品仓储堆垛安全距离测量方法，其特征在于，所述基于所述汉明距离比率t筛选出错误匹配点对包括：

将所述汉明距离比率t和预设比率值进行比对，当所述汉明距离比率t大于所述预设比率值时，将所述汉明距离比率t对应的最优特征匹配点和次优特征匹配点判定为错误匹配点对。

6.根据权利要求1所述的危化品仓储堆垛安全距离测量方法，其特征在于，所述采用GMS算法删除所述第一匹配点集中的错误匹配点对，得到第二匹配点集包括：

基于GMS算法的一致性约束，删除所述第一匹配点集的错误匹配点对，同时保留所述第一匹配点集的正确匹配点对，得到第二匹配点集。