CN117635968A - 复杂月表导航特征提取匹配方法 - Google Patents

Abstract

本发明公开的复杂月表导航特征提取匹配方法，属于深空探测技术领域。本发明实现方法为：利用月球车视角下的月面图像，根据对月面图像像素点梯度幅值进行目标邻域内冗余边界框的去除，通过设定双阈值对弱边缘像素点进行抑制从而筛选出边缘信息，构造边缘信息域，对边缘图像SURF的加速稳健特征描述子进行提取匹配，有效缩小角点检测的搜索范围，提高特征检测集中度。再用估计量样本一致算法MSAC过滤错误匹配，优化匹配点对，过滤筛选错误匹配，同时保留更多的月面图像特征点，提高复杂月表导航特征提取匹配率。本发明具有如下优点：(1)匹配率更高，保障月面特征点识别的准确性。(2)保障匹配准确性的前提下，保留更多匹配点对。(3)匹配效率高。

Description

复杂月表导航特征提取匹配方法

技术领域

本发明涉及一种复杂月表导航特征提取匹配方法，属于深空探测技术领域。

背景技术

月球是人类进行空间探测和开发利用太空的首选目标，在月球表面建立基地是月球探测的主要趋势，月球车可以满足人类大范围探测及建立长期基地的日常任务要求。月面属于非结构化环境，纹理特征单一且灰度变化不明显，对月球车视觉导航的精度要求很高，月表特征的提取与匹配是获取导航信息的关键。通过设置双阈值检测月面图像和对弱边缘像素点进行抑制从而筛选出边缘信息，对边缘图像中的角点信息生成描述子进行提取匹配，有效缩小角点检测的搜索范围，提高特征检测集中度。再用估计量样本一致算法过滤错误匹配，优化了匹配点对，提高了匹配率，同时保留了更多的月面图像特征点，为后续导航提供了更多的信息。

发明内容

月面特征识别困难，且视觉导航信息直接获取匮乏，传统算法如SURF存在漏检等问题。针对复杂月面环境对月面感知造成困难等问题，本发明公开的复杂月表导航特征提取匹配方法要解决的技术问题为：利用月球车视角下的月面图像，考虑不同视角下图像实际角度和大小的缩放变化，提出两步特征检测法，对月面图像进行边缘提取，在提取构造的边缘域基础上进行角点检测，最后采用估计量样本一致性算法筛选剔除误匹配，具有如下的优点：(1)与传统角点检测算法相比，匹配率更高，保障月面特征点识别的准确性。(2)保障匹配准确性的前提下，保留更多匹配点对，为后续导航提供更多信息。(3)单位时间匹配到的正确点对高于传统算法，匹配效率高。

本发明的目的是通过下述技术方案实现的。

本发明公开的复杂月表导航特征提取匹配方法，利用月球车视角下的月面图像，对月面图像像素点梯度幅值进行目标邻域内的冗余边界框去除，通过设置双阈值检测和对弱边缘像素点进行抑制从而筛选出边缘信息，构造边缘信息域，对边缘图像SURF描述子进行提取匹配，有效缩小角点检测的搜索范围，提高特征检测集中度。再用估计量样本一致算法MSAC过滤错误匹配，优化匹配点对，同时保留更多的月面图像特征点，为后续导航提供更多的信息。

本发明公开的复杂月表导航特征提取匹配方法，包括如下步骤：

步骤1：根据月面图像的灰度特征设置双阈值筛选构造月面图像边缘信息域。

月面图像间的相关性较小，直接在灰度图上提取特征会导致获得的特征匹配重复率较低，无法完成对特征的一致性描述，月面图像边缘特征较为稳定，不会因为月球车不同视角导致图像的平移旋转而引起形状的实质变化，具有良好的对应关系。月球车视角下的月面图像受到外部信息的干扰，进行高斯滤波平滑处理，降低噪声影响。使用高斯滤波器过滤月面图像噪声，选取的高斯函数为：

式(1)中，x_i和y_i为月面图像中每个像素点与中心点的相对位置坐标，σ_m为高斯分布的标准差，在月面图像边缘算子中，采用5×5的高斯平滑滤波器对月面图像卷积降噪。

计算月面图像每个像素点(x_i,y_i)水平和竖直方向上的梯度值G_x(x_i,y_i)和G_y(x_i,y_i)：

根据梯度值计算月面图像各像素点梯度幅值M(x_i,y_i)和方向角θ(x_i,y_i)，表达式为：

将计算的每个像素点梯度方向量化为四个区间，对于每个像素点(x_i,y_i)，根据其方向角θ(x_i,y_i)将其归类为垂直、水平或者两个对角线方向之一，即梯度方向近似到四个可能角度0°，45°，90°，135°比较该像素点在梯度方向上与其两侧像素点的梯度幅值，如果该像素点的梯度幅值最大，则保留该像素点，否则将其梯度值抑制为0。此方式可以将边缘细化和清晰化。

搜索目标局部范围内的边界框置信度最大的最优值，去除目标邻域内的冗余边界框。将像素点按照梯度幅值的大小分为强边缘、弱边缘和非边缘3类，然后根据设定的高低阈值对弱边缘进行处理。其中高低阈值的选择需要根据输入图像具体分析，若弱边缘与强边缘相连，归为强边缘，否则被抑制。根据月面实际图像需求设置两个阈值：高阈值M_H和低阈值M_L。

对得到的梯度幅值图像M(x_i,y_i)，如果M’(x_i,y_i)≥M_H，判定像素点是强边缘；如果M_L≤M’(x_i,y_i)＜M_H，判定像素点是弱边缘；如果M’(x_i,y_i)＜M_L，判定像素点是非边缘。

找到双阈值处理后的边缘图像第一个标记为强边缘(即像素值为255)的像素点(x₀,y₀)。从该点开始，按照一定顺序检查像素点周围8个相邻像素是否是弱边缘，即像素值为125。使用联通性分析算法，将强边缘和周围的弱边缘连接起来形成月面图像边缘信息域。

步骤2：对载入的月面边缘图像在边缘信息域范围内进行角点特征提取，对月面边缘图像角点检测，生成特征描述子。

利用Hessian矩阵进行极值点检测，对步骤1得到的月面图像边缘信息域进行高斯滤波处理，得到的Hessian矩阵为：

式(7)中，x为特征点坐标，L_xx(x,σ)，L_xy(x,σ)，L_yy(x,σ)为图像在该点与高斯二阶偏导数的卷积。

为了确定矩阵H中的元素，利用特定核间卷积对其二阶偏导进行计算，分别得到x、y、xy三个方向的卷积，为D_xx，D_yy，D_xy，得到极值点的判别式为：

det(H_approx)＝D_xxD_yy-(lD_xy)² (8)

式(8)中，l为权重系数，取0.9。

通过选取邻域的极值样本利用公式(9)进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值为特征点。

其中X＝(x,y,s)^T是尺度空间坐标，L(X)是拉普拉斯近似值。通过使用已平滑相邻样本的像素差逼近导数来计算极值点

为了保证特征点的旋转不变性，需要给每个特征点确定主方向，根据Haar小波响应值确定，对响应值进行加权，靠近特征点的响应值权重较大，反之权重较小。把特征点作为中心点，以π/3为滑动窗口计算在x、y方向的Haar小波响应的总和，得出特征方向矢量(m_w,θ_w)。采样步长设为s，Haar小波的尺寸设为4s。按照固定步长转动π/3扇形窗口，遍历圆形区域所有邻域，其中矢量模最长时的方向即为主方向。

确定特征点主方向后，以被检测特征点为中心，根据主方向构造一个20s×20s的正方形窗口，将该窗口划分成4×4的子区域，对每个子区域计算5s×5s(采样步长取s)范围内的小波响应，相对于主方向的水平、垂直方向的Haar小波响应分别记做dx、dy，求出高斯加权值∑dx和∑dy，并计算出绝对值|dx|和|dy|，求和得到∑|dx|和∑|dy|，则可在每个子区域形成四维分量的矢量V_sub＝(∑dx,∑|dx|,∑dy,∑|dy|)，最后将16个子区域描述向量连在一起最终形成4×16＝64维的区域特征描述子。

步骤3：根据步骤2生成的64维特征点描述子通过最近邻法或近似最近邻法进行特征匹配。最近邻法通过在全局范围内查找目标特征向量1和特征向量2之间的欧式距离获得向量之间的关系，特征向量间的欧式距离越小则两个特征点匹配度越高，通过搜索可能是近邻的特征点进行特征匹配。

角点检测算法加入了Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度变化方向是相反的，直接予以排除。

步骤4：基于步骤3检测得到的点对，通过估计量样本一致算法MSAC剔除误匹配，得到精确匹配点对模型，即实现复杂月表导航特征提取匹配。

图像匹配点对中存在的噪声点会对匹配变换矩阵的估计产生较大影响，会影响图像匹配的精度。采用估计量样本一致算法，随机选取几个粗糙结果中的匹配对来计算粗模型，通过粗模型选取内点，再利用所有内点使用其他方法反推模型并计算其代价函数即该模型对于所有内点的误差，反复迭代，最终找到一个优化的匹配点对模型，剔除所有不符合该模型的匹配对；得到精确匹配点对模型，即实现复杂月表导航特征提取匹配。

有益效果：

1、本发明公开的一种复杂月表导航特征提取匹配方法，根据对月面图像像素点梯度幅值进行目标邻域内冗余边界框的去除，通过设定双阈值对弱边缘像素点进行抑制从而筛选出边缘信息，构建边缘信息域，对边缘图像的加速稳健特征描述子进行提取匹配，有效缩小角点检测的搜索范围，提高特征检测集中度。通过估计量样本一致算法过滤筛选错误匹配，优化匹配点对，提高复杂月表导航特征提取匹配率。

2、本发明公开的一种复杂月表导航特征提取匹配方法，该方法建立的月面图像边缘信息域为复杂月面图像的特征提取匹配保留更多的月面图像特征点，为后续月球车月面位置解算和多月球车协同导航提供更多的信息。

3、本发明公开的一种复杂月表导航特征提取匹配方法，保留了经典角点检测匹配算法运行速度短的优点，通过限制匹配点对的搜索范围和匹配指标，提高了单位时间内正确匹配的点对个数，提高复杂月表导航特征匹配效率。

附图说明

图1是本发明的复杂月表导航特征提取匹配方法流程示意图。

图2是本发明中仿真采用的月球车视角下月面原始图像。

图3是本发明中通过步骤1提取的月面边缘结果图。

图4是采用传统SURF算法图像特征提取匹配结果图。

图5是本发明中特征匹配算法投影到原图像的结果图，其中图5(a)是步骤4筛选前结果图，图5(b)是步骤4筛选后复杂月面图像提取匹配结果图。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

为了验证本发明的可行性，利用月球车视角下真实拍摄的月面图像，如图2，进行数学仿真验证。

如图1所示，本实施例公开的复杂月表导航特征提取匹配方法，采用图像处理代替不同月球车视角下拍摄图像，旋转角度为-0.7°，缩放尺度为1.05倍。具体实现步骤如下：

步骤1：根据月面图像的灰度特征设置双阈值筛选构造月面图像边缘信息域。

月面图像间的相关性较小，直接在灰度图上提取特征会导致获得的特征匹配重复率较低，无法完成对特征的一致性描述，月面图像边缘特征较为稳定，不会因为月球车不同视角导致图像的平移旋转而引起形状的实质变化，具有良好的对应关系。月球车视角下的月面图像受到外部信息的干扰，进行高斯滤波平滑处理，降低噪声影响。使用高斯滤波器过滤月面图像噪声，选取的高斯函数为：

式(13)中，x_i和y_i为月面图像中每个像素点与中心点的相对位置坐标，σ_m为高斯分布的标准差，在月面图像边缘算子中，采用5×5的高斯平滑滤波器对月面图像卷积降噪。

计算月面图像每个像素点(x_i,y_i)水平和竖直方向上的梯度值G_x(x_i,y_i)和G_y(x_i,y_i)：

根据梯度值计算月面图像各像素点梯度幅值M(x_i,y_i)和方向角θ(x_i,y_i)，表达式为：

将计算的每个像素点梯度方向量化为四个区间，对于每个像素点(x_i,y_i)，根据其方向角θ(x_i,y_i)将其归类为垂直、水平或者两个对角线方向之一，即梯度方向近似到四个可能角度0°，45°，90°，135°比较该像素点在梯度方向上与其两侧像素点的梯度幅值，如果该像素点的梯度幅值最大，则保留该像素点，否则将其梯度值抑制为0。此方式可以将边缘细化和清晰化。

搜索目标局部范围内的边界框置信度最大的最优值，去除目标邻域内的冗余边界框。将像素点按照梯度幅值的大小分为强边缘、弱边缘和非边缘3类，然后根据设定的高低阈值对弱边缘进行处理。其中高低阈值的选择需要根据输入图像具体分析，若弱边缘与强边缘相连，归为强边缘，否则被抑制。根据月面实际图像需求设置两个阈值：高阈值M_H和低阈值M_L。

对得到的梯度幅值图像M(x_i,y_i)，如果M’(x_i,y_i)≥M_H，认为像素点是强边缘；如果M_L≤M’(x_i,y_i)＜M_H，认为像素点是弱边缘；如果M’(x_i,y_i)＜M_L，认为像素点是非边缘。

找到双阈值处理后的边缘图像第一个标记为强边缘(即像素值为255)的像素点(x₀,y₀)。从该点开始，按照一定顺序检查像素点周围8个相邻像素是否是弱边缘，即像素值为125。使用联通性分析算法，将强边缘和周围的弱边缘连接起来形成月面图像边缘信息域。

步骤2：对载入的月面边缘图像在边缘信息域范围内进行角点特征提取。

利用Hessian矩阵进行极值点检测，对步骤1得到的月面图像边缘信息域进行高斯滤波处理，得到的Hessian矩阵为：

式(19)中，x为特征点坐标，L_xx(x,σ)，L_xy(x,σ)，L_yy(x,σ)为图像在该点与高斯二阶偏导数的卷积。

为了确定矩阵H中的元素，利用特定核间卷积对其二阶偏导进行计算，分别得到x、y、xy三个方向的卷积，为D_xx，D_yy，D_xy，可以得到极值点的判别式为：

det(H_approx)＝D_xxD_yy-(lD_xy)² (20)

式(20)中，l为权重系数，取0.9。

通过选取邻域的极值样本利用公式(21)进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值为特征点。

其中X＝(x,y,s)^T是尺度空间坐标，L(X)是拉普拉斯近似值。通过使用已平滑相邻样本的像素差逼近导数来计算极值点

为了保证特征点的旋转不变性，需要给每个特征点确定主方向，根据Haar小波响应值确定，对响应值进行加权，靠近特征点的响应值权重较大，反之权重较小。把特征点作为中心点，以π/3为滑动窗口计算在x、y方向的Haar小波响应的总和，得出特征方向矢量(m_w,θ_w)。采样步长设为s，Haar小波的尺寸设为4s。按照固定步长转动π/3扇形窗口，遍历圆形区域所有邻域，其中矢量模最长时的方向即为主方向。

确定特征点主方向后，以被检测特征点为中心，根据主方向构造一个20s×20s的正方形窗口，将该窗口划分成4×4的子区域，对每个子区域计算5s×5s(采样步长取s)范围内的小波响应，相对于主方向的水平、垂直方向的Haar小波响应分别记做dx、dy，求出高斯加权值∑dx和∑dy，并计算出绝对值|dx|和|dy|，求和得到∑|dx|和∑|dy|，则可在每个子区域形成四维分量的矢量V_sub＝(∑dx,∑|dx|,∑dy,∑|dy|)，最后将16个子区域描述向量连在一起最终形成4×16＝64维的区域特征描述子。如图3，形成月球车视角下月面图像边缘信息域，

步骤3：根据步骤2生成的64维特征点描述子通过最近邻法或近似最近邻法进行特征匹配。最近邻法通过在全局范围内查找目标特征向量1和特征向量2之间的欧式距离获得向量之间的关系，特征向量间的欧式距离越小则两个特征点匹配度越高，通过搜索可能是近邻的特征点进行特征匹配。

角点检测算法加入了Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度变化方向是相反的，直接予以排除。

步骤4：MSAC算法的实现如下

式(25)中(x,y)、(x',y')为待拼接图像的角点位置，s为尺度参数，H为变换矩阵，其中H共有9个未知参数，使用奇异值的分解方法来计算月面图像的变换矩阵。

采用的变换模型为仿射变换模型，点坐标变换可表示为：

由于仿射变换有六个自由度，因此需要三对相应的点对来估计矩阵H：

MSAC算法将粗模型得到的内点和外点都对模型的拟合程度计分，内群点集m的计算公式如下

式(28)中，H为变换矩阵，外点被赋予常量，内点(x_i,y_i)的赋值取决于它们与数据的匹配程度。通过总分数来评估模型，受模型评估阈值的影响较小。

采用式(29)所示的正确匹配率P作为评判标准，式中：N_right表示正确匹配点，N_all表示全部匹配点对

最终匹配结果如表1所示。

表1仿真结果

采用SURF算法和本文算法分别对月面图像进行测试。图4-5的仿真结果以及表1中的对比数据可知，本文算法可以保留更多的特征点情况下有效的剔除误匹配点，与SURF算法相比匹配率提高了4.41％，剔除误匹配点后还保留657对特征点，为后续导航提供更多信息。

通过对月面图像像素点梯度幅值进行目标邻域内冗余边界框的去除，通过设置双阈值对弱边缘像素点进行抑制从而筛选出边缘信息，再对边缘图像SURF描述子进行提取，采用MSAC算法剔除误匹配对以提高匹配效果。针对月球车视角下的月面图像能够获得较好的匹配结果，提高了特征匹配算法的精度和效率，弥补了其特征点无鲜明几何意义等劣势，更符合月球车的视觉导航要求。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.复杂月表导航特征提取匹配方法，其特征在于：包括如下步骤，

步骤1：根据月面图像的灰度特征设置双阈值筛选构造月面图像边缘信息域；

步骤2：对载入的月面边缘图像在边缘信息域范围内进行角点特征提取，对月面边缘图像角点检测，生成特征描述子；

步骤3：根据步骤2生成的特征点描述子通过最近邻法或近似最近邻法进行特征匹配；最近邻法通过在全局范围内查找目标特征向量1和特征向量2之间的欧式距离获得向量之间的关系，特征向量间的欧式距离越小则两个特征点匹配度越高，通过搜索可能是近邻的特征点进行特征匹配；

角点检测算法加入了Hessian矩阵迹的判断，如果两个特征点的矩阵迹正负号相同，代表这两个特征具有相同方向上的对比度变化，如果不同，说明这两个特征点的对比度变化方向是相反的，直接予以排除；

步骤4：基于步骤3检测得到的点对，通过估计量样本一致算法MSAC剔除误匹配，得到精确匹配点对模型，即实现复杂月表导航特征提取匹配。

2.如权利要求1所述的复杂月表导航特征提取匹配方法，其特征在于：步骤1实现方法为，

月球车视角下的月面图像受到外部信息的干扰，进行高斯滤波平滑处理；使用高斯滤波器过滤月面图像噪声，选取的高斯函数为：

式(1)中，x_i和y_i为月面图像中每个像素点与中心点的相对位置坐标，σ_m为高斯分布的标准差，在月面图像边缘算子中，采用5×5的高斯平滑滤波器对月面图像卷积降噪；

计算月面图像每个像素点(x_i,y_i)水平和竖直方向上的梯度值G_x(x_i,y_i)和G_y(x_i,y_i)：

根据梯度值计算月面图像各像素点梯度幅值M(x_i,y_i)和方向角θ(x_i,y_i)，表达式为：

将计算的每个像素点梯度方向量化为四个区间，对于每个像素点(x_i,y_i)，根据其方向角θ(x_i,y_i)将其归类为垂直、水平或者两个对角线方向之一，即梯度方向近似到四个可能角度0°，45°，90°，135°比较该像素点在梯度方向上与其两侧像素点的梯度幅值，如果该像素点的梯度幅值最大，则保留该像素点，否则将其梯度值抑制为0；

搜索目标局部范围内的边界框置信度最大的最优值，去除目标邻域内的冗余边界框；将像素点按照梯度幅值的大小分为强边缘、弱边缘和非边缘3类，然后根据设定的高低阈值对弱边缘进行处理；其中高低阈值的选择需要根据输入图像具体分析，若弱边缘与强边缘相连，归为强边缘，否则被抑制；根据月面实际图像需求设置两个阈值：高阈值M_H和低阈值M_L；

对得到的梯度幅值图像M(x_i,y_i)，如果M’(x_i,y_i)≥M_H，判定像素点是强边缘；如果M_L≤M’(x_i,y_i)＜M_H，判定像素点是弱边缘；如果M’(x_i,y_i)＜M_L，判定像素点是非边缘；

找到双阈值处理后的边缘图像第一个标记为强边缘的像素点(x₀,y₀)，即像素值为255；从该点开始，按照预定顺序检查像素点周围8个相邻像素是否是弱边缘，即像素值为125；使用联通性分析算法，将强边缘和周围的弱边缘连接起来形成月面图像边缘信息域。

3.如权利要求2所述的复杂月表导航特征提取匹配方法，其特征在于：步骤2实现方法为，

利用Hessian矩阵进行极值点检测，对步骤1得到的月面图像边缘信息域进行高斯滤波处理，得到的Hessian矩阵为：

式(7)中，x为特征点坐标，L_xx(x,σ)，L_xy(x,σ)，L_yy(x,σ)为图像在该点与高斯二阶偏导数的卷积；

为了确定矩阵H中的元素，利用特定核间卷积对其二阶偏导进行计算，分别得到x、y、xy三个方向的卷积，为D_xx，D_yy，D_xy，得到极值点的判别式为：

det(H_approx)＝D_xxD_yy-(lD_xy)² (8)

式(8)中，l为权重系数；

通过选取邻域的极值样本利用公式(9)进行三维二次拟合得到具有亚像素和亚尺度精度的局部极大值为特征点；

其中X＝(x,y,s)^T是尺度空间坐标，L(X)是拉普拉斯近似值；通过使用已平滑相邻样本的像素差逼近导数来计算极值点

为了保证特征点的旋转不变性，需要给每个特征点确定主方向，根据Haar小波响应值确定，对响应值进行加权，靠近特征点的响应值权重较大，反之权重较小；把特征点作为中心点，以π/3为滑动窗口计算在x、y方向的Haar小波响应的总和，得出特征方向矢量(m_w,θ_w)；采样步长设为s，Haar小波的尺寸设为4s；按照固定步长转动π/3扇形窗口，遍历圆形区域所有邻域，其中矢量模最长时的方向即为主方向；

确定特征点主方向后，以被检测特征点为中心，根据主方向构造一个20s×20s的正方形窗口，将该窗口划分成4×4的子区域，对每个子区域计算5s×5s(采样步长取s)范围内的小波响应，相对于主方向的水平、垂直方向的Haar小波响应分别记做dx、dy，求出高斯加权值∑dx和∑dy，并计算出绝对值|dx|和|dy|，求和得到∑|dx|和∑|dy|，则能够在每个子区域形成四维分量的矢量V_sub＝(∑dx,∑|dx|,∑dy,∑|dy|)，最后将16个子区域描述向量连在一起最终形成4×16＝64维的区域特征描述子。

4.如权利要求3所述的复杂月表导航特征提取匹配方法，其特征在于：步骤4实现方法为，

图像匹配点对中存在的噪声点会对匹配变换矩阵的估计产生较大影响，会影响图像匹配的精度；采用估计量样本一致算法，随机选取几个粗糙结果中的匹配对来计算粗模型，通过粗模型选取内点，再利用所有内点使用其他方法反推模型并计算其代价函数即该模型对于所有内点的误差，反复迭代，最终找到一个优化的匹配点对模型，剔除所有不符合该模型的匹配对；得到精确匹配点对模型，即实现复杂月表导航特征提取匹配。