一种基于SURF特征的航空序列图像位置估计方法

摘要

本发明涉及一种基于SURF特征的航空序列图像位置估计方法，能够适应航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器位置的精确估计。首先，构建了SURF尺度空间，运用快速Hessian矩阵定位极值点，计算出航空图像的64维SURF特征描述子；然后，基于Hessian矩阵迹完成特征点匹配；最后，使用RANSAC方法剔除出格点，实现位置参数的精确估计。本发明针对飞行器工作环境恶劣，以提高视觉导航的精确性为目标，较传统视觉导航方法，能有效克服无人机位置估计过程中，具有对尺度、旋转、光照等因素不敏感的优势，明显改善实时图与基准图的配准精度，对于无人机视觉导航工程化应用具有重要的实际意义。

主权项

1.一种基于SURF特征的航空序列图像位置估计方法，其特征在于步骤如下：步骤1多尺度空间构建：利用不同尺度的箱式滤波器建立多尺度空间，其中箱式滤波器的尺寸为：size＝3+5s；其中：s是σ的倍数，σ为多尺度空间的尺度；步骤2快速Hessian矩阵检测：对于图像I中一个给定的点X＝(x,y)，则Hessian矩阵H(x,σ)对x在尺度σ上定义为：$H(x,\sigma )=\left[\begin{array}{cc}{L}_{\mathrm{xx}}(x,\sigma )& L_{\mathrm{xy}}(x,\sigma )\\ L_{\mathrm{xy}}(x,\sigma )& L_{\mathrm{yy}}(x,\sigma )\end{array}\right],$其中，L_xy(x,σ)是高斯和函数的核函数的二阶导与图像I在x点处的卷积，用同样的方法计算L_xy(x,σ)L_yy(x，σ)；引入一个高斯核函数和高斯核函数的近似的比例因子ω，Hessian矩阵的行列式为：det(H_approx)＝D_xxD_yy-(ωD_xy)²；其中：det(H_approx)∑dx表示在点x周围的区域的箱式滤波器响应值；以det(H_approx)∑dx进行极值点的检测，求出矩阵的迹；所述比例因子ω值为其中|x|_F是Frobenius范数；步骤3SURF特征描述子提取：求极值点的主方向：以极值点为中心选取半径为6s的圆形区域，计算区域内的哈尔小波在x和y方向上的响应值为h_x,h_y；所述s是极值点所在的尺度；以σ＝3s为加权因子对两个响应值高斯加权分别表示水平和垂直分量，记为W_hx,W_hy；求主方向时，对W_hx,W_hy用直方图进行统计，将360°平均分成72组，并把以极值点为中心的圆形平均分割6个区域，分别统计60°扇区内的W_hx,W_hy，记为∑W_hx,∑W_hy，同时计算该区域的梯度值，梯度值取最大的区域所在的方向就是该极值点的主方向，然后根据∑W_hx,∑W_hy的反正切值就可以求出主方向的度数；以极值点为中心在极值点周围选取20×20大小的区域，将区域的方向旋转到极值点的方向；然后将这个正方形区域分成4×4共16个子区域，在分别计算每一个子区域内每个像素点在哈尔小波x和y方向上的响应值；对所有的dx,dy，以极值点为中心进行高斯加权(σ=3.35)，得到每一个子区域内的小波响应值dx,dy，进行求和计算∑dx,∑dy，将这两个和值存入描述子特征向量；对每一个子区域上的dx,dy的绝对值进行求和计算∑|dx|,∑|dy|，所得结果存入描述子特征向量；将特征向量归一化，形成了一个四维的向量：v＝(∑dx,∑dy,∑|dx|,∑|dy|)对16个子区域分别求特征向量，形成一个16×4=64维的特征向量，利用该方法对一对实时图和基准图进行了SURF特征点提取；步骤4基于Hessian矩阵迹的特征点匹配：计算Hessian矩阵迹之后，对Hessian矩阵主对角线之和trace(i)＝∑(dx+dy)，判断Hessian矩阵的迹的符号，如果trace(i)是大于0的数，就对描述子赋一个索引值1，如果trace(i)是小于0的数，就对描述子赋一个索引值-1，若两个描述子的trace(i)相同，说明两个描述子具有相等的对比度，继续进行描述子的比较；如果两个描述子的trace(i)不相同，则不需要进行后面的描述子的比较；所述进行描述子的比较时，首先计算实时图描述子discriptor_sensed和基准图描述子diseriptor_ref的欧氏距离计算最近邻匹配点dist_f和次近邻匹配点如果最dist_f/dist_f＜T，其中T是阈值，实验中T取1，若dist_f/dist_f＝1，则认为这两个点是匹配的；步骤5基于RANSAC的局部参数估计：（1）随机选择N个样本；（2）根据抽取样本估计模型参数；（3）用估计的模型计算每一个匹配点对之间的距离，将距离小于阈值的匹配点作为内点；（4）将上述过程重复k次，选择一个包含内点最多的点集，重新计算模型参数。各参数计算关系如下$K=\frac{\log (1-P)}{\log (1-{(1-ϵ)}^S)}$这里重复次数K由外点概率ε，采样点对数s和k次采样至少有一次全部是内点的概率为P。