【技术实现步骤摘要】
一种融合颜色和尺度特征的ORB图像匹配方法
[0001]本专利技术属于机器人视觉
,尤其涉及一种融合颜色和尺度特征的ORB图像匹配方法。
技术介绍
[0002]图像匹配技术是机器人视觉的基础,已广泛应用于视觉SLAM、目标跟踪等多个领域。图像匹配算法可以分为:基于变换域的方法、基于灰度的方法和基于特征的方法。基于特征的图像配准具有很好的鲁棒性,计算量小,速度快,成为研究的主流方向。图像中提取到的特征点需要对图像的光照变换、尺度变换、旋转变换等具有一定的鲁棒性,才能有效保证特征点的精确匹配。现有的特征点提取和匹配算法在匹配精度和匹配效率上仍存在不足,随着图像处理技术的发展,对特征点提取和匹配算法的准确性和实时性提出了更高的要求。
[0003]在视觉SLAM中,特征点的提取和准确的特征匹配对机器人的位姿推断具有重要作用。目前,ORB(Oriented FAST and Rotated BRIEF)算法因特征点提取速度快,具有良好的稳定性,被广泛应用于视觉SLAM中。然而,为了降低复杂度,ORB算法的第一步是将彩色图转化为灰度图,在灰度图上进行特征提取,没有考虑到原始彩色图像的颜色信息,而颜色信息是图像的重要组成部分,在对彩色图像的检测、识别、跟踪过程中有着非常重要的意义,由于颜色信息的缺失,降低了彩色图像的对比度,就会导致在颜色不同而对应灰度值相同的区域内无法提取出特征点、正确匹配率低等问题;而且传统的ORB算法使用FAST角点进行特征点提取,所提取到的特征点不具有尺度不变性,对发生尺度变化的图像配准,鲁棒 ...
【技术保护点】
【技术特征摘要】
1.一种融合颜色和尺度特征的ORB图像匹配方法,其特征在于,包括以下步骤:S1、使用颜色不变量模型对待匹配的前后两帧彩色图像进行预处理,求出图像各位置的颜色不变量;S2、对待匹配的前后两帧彩色图像,将计算得到的颜色不变量作为输入信息,建立积分图像,采用盒式滤波器代替二阶高斯微分,通过不断增大盒式滤波器的窗口大小构建图像尺度空间;S3、对图像进行高斯滤波,构建Hession矩阵,在尺度空间上对使用快速Hessian矩阵局部极值来确定图像的特征点;S4、使用带有旋转不变特性的rBRIEF算法提取特征描述符;S5、使用汉明距离剔除部分错误匹配点对,完成对特征点的粗匹配;S6、使用改进RANSAN算法进一步去除图像中的误匹配点对,对特征点进行精匹配,提高匹配精度;所述的S1中,根据颜色不变量模型,对待匹配的前后两帧彩色图像进行预处理,得到彩色图像的颜色不变量H,具体步骤为:式中:E为光谱反射的成像结果,E
λ
、E
λλ
分别为物体光谱辐射模型的一阶微分和二阶微分,λ表示波长,R
∞
(λ,x)表示反射率;彩色图像的RGB分量和(E,E
λ
,E
λλ
)的关系近似为:彩色图像的颜色不变量H为:所述的S2中,以颜色不变量作为输入,采用盒式滤波器建立尺度空间,具体步骤为:定义图像f(x,y),图像上任意一点I(x,y),对其进行高斯滤波,如下式所示:L(x,y,σ)=G(x,y,σ)*I(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中:σ为尺度信息,G(x,y,σ)为固定的高斯核函数,*为高斯核函数卷积运算,I(x,y)表示输入图像(相当于H1(x,y)或H2(x,y));对高斯滤波后的图像中的每个像素进行拉普拉斯运算,拉普拉斯运算结果用Hession矩阵表示,如下式所示:式中:L
xx
(x,y,σ)、L
xy
(x,y,σ)、L
yx
(x,y,σ)、L
yy
(x,y,σ)分别代表在x方向的二阶导数,在x和y方向依次求偏导数,在y和x方向依次求偏导数,在y方向求二阶导数的高斯滤波窗口,使用不同尺寸的盒式滤波器,在滤波的过程中完成尺度变化,生成图像金字塔即是尺度空间;
所述的S3中,构建Hession矩阵,利用近似Hession矩阵的局部极大值计算不同尺度下特征点的位置,具体步骤为:为了减小计算代价,采用Fast
‑
Hession矩阵,把高斯二阶偏导数近似化处理,得到盒式滤波器估计值D
xx
、D
xy
、D
yy
,考虑到使用盒式滤波器近似可能带来的误差,设置一个大小为0.9的补偿系数,进而可求得Fast
‑
Hession矩阵的近似行列式表达式,即:Det(H)=D
xx
·
D
【专利技术属性】
技术研发人员:孙明晓,王潇,班喜程,栾添添,袁晓亮,李小岗,连厚鑫,谭政纲,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。