一种面向月面导航的自适应的地标选取方法技术

一种面向月面导航的自适应的地标选取方法，包括如下步骤：1)利用SiftGPU算法进行sift特征点的提取；2)进行特征点的降采样；3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类，过程如下：3.1)根据每个特征点的最短距离分布，来获取聚类算法的初始化参数；3.2)采用非递归的方式进行DBSCAN算法的实现，得到多个候选的地标；4)通过对相邻两帧图像进行匹配，获取当前地标中正确匹配上的特征点M，以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A，利用评价函数来获取得分最高的地标为选取地标。本发明专利技术自适应能力较好、实时性良好。

【技术实现步骤摘要】
一种面向月面导航的自适应的地标选取方法
本专利技术用于视觉导航系统，特别适应于在GPS信号微弱甚至没有的情况下，利用该地标选取方法来辅助导航。
技术介绍
在月球导航过程中，由于惯导系统存在累积误差，因此需要结合视觉导航的方法来修正误差。在这一过程中，一个合适的地标的选择将有助于提高视觉导航的精度。在目前的无人机导航定位中，通过会采用人工设置地标的形式来定位无人机的位置。也有不少相关论文阐述自然地标的选择。一般通过对相邻两帧的图像进行匹配，根据匹配情况采用已经设计好的评价函数进行评价，依据评价结果来选取合适的地标。现有的识别方法存在的缺陷：地标的大小无法做到自适应，地标选取过程中无法达到实时。
技术实现思路
为了克服已有面向月面导航的地标选取方法的自适应能力较差、实时性较差的不足，本专利技术提供一种自适应能力较好、实时性良好的面向月面导航的自适应的地标选取方法。本专利技术解决其技术问题所采用的技术方案是：一种面向月面导航的自适应的地标选取方法，所述地标选取方法包括如下步骤：1)利用SiftGPU算法进行sift特征点的提取；2)进行特征点的降采样；3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类，过程如下：3.1)根据每个特征点的最短距离分布，来获取聚类算法的初始化参数e；3.2)建立一种新的数据结构，该数据结构为一种二维数组，二维数组中的每一个元素存放一个一维数组的指针，若没有对应的一维数组则存放NULL指针。对于每一个数据点计算其在所述数据结构的表格中的位置，其中每一格的宽度高度均为e，假如当前位置非空，则将当前点加到当前位置保存的数组的末端，直到所有数据点均已经分配完毕；采用非递归的方式进行DBSCAN算法的实现，得到多个候选的地标；4)通过对相邻两帧图像进行匹配，获取当前地标中正确匹配上的特征点M，以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A，利用如下评价函数函数来获取得分Score最高的地标为选取的地标；其中，C1、C2为系数。进一步，所述步骤3.2)中，采用非递归的方式进行DBSCAN算法的过程为：设置两个指针p1,p2，分别指向开始操作的数据点以及末端的数据点；假设当前点为核心点，将核心点以及领域内的点都加入队列中，p1移动，对第二个点进行操作，如果第二个点是核心点则将其领域内的点加入队列，p2移动至末端。否则p1继续移动，直到p1＝p2时一个类产生，选取未被操作过的点，重复该过程。更进一步，所述步骤3.1)中，特征点最短距离分布情况计算如下：对于每一个d维的特征点，首先求解每一维度上的最大值以及最小值:1<<k<<d其中，mk表示第k维的最小值，Mk表示第k维的最大值，表示第i个点第k维的值，N为特征点的数目；构建d维的(Mk-mk+1)的表格S，将每一个点放置在对应的单元格中，即对于一个二维点P(x，y)；对于每一个点进行最短距离搜索，首先获取当前点在表格S中的位置location(x,y)，通过求解当前位置到达这8个点的最短距离来获取当前点的最短距离(MinDis)，location(x-1,y-1)、location(x-1,y)、location(x-1,y+1)location(x,y-1)、location(x,y)、location(x,y+1)、location(x+1,y-1)、location(x+1,y)、location(x+1,y+1)，如果这八个点都不存在则范围向外扩散，当遇到存在的点时，则能找到当前点到其他点的最短距离，时间复杂度可以记为O(N)；通过对所有点的最短距离进行升序排序，选取位于序列95％位置的距离作为之后聚类算法的初始化参数。再进一步，所述步骤2)中，利用K-dTree这种数据结构以及边界特征点去除方法进行sift特征点的降采样，首先去除位于图像边缘10％范围内的特征点，如果此时特征点数量少于1000，则不进行K-dtree特征点降采样，否则利用该结构删除距离当前点最近的几个特征点，删除的数目由特征点总数除以1000获得，倘若特征点数小于1000则结束。本专利技术的技术构思为：传统的DBSCAN算法对初始化参数敏感且无法针对实际的点分布进行自适应的聚类。同时一般的地标选取算法通常都要使用一个固定大小的patch对图片进行遍历，这个过程通常非常费时，而且对于特征点分布相对稀疏的情况下，很难找到一个固定大小的patch使之在所有情况下都能达到理想的效果。本文通过结合对DBSCAN算法进行改进，使得聚类的过程满足实时性，同时产生的候选patch大小达到自适应，最后利用已有的评价函数选取最后的patch作为地标。同时考虑到特征点分布在图像边缘较为集中，使得无法得到一个合适的patch，本文通过去除图像上下左右边缘10％宽度的特征点，对剩余的特征点进行算法测试，得到了较为理想的结果。本专利技术的有益效果主要表现在：适应能力较好、实时性良好。附图说明图1是数据结构的示意图。图2是大小自适应的地标选取方法的效果示意图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1和图2，一种面向月面导航的自适应的地标选取方法，包括如下步骤：1)利用SiftGPU算法进行sift特征点的提取，SiftGPU是利用GPU加速后的Sift算法，详细情况在http://www.cs.unc.edu/～ccwu/siftgpu/网站上有介绍。效果如图2(a)所示。2)利用K-dTree这种数据结构以及边界特征点去除方法进行sift特征点的降采样，首先去除位于图像边缘10％范围内的特征点，如果此时特征点数量少于1000，则不进行K-dtree特征点降采样，否则利用该结构删除距离当前点最近的几个特征点(数目由特征点总数除以1000获得)倘若特征点数小于1000，算法结束。效果如图2(b)所示。3)针对特征点的分布情况，进行每个特征点的最短距离计算，其时间复杂度O(N)，依据最后得到的距离分布情况，来对DBSCAN聚类算法的参数进行估计。效果如图2(c)所示。特征点最短距离分布情况计算如下：对于每一个d维的特征点，首先求解每一维度上的最大值以及最小值:1<<k<<d其中，mk表示第k维的最小值，Mk表示第k维的最大值，表示第i个点第k维的值，N为特征点的数目。构建d维的(Mk-mk+1)的表格S，将每一个点放置在对应的单元格中。即对于一个二维点P(x，y)。对于每一个点进行最短距离搜索(假设为二维点)，首先获取当前点在表格S中的位置location(x,y)，通过求解当前位置到达这8个点的最短距离来获取当前点的最短距离(MinDis)。location(x-1,y-1)、location(x-1,y)、location(x-1,y+1)location(x,y-1)、location(x,y)、location(x,y+1)、location(x+1,y-1)、location(x+1,y)、location(x+1,y+1)。如果这八个点都不存在则范围向外扩散，当遇到存在的点时，则能找到当前点到其他点的最短距离。时间复杂度可以记为O(N)。通过对所有点的最短距离进行升序排序，选取位于序列95％位置的距离作为之本文档来自技高网...

【技术保护点】
一种面向月面导航的自适应的地标选取方法，其特征在于：所述地标选取方法包括如下步骤：1)利用SiftGPU算法进行sift特征点的提取；2)进行特征点的降采样；3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类，过程如下：3.1)根据每个特征点的最短距离分布，来获取聚类算法的初始化参数e；3.2)建立一种新的数据结构，该数据结构为一种二维数组，二维数组中的每一个元素存放一个一维数组的指针，若没有对应的一维数组则存放NULL指针；对于每一个数据点计算其在所述数据结构的表格中的位置，其中每一格的宽度高度均为e，假如当前位置非空，则将当前点加到当前位置保存的数组的末端，直到所有数据点均已经分配完毕；采用非递归的方式进行DBSCAN算法的实现，得到多个候选的地标；4)通过对相邻两帧图像进行匹配，获取当前地标中正确匹配上的特征点M，以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A，利用如下评价函数函数来获取得分Score最高的地标为选取地标；Score=C1×MMmax+C2×MA]]>其中，C1、C2为系数。

【技术特征摘要】
1.一种面向月面导航的自适应的地标选取方法，其特征在于：所述地标选取方法包括如下步骤：1)利用SiftGPU算法进行sift特征点的提取；2)进行特征点的降采样；3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类，过程如下：3.1)根据每个特征点的最短距离分布，来获取聚类算法的初始化参数e；3.2)建立一种新的数据结构，该数据结构为一种二维数组，二维数组中的每一个元素存放一个一维数组的指针，若没有对应的一维数组则存放NULL指针；对于每一个数据点计算其在所述数据结构的表格中的位置，其中每一格的宽度高度均为e，假如当前位置非空，则将当前点加到当前位置保存的数组的末端，直到所有数据点均已经分配完毕；采用非递归的方式进行DBSCAN算法的实现，得到多个候选的地标；4)通过对相邻两帧图像进行匹配，获取当前地标中正确匹配上的特征点M，以及所有地标中匹配上特征点最多的Mmax和检测到的特征点数A，利用如下评价函数函数来获取得分Score最高的地标为选取地标；其中，C1、C2为系数。2.如权利要求1所述的一种面向月面导航的自适应的地标选取方法，其特征在于：所述3.2)中，采用非递归的方式进行DBSCAN算法的过程为：设置两个指针p1，p2，分别指向开始操作的数据点以及末端的数据点，假设当前点为核心点，将核心点以及领域内的点都加入队列中，p1移动，对第二个点进行操作，如果第二个点是核心点则将其领域内的点加入队列，p2移动至末端；否则p1继续移动，直到p1＝p2时一个类产生，选取未被操作过的点，重复该过程。3.如权利要求1或2所述的一种面向月面导航的自适应的地标选取方法，其特征在于：所述3.1)...

【专利技术属性】
技术研发人员：张剑华，冯余剑，谢榛，任亲虎，步青，刘盛，陈胜勇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33