基于调频模型的视觉模板匹配的鲁棒性提升方法技术

本发明专利技术公开了一种基于调频模型的视觉模板匹配的鲁棒性提升方法，包括如下步骤：步骤1、使用RatSLAM算法建立拓扑地图；步骤2、在建立拓扑地图的过程中，使用高斯函数对当前场景的RGB图像进行平滑处理；步骤3、将平滑后的图像转换到Lab颜色空间；步骤4、计算图像各个颜色通道的平均值；步骤5、计算每个像素的L、a、b值与图像L、a、b三通道均值的欧氏距离，得到显著图；步骤6、将图像按列求和并进行归一化处理得到视觉模板，将视觉模板储存在拓扑地图中的经验点中。步骤7、使用SAD(sum of absolute differences)模型对视觉模板进行匹配，用于检测闭环从而对拓扑地图进行修正。本发明专利技术能够提升视觉模板的鲁棒性，从而提高图像匹配的准确率。

Robust enhancement method of visual template matching based on frequency modulation model

【技术实现步骤摘要】
基于调频模型的视觉模板匹配的鲁棒性提升方法
本专利技术涉及图像处理领域，具体涉及一种基于调频模型的视觉模板匹配的鲁棒性提升方法。
技术介绍
图像匹配是SLAM(simultaneouslocalizationandmapping)中闭环检测的重要方式之一，可以降低视觉里程计的累计误差产生的影响，对于移动机器人建立高精度地图具有重要意义。而当前RatSLAM算法中是通过视觉模板的匹配来检测闭环，从而减少视觉里程计带来的累计误差。而RatSLAM算法中的视觉模板是仅仅将灰度化图像按列求和并进行归一化处理得到的，易受光照强度变化的影响，从而导致基于视觉模板的图像匹配的准确率较低。因此，研究提高视觉模板的鲁棒性是提高图像匹配正确率的关键。
技术实现思路
本专利技术要解决的技术问题是提供一种基于调频模型的视觉模板匹配的鲁棒性提升方法。为了解决上述技术问题，本专利技术提供了一种基于调频模型的视觉模板匹配的鲁棒性提升方法，包括如下步骤：步骤1、使用RatSLAM算法建立二维拓扑地图；步骤2、在建立拓扑地图的过程中，使用高斯函数对当前场景的RGB图像进行平滑处理；步骤3、将平滑后的图像转换到Lab颜色空间；步骤4、计算图像各个颜色通道的平均值；步骤5、使用二范数计算欧氏距离，得到显著图；步骤6、将图像按列求和并进行归一化处理得到视觉模板，将视觉模板储存在拓扑地图中的经验点中。步骤7、使用SAD(sumofabsolutedifferences)模型对视觉模板进行匹配，用于检测闭环从而对拓扑地图进行修正。上述技术方案中，所述步骤1中的RatSLAM算法是一种仿生导航算法，通过单目相机采集的RGB图像信息可以建立二维拓扑地图。上述技术方案中，所述步骤2中的高斯函数为高斯差分滤波器。上文中，所述高斯差分滤波器的目的是去除图像的细节信息和噪点。图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。而显著性区域检测用到的更多的是低频部分的信息。上述技术方案中，所述步骤2中Lab颜色空间包含三个要素：亮度(L)，两个颜色通道(a和b)。上文中的两个颜色通道：a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。上述技术方案中，所述步骤5中的欧氏距离是用二范数计算每个像素的L、a、b值与图像L、a、b三通道均值的距离。所述显著图是指经过调频模型处理得到的图像。上述技术方案中，所述步骤6中的视觉模板是一维向量的形式。上述技术方案中，所述步骤7中的SAD模型是一种图像匹配算法。基于同样的专利技术构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。基于同样的专利技术构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。基于同样的专利技术构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。本专利技术的有益效果：本专利技术使用调频模型消除图像中的噪点和细节信息，相比于原有的仅仅将灰度化图像按列求和并归一化得到的视觉模板，基于调频模型生成的视觉模板的鲁棒性得到了提高，进而提高了图像匹配的正确率。附图说明图1是本专利技术基于调频模型的视觉模板匹配的鲁棒性提升方法的流程图。图2是本专利技术基于调频模型的视觉模板匹配的鲁棒性提升方法中的拍摄的一张RGB图像。图3是本专利技术基于调频模型的视觉模板匹配的鲁棒性提升方法的将图像转换到Lab颜色空间得到的图像。图4是本专利技术基于调频模型的视觉模板匹配的鲁棒性提升方法的经过灰度化处理得到的图像。图5是本专利技术基于调频模型的视觉模板匹配的鲁棒性提升方法的经过调频模型处理得到的图像。图6为RatSLAM算法基于灰度化图像的视觉模板建立的拓扑地图。图7为RatSLAM算法基于灰度化图像的视觉模板建立的拓扑地图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。作为处理日常生活中视觉信息的重要机制，人类视觉系统具有在面对自然场景时快速搜索和定位感兴趣的目标的能力。这种视觉注意机制称为视觉显著性，它为视觉信息处理任务带来了一系列显著的好处。视觉显著性的优势主要体现在两个方面：第一，它可以将有限的计算资源分配给图像和视频中更重要的信息。其次，在提取特征时引入视觉显着性与人类的视觉认知需求更加一致。目前的注意力机制模型可以分为自下而上模型和自上而下模型。我们使用的调频模型是自下而上的视觉注意模型，也称为显著性模型。显著性模型是数据驱动的，因此在图像选择中不考虑人类观察的影响。这是人们浏览外部视觉信息时选择具有鲜明特征的对象的过程，因为图像中具有重要特征的区域很容易引起人们的注意。视觉显著性是基于特定信息的，包括图像的静态特征(颜色，亮度，轮廓，纹理等)和动态特征(运动方向，速度)。因此，研究从图像提取显著特征从而提高视觉模板的鲁棒性，对于提高图像匹配的正确率具有着重要意义。如图1所示，在本专利技术的其中一种实施方式中提供一种基于调频模型的视觉模板匹配的鲁棒性提升方法，包括如下步骤：步骤1、使用RatSLAM算法建立拓扑地图；步骤2、使用高斯函数对RGB图像进行平滑处理；步骤3、将平滑后的图像转换到Lab颜色空间；如图2所示，将图像转换到Lab颜色空间得到的图像。步骤4、计算图像各个颜色通道的平均值；步骤5、使用二范数计算每个像素的L、a、b值与图像L、a、b三通道均值的欧氏距离，得到显著图；如图4和图5所示，前者是经过灰度化处理得到的图像，后者是经过调频模型处理得到的图像。步骤6、将显著图按列求和并进行归一化处理得到视觉模板，并储存在拓扑地图中的经验点中；步骤7、使用SAD(sumofabsolutedifferences)模型对视觉模板进行匹配，用于检测闭环从而对拓扑地图进行修正。可以理解的是步骤1和步骤2到7两者是可以互相交换，也就是两者是平行不悖的。上述技术方案中，所述步骤1中的RatSLAM算法是一种仿生导航算法，通过单目相机采集的RGB图像信息可以建立二维拓扑地图。上述技术方案中，所述步骤2中的高斯函数为高斯差分滤波器。上文中，所述高斯差分滤波器的目的是去除图像的细节信息和噪点。图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。而显著性区域检本文档来自技高网...

【技术保护点】
1.一种基于调频模型的视觉模板匹配的鲁棒性提升方法，其特征在于，包括：/n使用RatSLAM算法建立拓扑地图；/n在建立拓扑地图的过程中，使用高斯函数对当前场景的RGB图像进行平滑处理；/n将平滑后的图像转换到Lab颜色空间；/n计算图像各个颜色通道的平均值；/n使用二范数计算欧氏距离，得到显著图；/n将显著图按列求和并进行归一化处理得到视觉模板，将视觉模板储存在拓扑地图中的经验点中；/n使用SAD模型对视觉模板进行匹配，用于检测闭环从而对拓扑地图进行修正。/n

【技术特征摘要】
1.一种基于调频模型的视觉模板匹配的鲁棒性提升方法，其特征在于，包括：
使用RatSLAM算法建立拓扑地图；
在建立拓扑地图的过程中，使用高斯函数对当前场景的RGB图像进行平滑处理；
将平滑后的图像转换到Lab颜色空间；
计算图像各个颜色通道的平均值；
使用二范数计算欧氏距离，得到显著图；
将显著图按列求和并进行归一化处理得到视觉模板，将视觉模板储存在拓扑地图中的经验点中；
使用SAD模型对视觉模板进行匹配，用于检测闭环从而对拓扑地图进行修正。


2.如权利要求1所述的基于调频模型的视觉模板匹配的鲁棒性提升方法，其特征在于，所述RatSLAM算法是一种仿生导航算法，通过单目相机采集的RGB图像信息建立二维拓扑地图。


3.如权利要求1所述的基于调频模型的视觉模板匹配的鲁棒性提升方法，其特征在于，所述高斯函数为高斯差分滤波器，目的是去除图像的细节信息和噪点。


4.如权利要求1所述的基于调频模型的视觉模板匹配的鲁棒性提升方法，其特征在于，所述Lab颜色空间包含三个要素：亮度L，两个颜色通道a和b；其中，a包括的颜色是从低亮度值的深绿色到中亮度值的灰色再到...

【专利技术属性】
技术研发人员：孙荣川，吴俊毅，郁树梅，陈国栋，孙立宁，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32