基于图像特征分析的目标辨识方法技术

本发明专利技术涉及一种基于图像特征分析的目标辨识方法，包括如下步骤：以ＳＩＦＴ特征点为中心，选取２×２个子区域；将每个所述子区域的８个梯度方向的梯度幅值进行规范化处理，从所述８个梯度方向中选取梯度幅值最大的梯度方向，将所述梯度幅值最大的梯度方向旋转至Ｘ轴或者Ｙ轴，旋转后，选取位于Ｘ轴和Ｙ轴上的４个梯度方向；计算并比较梯度幅值的大小，在特征点向量匹配阈值范围内，选取梯度方向集中的特征点作为所述图像的ＳＩＦＴ特征点。本发明专利技术的方法减少了ＳＩＦＴ特征向量的维数和特征点的数量而不影响图像匹配效果，加强了对环境目标识别的速度和准确度，提高了整个算法的实时在线运行速度和匹配的准确度。

【技术实现步骤摘要】

本专利技术涉及一种，尤其涉及一种在智能移动机 器人探测未知空间的局部环境领域内，。
技术介绍
人类对外界环境信息的获取有70%以上都来自于视觉，可见视觉导航方式是智能 移动机器人导航的一个主要发展方向。现有技术公开的文献(李桂芝和安成万.基于场景 识别的移动机器人定位方法研究.机器人，2005. 27 (2) 23-26)提出了一种基于电荷耦 合元件(Charge-coupled Device, CCD)视频采集对场景进行识别的移动机器人定位方法， 以全局特征场景识别对移动机器人定位，通过Gabor滤波器提取图像的全局纹理特征，并 使用支持向量机(Support VectorMachine,SVM)对其进行分类，实现基于图像的场景识别。 由于每类图像对应于机器人工作环境中的某个位置，从而实现机器人的逻辑定位。此种方 法的不足之处在于机器人在未知环境中采集的场景样本图像很多，属于小样本识别问题 的向量机并不适用于大样本的基于全局特征的场景匹配问题。现有技术公开的另一文献(庄严，徐晓东和王伟，移动机器人几何_拓扑混合地 图的构建及自定位研究.控制与决策，2005. 20(7) 817-822.)提出基于墙角、房门和 通路等高级环境特征的辨识与提取，以对局部环境特征进行辨识。也有学者根据移动机 器人工作环境和具体导航要求的不同，采取相应的数字图像处理技术对室内环境中的垂 直边缘与激光传感器提取的水平线段特征进行处理，以此作为机器人进行定位的简单几 何特征。加拿大科学家David Lowe提出尺度不变特征转换(Scale-invariant feature transform, SIFT)技术，详见公开文献(Lowe, D. G. , Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision 2004. 60 (2) :91-110.)。该方法在尺度空间上计算高斯之差，并根据其最大最小值决定具有 尺度、旋转和平移不变性的兴趣点位置，数据经过处理后作为路标。正因为提供了一种自底 向上的良好的自然环境特征提取方案，且所提取的特征具有良好的尺度等不变性，SIFT方 法很快在移动机器人视觉建模与定位领域得到了比较广泛的采用。SIFT方法在特征提取的 可靠性、稳定性、计算效率、匹配精度等方面的综合性高。然而，在上述SIFT方法中，标准的SIFT特征描述向量维度有128位，无论在计算 或是储存过程中都需要占用大量的资源。而且每幅图像的特征点较多，例如，150幅图像库 的特征点数量可达近40，000个，如此庞大的数据不仅对实时在线的特征匹配计算造成重 要的负担，而且还容易形成错误的匹配。
技术实现思路
本专利技术的目的在于提供一种能够减少SIFT特征向量的维数和减少特征点的数量 而不影响图像匹配效果的。一种，包括如下步骤以SIFT特征点为中心，选取2X2个子区域；将每个所述子区域的8个梯度方向的梯度幅值进行规范化处理，从所 述8个梯度方向中选取梯度幅值最大的梯度方向，将所述梯度幅值最大的梯度方向旋转至 X轴或者Y轴，旋转后，选取位于X轴和Y轴上的4个梯度方向；计算并比较梯度幅值的大 小，在特征点向量匹配阈值范围内，选取梯度方向集中的特征点作为所述图像的SIFT特征点。本专利技术优选的一种技术方案，所述SIFT特征点向量为2x2x4 = 16维数。本专利技术优选的一种技术方案，所述将梯度幅值进行规范化处理的步骤通过将梯度 幅值除以某一常数或者最大梯度幅值实现。本专利技术优选的一种技术方案，将所述梯度幅值最大的梯度方向旋转至X轴正方 向。本专利技术优选的一种技术方案，选取梯度方向集中的特征点作为所述图像的SIFT 特征点的步骤中，选取的特征点占总的特征点数的25% 30%。本专利技术优选的一种技术方案，当所述图像为320x240的图像时，选取的特征点的 个数为50。本专利技术优选的一种技术方案，采用计算两个特征点向量之间的欧几里得距离，并 将所述距离与所述阈值比较，若所述距离在所述阈值范围内，则所述两个特征点之间匹配。与现有技术相比，本专利技术的可以显著地减少 SIFT特征向量的维数和图像的SIFT特征点的数量，减少了占用的储存资源和计算时间，对 于实时在线计算要求严格的任务来说，本方法有着较大的优势。另外梯度向量经过旋转处 理后，对图像发生旋转的影响产生了较好的鲁棒性，提高了实时在线的运算速度和准确度。附图说明图1是本专利技术的的流程图。图2是以特征点为中心的领域梯度方向的示意图。图3是图2所示的关键特征点的向量示意图。图4是本专利技术的中最大梯度旋转前的示意图。图5是本专利技术的中最大梯度旋转后的示意图。具体实施例方式本专利技术的主要包括如下三个步骤降低特征点 向量的维度；最大梯度旋转规范化；减少特征点的数量。下面结合附图对本专利技术的基于图 像特征分析的目标辨识方法作进一步的详细描述。请参阅图1，图1是本专利技术的的流程图。首先， 以SIFT特征点为中心，选取2X2个子区域。因为传统的SIFT特征点向量维度是128位， 也就是4x4x8，每个子区域的梯度方向有8个方向组成，这8个方向在直角坐标系上间隔45 度分布，而这样的子区域以特征点为中心共有4x4= 16个。实际上，在标准的SIFT算法 中，在计算子区域的梯度向量时，由于以特征点为中心的二维高斯加权函数的约束，使远离 特征点中心的子区域梯度幅值减小，其参与特征点梯度计算的权值也相应的降低了，因而， 离特征点中心最近的子区域在SIFT特征向量的计算中起主导作用，如图2、图3所示。而且，在机器人SLAM (Simultaneous Localization And Mapping)环境中，机器人需要识别的 是较大的局部环境特征，而不是像医学图像(如组织器官等)的辨认、样本产品分析那样进 行局部微小片断的识别。因此，本方法只取以特征点为中心的2x2个子区域，每个子区域取 4个梯度方向，由此得出的特征点向量就变成了 2x2x4 = 16维数。最大梯度旋转规范化主要包括两个步骤将每个子区域的8个梯度方向的梯度幅 值进行规范化处理；从所述8个梯度方向中选取梯度幅值最大的梯度方向，旋转所述幅值 最大梯度的方向。优选的，所述将梯度幅值进行规范化处理的步骤通过将梯度幅值除以某 一常数或者最大梯度幅值实现。将8个梯度方向的梯度幅值进行规范化处理后，得到幅值 规范化的一组梯度向量，以具备对图像明暗变化的鲁棒性(Robustness)。从8个梯度方向 中找到幅值最大的梯度方向，并将该方向旋转至Y轴的正向，如图4所示。梯度经过旋转处 理后，对图像发生旋转的影响产生鲁棒性，此时，取位于X轴和Y轴上的4个梯度方向，如图 5所示。至此，完成特征向量维度的优化，该过程是在图像的SIFT产生过程中实现的。本发 明的中，减少向量的维度只有在非常细微辨别方面的辨 识功能降低了。最后，减少特征点的数量，此过程在特征点匹配的过程中进行。两个对应的特征点 向量的匹配方法是采用计算其欧几里得(Euclidean)距离来决定的，当这个距离在一定的 门限内时，就认为两点是匹配的，定义这个匹配最小距离值为阈值，当这个阈值越小时本文档来自技高网...

【技术保护点】
一种基于图像特征分析的目标辨识方法，其特征在于，包括如下步骤：以ＳＩＦＴ特征点为中心，选取２×２个子区域；将每个所述子区域的８个梯度方向的梯度幅值进行规范化处理，从所述８个梯度方向中选取梯度幅值最大的梯度方向，将所述梯度幅值最大的梯度方向旋转至Ｘ轴或者Ｙ轴，旋转后，选取位于Ｘ轴和Ｙ轴上的４个梯度方向；计算并比较梯度幅值的大小，在特征点向量匹配阈值范围内，选取梯度方向集中的特征点作为所述图像的ＳＩＦＴ特征点。

【技术特征摘要】

【专利技术属性】
技术研发人员：王海军，孙强，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：31[中国|上海]