CN115713504A - 六自由度透视不变性特征分析方法、装置及处理设备 - Google Patents
六自由度透视不变性特征分析方法、装置及处理设备 Download PDFInfo
- Publication number
- CN115713504A CN115713504A CN202211422256.2A CN202211422256A CN115713504A CN 115713504 A CN115713504 A CN 115713504A CN 202211422256 A CN202211422256 A CN 202211422256A CN 115713504 A CN115713504 A CN 115713504A
- Authority
- CN
- China
- Prior art keywords
- corner
- degree
- corner points
- processing
- points
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种六自由度透视不变性特征分析方法、装置及处理设备,所述方法对基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值,在六自由度变换的实测情况下,对应的特征点的特征值可维持在设定百分比以下浮动,提高了特征值的稳定性和分辨能力强。
Description
技术领域
本申请涉及特征处理技术领域,特别是涉及一种六自由度透视不变性特征分析方法、装置及处理设备。
背景技术
当前,SIFT(Scale-invariant feature transform)、SURF(Speeded Up RobustFeatures)及ORB(Oriented FAST and Rotated BRIEF)等算法广泛应用在图像目标匹配。例如,尺度不变特征变换的SIFT算法,在目标识别、图像拼接、三维重建等领域发挥了巨大作用。SIFT算法所检测到的特征为局部特征,特征具有尺度和旋转不变性,对亮度和噪声均具有很强的鲁棒性,且在低概率的不匹配情况下也能正确识别,具有很强的可区分性。加速鲁棒特征的SURF算法是一种具有鲁棒性的局部特征检测算法,SURF算法一方面在保证正确性的前提下适当地进行了简化和近似,同时多次运用积分图图像的概念以加快运算速率,SURF算法除具有检测重复性高、可区分性好的特征向量外,还具有很强的鲁棒及更高的运算速率,综合性能优于SIFT算法。在视觉SLAM技术中应用频繁的ORB算法由FAST(Featuresfrom accelerated segment test)算法和BRIEF(Binary Robust IndependentElementary Features)算法合并而成,其显著特点是速度快,但是不具备旋转不变性,所以ORB算法在FAST算法检测特征点后依据强度质心方法给FAST检测到的特征点赋予方向角度,并将BRIEF算法中创建的描述符旋转到该方向角度。ORB算法除完全保留两个算法的快速特点外,还实现了旋转不变性。
在实现过程中,发明人发现传统技术中至少存在如下问题:现有的目标匹配中,由于特征本身并不具备完整六自由度透视不变性,在相机与目标发生多自由度相对运动时,目标匹配存在特征不匹配或特征丢失等现象。
发明内容
基于此,有必要针对上述现有目标匹配中存在的问题,提供一种用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征分析方法、装置及处理设备。
为了实现上述目的,本发明实施例提供了一种六自由度透视不变性特征分析方法,包括如下步骤:
基于角点检测算法对待测目标图像进行角点检测,得到备选角点;
基于空间分割算法对备选角点进行处理,得到相邻四角点;
对相邻四角点进行预设规则排序,得到排序后四角点;
根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;
对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
在其中一个实施例中,根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像的步骤包括:
根据排序后四角点的坐标,对待测目标图像的四边角点的坐标进行单应性处理,得到单应性矩阵;
根据单应性矩阵,对待测目标图像进行单应性变换处理,得到变换图像。
在其中一个实施例中,对相邻四角点进行预设规则排序,得到排序后四角点的步骤包括:
将相邻四角点中亮度最大的角点确认为主角点,相邻四角度的坐标平均值确认为中心点;
以主角度为零方向,基于第一顺序对相邻四角点中的剩余三个角点进行排序,得到排序后四角点。
在其中一个实施例中,基于角点检测算法对待测目标图像进行角点检测,得到备选角点的步骤包括:
选取待测目标图像的像素点,将以像素点为中心的窗口确认为选取窗口;
对选取窗口在待测目标图像上沿第一坐标方向和第二坐标方向移动,得到像素值变化量;
对像素值变化量进行转换处理,得到对应预设窗口的角点响应函数;
在角点响应函数大于第一预设阈值时,将对应选取窗口的像素点确认为备选角点。
在其中一个实施例中,像素值变化量为:
其中,E(u,v)为像素值变化量,w(x,y)为选取窗口,(x,y)为像素点,u为第一坐标方向的移动量,v为第二坐标方向的移动量,I(x,y)为(x,y)像素点对应的灰度,Ix和Iy为I(x,y)的偏微分,R为角点响应函数,λ1为第一正交方向变化分量,λ2为第二正交方向变化分量。
在其中一个实施例中,基于空间分割算法对备选角点进行处理,得到相邻四角点的步骤包括:
基于八叉树算法或四叉树算法对备选角点进行处理,得到相邻四角点。
在其中一个实施例中,对变换图像进行DFT变换处理,得到六自由度透视不变性特征值的步骤包括:
对变换图像进行一维DFT或二维DFT变换处理,得到六自由度透视不变性特征值。
在其中一个实施例中,对变换图像进行DFT变换处理,得到六自由度透视不变性特征值的步骤包括:
对变换图像进行DFT变换处理,得到变换后函数;
对变换后函数进行阈值变换处理,并根据处理的结果,将变换后函数的实部大于第二预设阈值的特征值确认为六自由度透视不变性特征值;或,将变换后函数的虚部大于第三预设阈值的特征值确认为六自由度透视不变性特征值。
另一方面,本发明实施例还提供了一种六自由度透视不变性特征分析装置,包括:
备选角点选取单元,用于基于角点检测算法对待测目标图像进行角点检测,得到备选角点;
相邻四角点获取单元,用于基于空间分割算法对备选角点进行处理,得到相邻四角点;
四角点排序单元,用于对相邻四角点进行预设规则排序,得到排序后四角点;
单应性处理单元,用于根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;
DFT变换单元,用于对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
另一方面,本发明实施例还提供了一种处理设备,包括处理器和存储器,存储器存储有计算机程序,处理器执行计算机程序时实现上述中任意一项的六自由度透视不变性特征分析方法。
上述六自由度透视不变性特征分析方法的各实施例中,基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值。本申请通过角点检测算法对待测目标图像进行角点检测,在六自由度变换时,相同角点始终可检测出,实现得到的角点具有较强的六自由度变换稳定性;通过对变换图像进行DFT变换处理,提高获得特征值的变换速度;在六自由度变换的实测情况下,对应的特征点的特征值可维持在设定百分比以下(如20%)浮动,提高了特征值的稳定性和分辨能力强。
附图说明
图1为一个实施例中六自由度透视不变性特征分析方法的应用环境示意图;
图2为一个实施例中六自由度透视不变性特征分析方法的第一流程示意图;
图3为一个实施例中角点检测步骤的流程示意图;
图4为一个实施例中六自由度透视不变性特征分析方法的第二流程示意图;
图5为一个实施例中角点排序处理步骤的流程示意图;
图6为一个实施例中单应性处理步骤的流程示意图;
图7为一个实施例中六自由度透视不变性特征分析方法的第三流程示意图;
图8为一个实施例中六自由度透视不变性特征分析装置的方框示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,术语“多个”的含义应为两个以及两个以上。
本申请提供的六自由度透视不变性特征分析方法,可以应用于如图1所示的应用环境中。其中,处理设备可包括处理器102和存储器104,存储器104可用来备选角点、相邻四角点、排序后四角点、变换图像和六自由度透视不变性特征值等数据。处理器102可用来基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。处理设备还可包括显示器106,显示器106可通过图形化界面显示处理得到的待测目标图像、变换图像和六自由度透视不变性特征值等信息。处理设备可以但不限于是扫地机器人、拖地机器人和清洁机器人等移动机器人。
为了解决现有目标匹配中存在的问题,在一个实施例中,如图2所示,提供了一种六自由度透视不变性特征分析方法,以该方法应用于图1中的处理器102为例进行说明,包括以下步骤:
步骤S210,基于角点检测算法对待测目标图像进行角点检测,得到备选角点。
其中,角点检测算法可分为基于灰度图像的角点检测算法、基于二值图像的角点检测算法和基于轮廓曲线的角点检测算法。例如,基于模板的角点检测算法可以但不限于是Kitchen-Rosenfeld角点检测算法、Harris角点检测算法、KLT角点检测算法或SUSAN角点检测算法。角点是图像很重要的特征,例如,基于模板的角点检测算法主要考虑像素邻域点的灰度变化,即图像亮度的变化,将与邻点亮度对比足够大的点定义为角点。需要注意的是,本申请以Harris角点检测算法为例进行说明,对于采用其它类型的角点检测算法同样能够实现对待测目标图像进行角点检测,在此不再赘述。
示例性的,基于Harris角点检测算法对待测目标图像进行角点检测,进而得到备选角点。
步骤S220,基于空间分割算法对备选角点进行处理,得到相邻四角点。
其中,空间分割算法是将整个虚拟空间划分成等体积的规格单元格,以此将场景中的物体分割成更小的群组,并只对占据了同一单元格或相邻单元格的几何对象进行相交测试。示例性的,空间分割算法可以但不限于是八叉树算法和四叉树算法。需要注意的是,本申请以八叉树算法为例进行说明,对于采用其它类型的空间分割算法同样能够实现对备选角点进行处理,得到相邻四角点,在此不再赘述。
示例性的,可采用八叉树算法对备选角点进行处理,进而得到相邻四角点。其中,相邻四角点指的是相邻的四个角点。
步骤S230,对相邻四角点进行预设规则排序,得到排序后四角点。
其中,相邻四角点中的四个角点为环形排列设置。预设规则顺序可以但不限于还是基于角点亮度进行顺时针排列的顺序或逆时针排列的顺序。排序后四角点指的是顺序环形排列后的四个角点。
示例性的,可对相邻四角点进行基于角点亮度的顺时针排列顺序排序,进而得到排序后四角点。
步骤S240,根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像。
其中,单应性被定义为图像的两个平面投影之间的映射。单应性(Homography)变换指的是用来描述物体在世界坐标系和像素坐标系之间的位置映射关系,对应的变换矩阵称为单应性矩阵。单应性矩阵约束了同一3D空间点在两个像素平面的2D齐次坐标。
示例性的,待测目标图像为16*16的待测目标图像,根据排序后四角点,对待测目标图像进行单应性处理,进而得到16*16的变换图像。
步骤S250,对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
其中,DFT变换(Discrete Fourier Transform,离散傅里叶变换)可以是一维DFT变换或二维DFT变换。六自由度指的是沿x、y、z三个直角坐标轴方向的移动自由度和绕x、y、z三个直角坐标轴的转动自由度。六自由度透视不变性特征为基于上述六个自由度的透视不变性特征。
示例性的,通过对16*16的变换图像进行DFT变换处理,得到16*16个布尔类型的特征值,并将所述特征值作为一个256位布尔向量的最终特征值,即得到相应的六自由度透视不变性特征值。
上述实施例中,基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值。本申请通过角点检测算法对待测目标图像进行角点检测,在六自由度变换时,相同角点始终可检测出,实现得到的角点具有较强的六自由度变换稳定性;通过对变换图像进行DFT变换处理,提高获得特征值的变换速度;在六自由度变换的实测情况下,对应的特征点的特征值可维持在设定百分比以下(如20%)浮动,提高了特征值的稳定性和分辨能力强。
在一个实施例中,如图3所示,基于角点检测算法对待测目标图像进行角点检测,得到备选角点的步骤包括:
步骤S310,选取待测目标图像的像素点,将以像素点为中心的窗口确认为选取窗口。
例如,选取的待测目标图像的像素点为(x,y),则对应一个以该像素点(x,y)为中心的窗口为w(x,y),进而将w(x,y)确认为选取窗口。
步骤S320,对选取窗口在待测目标图像上沿第一坐标方向和第二坐标方向移动,得到像素值变化量。
示例性的,像素值变化量为:
E(u,v)=∑(x,y)w(x,y)[I(x+u,y+v)-I(x,y)]2。
其中,E(u,v)为像素值变化量,w(x,y)为选取窗口,(x,y)为像素点,u为第一坐标方向的移动量,v为第二坐标方向的移动量,I(x,y)为(x,y)像素点对应的灰度,Ix和Iy为I(x,y)的偏微分,R为角点响应函数,λ1为第一正交方向变化分量,λ2为第二正交方向变化分量。
步骤S330,对像素值变化量进行转换处理,得到对应预设窗口的角点响应函数。
例如,当选取窗口同时向第一坐标方向(如x坐标轴方向)和第二坐标方向(如y坐标轴方向)两个方向移动时,计算选取窗口内部的像素值变化量E(u,v),其中,u、v为x、y方向移动量。
示例性的,E(u,v)推导过程为:首先,将待测目标图像的选取窗口平移(u,v)产生灰度变化的自相关函数(式一):
E(u,v)=∑(x,y)w(x,y)[I(x+u,y+v)-I(x,y)]2。
其中,I(x,y)为像素点坐标(x,y)处图像对应的灰度。
将平移后的式子进行泰勒展开并近似如下(式二):I(x+u,y+v)≈I(x,y)+uIx+vIy。
将式二代入式一可得:
上述为对实对称矩阵M做对角化处理,用特征值λ1、λ2和角点响应函数R(即特征向量)表示。可以把R看成旋转因子,其不影响两个正交方向的变化分量。经对角化处理后,将两个正交方向的变化分量提取出来,即λ1和λ2。矩阵M又称为Harris矩阵。w(x,y)的宽度决定了在像素点(x,y)周围的感兴趣区域。因为特征值λ1和λ2决定了R的值,R只与M的特征值有关,所以可用特征值决定一个选取窗口是平面、边缘或角点。
例如,当选取窗口为平面时,则该选取窗口在平坦区域上滑动,选取窗口内的灰度值基本不发生变化,所以|R|值非常小,在水平和竖直方向的变化量均较小,即Ix和Iy都较小,那么λ1和λ2都较小;当选取窗口为边缘时,R值为负数,仅在水平或竖直方向有较大变化量,即Ix和Iy只有一个较大,也即λ1>>λ2或λ2>>λ1;当选取窗口为角点时,R值很大,在水平、竖直两个方向上变化均较大的点,即Ix和Iy都较大,也即λ1和λ2都很大。
需要说明的是,对于待测目标图像的每一个像素点(x,y),对应一个以该像素点为中心的窗口w(x,y),该像素点平移(u,v)得到新的像素点(x+u,y+v),而E(u,v)就是选取窗口中所有像素的加权和乘不同位置像素的灰度差值。
步骤S340,在角点响应函数大于第一预设阈值时,将对应选取窗口的像素点确认为备选角点。
对角点响应函数进行阈值处理,如果R>第一预设阈值,则表示选取窗口对应一个角点特征,进而将对应选取窗口的像素点确认为备选角点。
上述实施例中,通过使用Harris角点检测算法对待测目标图像进行角点检测,在六自由度变换时,相同角点始终可检测出,所以得到的备选角点具有较强的六自由度变换稳定性。
在一个实施例中,如图4所示,提供了一种六自由度透视不变性特征分析方法,以该方法应用于图1中的处理器102为例进行说明,包括以下步骤:
步骤S410,基于角点检测算法对待测目标图像进行角点检测,得到备选角点。
其中,上述的步骤S410的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S420,基于八叉树算法或四叉树算法对备选角点进行处理,得到相邻四角点。
其中,八叉树是一种用于描述三维空间的树状数据结构,八叉树的每个节点表示一个正方体的体积元素,每个节点有八个子节点,将八个子节点所表示的体积元素加在一起就等于父节点的体积。四叉树是一种树状数据结构,在每一个节点上会有四个子区块。四叉树常应用于二维空间数据的分析与分类。它将数据区分成为四个象限。数据范围可以是方形或矩形或其他任意形状。
基于八叉树算法或四叉树算法对备选角点进行处理,可提取备选角点附近的4个相邻角点,进而得到相邻四角点。
示例性的,以八叉树算法对备选角点进行处理为例进行说明,完整的八叉树,每个中间节点都有八个子节点,所有叶节点都有相同的树深度D,叶节点数为8的D次幂。八叉树搜索目标坐标相邻N个节点的具体过程为:
步骤1:搜索目标节点L,下有包含非空节点的子节点,记为BranchL,,i。每个子节点,都有一个包围方块。记目标坐标为Target。
步骤2:看Target落在哪个节点的包围方块内,记为中心包围方块。记中心包围方块中心点到中心包围方块角点的距离为R。以中心包围方块中心为球心,画一个R为半径的球,判断与其有交集的包围方块的总非空叶子节点的数目是否大于N。如果不大于,则画一个半径为2R的球,判断与其有交集的包围方块的总非空叶子节点的数目是否大于N。并以此类推,直到找出最小的一个范围,包含所有子节点,记为Set。
步骤3:对于找到的Set范围,对其每个子节点的子节点进行步骤2操作。再对找到的新Set做步骤2操作,并以此类推,直到找到最终与目标相邻的N个叶子节点。
步骤S430,对相邻四角点进行预设规则排序,得到排序后四角点。
其中,上述的步骤S430的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S440,根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像。
其中,上述的步骤S440的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S450,对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
其中,上述的步骤S450的具体说明请参照上述实施例的描述,在此不再赘述。
上述实施例中,通过角点检测算法对待测目标图像进行角点检测,在六自由度变换时,相同角点始终可检测出,实现得到的角点具有较强的六自由度变换稳定性;基于八叉树或四叉树算法对备选角点进行处理,得到相邻四角点;;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;通过对变换图像进行DFT变换处理,提高获得特征值的变换速度;在六自由度变换的实测情况下,对应的特征点的特征值可维持在设定百分比以下(如20%)浮动,提高了特征值的稳定性和分辨能力强。
在一个实施例中,如图5所示,对相邻四角点进行预设规则排序,得到排序后四角点的步骤包括:
步骤S510,将相邻四角点中亮度最大的角点确认为主角点,相邻四角度的坐标平均值确认为中心点。
步骤S520,以主角度为零方向,基于第一顺序对相邻四角点中的剩余三个角点进行排序,得到排序后四角点。
具体而言,对于相邻四角点,取亮度最大的角点为主角点。相邻四角点的坐标平均值,作为中心点。选定主角点为零方向,顺时针排序相邻四角点中的其它三个角点,进而得到排序后的四个顺序角点,即得到排序后四角点。
设定相邻四角点的四个角点坐标为(Ci,x,Ci,y),atan2(y,x)为由平面向量转化为弧度的反正切函数,设定角点相对中心点的角度值为Ci,o则:Ci,o=atan2(Ci,y一My,Ci,x一Mx)。
设定待测目标图像为Image(x,y),主角点为CM,Max(Image(x,y))函数为取Image(x,y)亮度最大值的角点的函数,则:
MAx(Image(Ci,x,Ci,y))=CM。
设定sort()为排序函数,CM,o为主角点的角度值,C(j)为排序后的角点,则:C(j)=sort(Ci,o一CM,o)。
在一个实施例中,如图6所示,根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像的步骤包括:
步骤S610,根据排序后四角点的坐标,对待测目标图像的四边角点的坐标进行单应性处理,得到单应性矩阵。
其中,根据四个顺时针排序角点的坐标,对16*16的待测目标图像的顺时针四个边角点坐标进行单应性处理,进而得到单应性矩阵。
其中,坐标(x,y)为输入坐标,(x′,y′)为输出坐标。
步骤S620,根据单应性矩阵,对待测目标图像进行单应性变换处理,得到变换图像。
通过将16*16的待测目标图像按照得到的单应性矩阵进行单应性变换,得到一个16*16的变换图像。
在一个实施例中,如图7所示,提供了一种六自由度透视不变性特征分析方法,以该方法应用于图1中的处理器102为例进行说明,包括以下步骤:
步骤S710,基于角点检测算法对待测目标图像进行角点检测,得到备选角点。
其中,上述的步骤S710的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S720,基于空间分割算法对备选角点进行处理,得到相邻四角点。
其中,上述的步骤S720的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S730,对相邻四角点进行预设规则排序,得到排序后四角点。
其中,上述的步骤S730的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S740,根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像。
其中,上述的步骤S740的具体说明请参照上述实施例的描述,在此不再赘述。
步骤S750,对变换图像进行一维DFT或二维DFT变换处理,得到六自由度透视不变性特征值。
示例性的,一维DFT变换为:
其中,f(x)为原函数,F(u)为DFT变换后的傅里叶级数。
若用矩阵计算的形式表达上述过程,即:
类似一维DFT,也可得到如下二维离散傅里叶变换对。其中f(x,y)为二维原函数,F(u,v)为变换后的二维傅里叶级数。
对该变换进行化简,可得:
在一个示例中,对变换图像进行DFT变换处理,得到六自由度透视不变性特征值的步骤包括:
对变换图像进行DFT变换处理,得到变换后函数;
对变换后函数进行阈值变换处理,并根据处理的结果,将变换后函数的实部大于第二预设阈值的特征值确认为六自由度透视不变性特征值;或,将变换后函数的虚部大于第三预设阈值的特征值确认为六自由度透视不变性特征值。
其中,对变换图像进行DFT变换处理,得到变换后函数;通过对变换后函数进行阈值变换处理,如对变换后函数的实部或虚部进行大于零变换,进而可得到16*16个布尔类型的特征值,并将该特征值作为一个256位布尔向量的最终特征值,进而得到六自由度透视不变性特征值。
上述实施例中,基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行一维DFT或二维DFT变换处理,并对变换后函数的实部进行大于零的变换处理,得到16*16个布尔类型的特征值,作为一个256位布尔向量的最终特征值,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值。本申请通过角点检测算法对待测目标图像进行角点检测,在六自由度变换时,相同角点始终可检测出,实现得到的角点具有较强的六自由度变换稳定性;通过对变换图像进行DFT变换处理,提高获得特征值的变换速度;在六自由度变换的实测情况下,对应的特征点的特征值可维持在设定百分比以下(如20%)浮动,提高了特征值的稳定性和分辨能力强。
需要说明的是,在进行目标检测时,每次特征对应都会得到一个六自由度的变换矩阵,使得特征不是仅仅点对点对应,而是面对面对应,能获得额外的提示参数。进一步的,由于ORB特征也是256位布尔特征值,所以本申请提出的六自由度不变性特征可内嵌到任意ORB系列算法。
在一个示例中,对六自由度透视不变性特征分析方法的具体验证过程为:为了验证本申请算法的有效性,进行了同一个目标在随机参数透视变化下的验证测试。
使用单张图片,按照随机参数做单应性变换,将随机目标的对应位置的六自由度不变性特征值提取出来并进行对比。其中,所有的特征提取结果,分为两种情况:适用于本申请的稳定角点情况:Harris角点检测能得出稳定角点位置的情况;其它情况:四个角点至少一个出现在其它位置的情况。
稳定角点的情况下,特征值稳定在20%的浮动以内,其说明本特征的稳定性较强。需要说明的是,测试中也会出现其它情况,原因为不同透视变换导致角点边缘清晰程度发生变化,使得角点位置不稳定。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,还提供了一种六自由度透视不变性特征分析装置,包括:
备选角点选取单元810,用于基于角点检测算法对待测目标图像进行角点检测,得到备选角点。
相邻四角点获取单元820,用于基于空间分割算法对备选角点进行处理,得到相邻四角点。
四角点排序单元830,用于对相邻四角点进行预设规则排序,得到排序后四角点。
单应性处理单元840,用于根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像。
DFT变换单元850,用于对变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
关于六自由度透视不变性特征分析装置的具体限定可以参见上文中对于六自由度透视不变性特征分析方法的限定,在此不再赘述。上述六自由度透视不变性特征分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于处理设备中的控制器中,也可以以软件形式存储于处理设备中的存储器中,以便于控制器调用执行以上各个模块对应的操作。
在一个实施例中,还提供了一种处理设备,包括处理器和存储器,存储器存储有计算机程序,处理器执行计算机程序时实现上述中任意一项的六自由度透视不变性特征分析方法。
其中,处理设备可以但不限于是扫地机器人、拖地机器人和清洁机器人等移动机器人。
处理器用于执行以下的六自由度透视不变性特征分析方法的步骤:
基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的六自由度透视不变性特征分析方法的步骤。
在一个示例中,计算机程序被处理器执行时实现以下步骤:
基于角点检测算法对待测目标图像进行角点检测,得到备选角点;基于空间分割算法对备选角点进行处理,得到相邻四角点;对相邻四角点进行预设规则排序,得到排序后四角点;根据排序后四角点,对待测目标图像进行单应性处理,得到变换图像;对变换图像进行DFT变换处理,进而得到能够用于目标匹配的具有高稳定性和特征分辨能力的六自由度透视不变性特征值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种六自由度透视不变性特征分析方法,其特征在于,包括如下步骤:
基于角点检测算法对待测目标图像进行角点检测,得到备选角点;
基于空间分割算法对所述备选角点进行处理,得到相邻四角点;
对所述相邻四角点进行预设规则排序,得到排序后四角点;
根据所述排序后四角点,对所述待测目标图像进行单应性处理,得到变换图像;
对所述变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
2.根据权利要求1所述的六自由度透视不变性特征分析方法,其特征在于,所述根据所述排序后四角点,对所述待测目标图像进行单应性处理,得到变换图像的步骤包括:
根据所述排序后四角点的坐标,对所述待测目标图像的四边角点的坐标进行单应性处理,得到单应性矩阵;
根据所述单应性矩阵,对所述待测目标图像进行单应性变换处理,得到所述变换图像。
3.根据权利要求1所述的六自由度透视不变性特征分析方法,其特征在于,所述对所述相邻四角点进行预设规则排序,得到排序后四角点的步骤包括:
将所述相邻四角点中亮度最大的角点确认为主角点,所述相邻四角度的坐标平均值确认为中心点;
以所述主角度为零方向,基于第一顺序对所述相邻四角点中的剩余三个角点进行排序,得到所述排序后四角点。
4.根据权利要求1所述的六自由度透视不变性特征分析方法,其特征在于,所述基于角点检测算法对待测目标图像进行角点检测,得到备选角点的步骤包括:
选取所述待测目标图像的像素点,将以所述像素点为中心的窗口确认为选取窗口;
对所述选取窗口在所述待测目标图像上沿第一坐标方向和第二坐标方向移动,得到像素值变化量;
对所述像素值变化量进行转换处理,得到对应所述预设窗口的角点响应函数;
在所述角点响应函数大于第一预设阈值时,将对应所述选取窗口的像素点确认为所述备选角点。
6.根据权利要求1所述的六自由度透视不变性特征分析方法,其特征在于,所述基于空间分割算法对所述备选角点进行处理,得到相邻四角点的步骤包括:
基于八叉树算法或四叉树算法对所述备选角点进行处理,得到所述相邻四角点。
7.根据权利要求1所述的六自由度透视不变性特征分析方法,其特征在于,所述对所述变换图像进行DFT变换处理,得到六自由度透视不变性特征值的步骤包括:
对所述变换图像进行一维DFT或二维DFT变换处理,得到所述六自由度透视不变性特征值。
8.根据权利要求7所述的六自由度透视不变性特征分析方法,其特征在于,所述对所述变换图像进行DFT变换处理,得到六自由度透视不变性特征值的步骤包括:
对所述变换图像进行DFT变换处理,得到变换后函数;
对所述变换后函数进行阈值变换处理,并根据处理的结果,将所述变换后函数的实部大于第二预设阈值的特征值确认为所述六自由度透视不变性特征值;或,将所述变换后函数的虚部大于第三预设阈值的特征值确认为所述六自由度透视不变性特征值。
9.一种六自由度透视不变性特征分析装置,其特征在于,包括:
备选角点选取单元,用于基于角点检测算法对待测目标图像进行角点检测,得到备选角点;
相邻四角点获取单元,用于基于空间分割算法对所述备选角点进行处理,得到相邻四角点;
四角点排序单元,用于对所述相邻四角点进行预设规则排序,得到排序后四角点;
单应性处理单元,用于根据所述排序后四角点,对所述待测目标图像进行单应性处理,得到变换图像;
DFT变换单元,用于对所述变换图像进行DFT变换处理,得到六自由度透视不变性特征值。
10.一种处理设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8中任意一项所述的六自由度透视不变性特征分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211422256.2A CN115713504A (zh) | 2022-11-14 | 2022-11-14 | 六自由度透视不变性特征分析方法、装置及处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211422256.2A CN115713504A (zh) | 2022-11-14 | 2022-11-14 | 六自由度透视不变性特征分析方法、装置及处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713504A true CN115713504A (zh) | 2023-02-24 |
Family
ID=85233205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211422256.2A Pending CN115713504A (zh) | 2022-11-14 | 2022-11-14 | 六自由度透视不变性特征分析方法、装置及处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713504A (zh) |
-
2022
- 2022-11-14 CN CN202211422256.2A patent/CN115713504A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102204818B1 (ko) | 3d 정렬 알고리즘들을 위한 밸런싱된-프로브 사이트들의 선택 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
JP2011238204A (ja) | 3次元シーンにおける3次元物体の認識及び位置姿勢決定方法 | |
Drost et al. | Local hough transform for 3d primitive detection | |
CN111524168A (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
Sveier et al. | Object detection in point clouds using conformal geometric algebra | |
Guo et al. | 3D object recognition from cluttered and occluded scenes with a compact local feature | |
Cirujeda et al. | MCOV: a covariance descriptor for fusion of texture and shape features in 3D point clouds | |
US11468609B2 (en) | Methods and apparatus for generating point cloud histograms | |
Caporali et al. | Pointcloud-based identification of optimal grasping poses for cloth-like deformable objects | |
Ekekrantz et al. | Adaptive iterative closest keypoint | |
Lim et al. | 3D object recognition using scale-invariant features | |
CN115953399B (zh) | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 | |
CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 | |
Kordelas et al. | Viewpoint independent object recognition in cluttered scenes exploiting ray-triangle intersection and SIFT algorithms | |
Ni et al. | Applications of 3d-edge detection for als point cloud | |
SANDOVAL et al. | Robust sphere detection in unorganized 3D point clouds using an efficient Hough voting scheme based on sliding voxels | |
Schnabel et al. | Shape detection in point clouds | |
Wan et al. | A performance comparison of feature detectors for planetary rover mapping and localization | |
CN115713504A (zh) | 六自由度透视不变性特征分析方法、装置及处理设备 | |
Georgiev et al. | Real-time 3d scene description using spheres, cones and cylinders | |
Yao et al. | Robust surface registration using N-points approximate congruent sets | |
CN113592976A (zh) | 地图数据的处理方法、装置、家用电器和可读存储介质 | |
Romero-Manchado et al. | Application of gradient-based edge detectors to determine vanishing points in monoscopic images: Comparative study | |
JP2019070898A (ja) | 推定プログラム、推定装置、及び推定方法 |
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 |