本发明专利技术涉及一种基于快速鲁棒特征的低空无人机视觉定位方法，能够适应低空无人机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。本发明专利技术用RANSAC算法求解基准图与实时图之间的变换参数。基于RANSAC的局部参数估计完成后，剔除外点后，解算出符合匹配要求的内点，即可得到实时图基于RANSAC估计参数的变换结果以及实时图中心在基准图上的定位结果。
【技术实现步骤摘要】
本专利技术涉及，能够适应低空无人机航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器获取的实时图在卫星基准图上位置参数的精确估计。
技术介绍
在视觉导航中，低空无人机位置参数估计是自主导航的核心，研究高精度、鲁棒图像匹配方法是提高无人机位置参数估计的重要手段。本专利技术利用快速鲁棒特征(Speeded-up robust features, SURF)即一种新的局部不变特征方法，对子区域的梯度信息进行了整合，可以有效解决实时图与基准图在几何变换、畸变、仿射变换、视角变换、亮度变换、噪声干扰等情况下的匹配问题。一般情况下，机载摄像机获取的地面影像(实时图)与卫星数字正射影像图(基准图)之间存在较大差异(如尺度、旋转、光照等)，传统的基于模板匹配的方法在图像配准前，需要基于规划航迹预测出实时图相对于基准图的航向偏差，增加了方法的复杂度，且配准误差较大。本专利技术能够克服图像在几何变化、光照变化、噪声干扰时仍保持一定稳定性的图像局部特征。与传统方法相比，基于不变特征的图像匹配在动态环境适应性方面，配准精度和鲁棒性方面均具有较大优势。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出。技术方案，其特征在于步骤如下步骤I多尺度空间构建以9X9的滤波器而言，高斯二阶导的大小定为3，其滤波器大小的1/3,即9X 1/3=3 ;滤波器尺寸可用size = 3+5s公式计算,其中s是σ的倍数；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)，Hessian 矩阵中采用近似的高斯核函数，即箱式滤波器Dxy，Dxy, Dyy,9X9的滤波器是对高斯核函数在 σ =1. 2处的近似；引入高斯核函数和高斯核函数的比例因子ω，Hessian矩阵的行列式变形为 det (Hqppm) = DxxDyy-(CoDxy)2, ω 取常量 O. 9 ；步骤3SURF特征描述子提取以极值点为中心选取半径为6s的圆形区域，计算哈尔小波在X和I方向上的响应值，记为hx，hy ;以O = 3s为加权因子对两个响应值高斯加权，记为Whx，Why ;对Whx, Why用直方图统计并将360°均分为72组，以极值点为中心的圆均分为6个区，统计各60°扇区内的Whx, Why，记为Σ Whx, Σ Why，同时计算该区的梯度值，梯度值最大区域所在的方向即为该极值点的主方向，以Σ Whx, Σ Why反正切计算出主方向度数，s 即极值点所在尺度；首先以极值点为中心选取20X20大小的区域，将区域的方向旋转到极值点的方向；将这个正方形区域分成4X4共16个子区域，每个子区域里有(20/4=5)5X5的像素，在每一个子区域分别计算每个像素点在哈尔小波X和y方向上的响应值；计算完所有的像素的响应值后，对所有的dx, dy,以极值点为中心进行高斯加权(σ =3. 35),分别记为dx, dy,然后求和，记为Σ dx, Σ dy ;并对dx, dy绝对值求和，记为Σ |dx |，Σ I dy I ,均存入特征向量并归一化，形成了一个四维的向量V = (Σ dx, Σ dy, Σ |dx |，Σ |dy|);对16个子区域分别求特征向量,形成一个16X4=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在Hessian矩阵迹计算完毕之后，对 Hessian矩阵主对角线之和，即trace (i) = Σ (dx+dy);在进行相似性度量的时候,首先判断Hessian矩阵的迹的符号，如果trace (i)是大于O的数，令描述子等于I，反之，令描述子等于-I ;若两个描述子的traCe(i)相同，可继续比较；反之，后面的描述子则不需要再比较；比较时需先分别计算实时图描述子diScriptorsensed和基准图描述子discriptor^f的64欧氏距离，即力'#-discriptorreff，计算最近邻匹配点distf和次近邻匹配点! =0dists,若 distf/distf ( I,则二者匹配；步骤5基于RANSAC的局部参数估计流程如下(I)随机选择N个样本；(2)根据抽取样本估计模型数；(3)用估计模型计算各匹配点对间的距离，将距离小于阈值的匹配点作为内点；(4)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；各参数计算关系为k = log (I-P)/log (I-(I- ε )s)，外点概率为ε，采样点对数为s，k次采样至少有一次全部是内点的概率为P。有益效果本专利技术提出的，能够适应低空无人机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。本专利技术用RANSAC算法求解基准图与实时图之间的变换参数。基于RANSAC的局部参数估计完成后，剔除外点后，解算出符合匹配要求的内点，即可得到实时图基于RANSAC 估计参数的变换结果以及实时图中心在基准图上的定位结果。附图说明图I :基于快速鲁棒特征的低空无人机视觉定位方法实现流程图具体实施方式现结合实施例、附图对本专利技术作进一步描述 I、，其内容包括以下步骤A、低空无人机航空序列图像的SURF特征点提取。B、低空无人机航空序列图像的SURF特征点匹配。2、本专利技术专利的低空无人机航空序列图像的快速鲁棒特征提取，其内容包括以下方面A、多尺度空间构建。对图像进行预处理时，用箱式滤波器对高斯核近似，利用箱式滤波器在计算卷积时的计算量与滤波器大小无关的性质，极大提高算法的计算速度。通过计算不同尺度的箱式滤波器建立了多尺度空间。B、快速Hessian矩阵检测。Hessian矩阵中用到的核函数是高斯核函数,这里为了快速计算，对高斯核函数的近似即箱式滤波器，采用9X9的滤波器近似高斯核函数 (σ =1. 2)。引入一个高斯核函数和高斯核函数的近似的比例因子ω，以保持计算精度。C、SURF特征描述子提取。为了提取极值点描述子，在极值点周围选取20X20大小的区域。首先以极值点为中心，将区域的方向旋转到极值点的方向。将这个正方形区域分成4X4共16个子区域，在每一个子区域分别计算每个像素点在哈尔小波X和I方向上的响应值。计算完所有的像素的响应值后，对所有的dx，dy,以极值点为中心进行高斯加权(σ=3. 35)，分别记为dx，dy，这样可以增加对光照变化和定位错误的鲁棒性。对每一个子区域内的小波响应值dx, dy,分别进行求和计算,记为Σ dx, Σ dy,将这两个和值存入描述子特征向量。为了描述在X和y方向上像素数值的改变情况，分别对每一个子区域上的dx，dy的绝对值进行求和计算，记为Σ dx|, Σ |dy|，所得结果也存入特征向量，将特征向量归一化，使得描述子具有光照、尺度不变性，这样就形成了一个四维的向量V = (Σ dx, Σ dy, Σ |dx I, Σ I dy |),对16个子区域分别求去特征向量,形成一个16 X 4=64 维的特征向量。3、本专利技术专利的低空本文档来自技高网...
【技术保护点】
一种基于快速鲁棒特征的低空无人机视觉定位方法，其特征在于步骤如下：步骤1多尺度空间构建：以9×9的滤波器而言，高斯二阶导的大小定为3，其滤波器大小的1/3，即9×1/3=3；滤波器尺寸可用size＝3+5s公式计算，其中s是σ的倍数；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)，Hessian矩阵中采用近似的高斯核函数，即箱式滤波器Dxx,Dxy,Dyy，9×9的滤波器是对高斯核函数在σ=1.2处的近似；引入高斯核函数和高斯核函数的比例因子ω，Hessian矩阵的行列式变形为det(Hopprox)＝DxxDyy？(ωDxy)2，ω取常量0.9；步骤3SURF特征描述子提取：以极值点为中心选取半径为6s的圆形区域，计算哈尔小波在x和y方向上的响应值，记为hx,hy；以σ＝3s为加权因子对两个响应值高斯加权，记为Whx,Why；对Whx,Why用直方图统计并将360°均分为72组，以极值点为中心的圆均分为6个区，统计各60°扇区内的Whx,Why，记为∑Whx,∑Why，同时计算该区的梯度值，梯度值最大区域所在的方向即为该极值点的主方向，以∑Whx,∑Why反正切计算出主方向度数，s即极值点所在尺度；首先以极值点为中心选取20×20大小的区域，将区域的方向旋转到极值点的方向；将这个正方形区域分成4×4共16个子区域，每个子区域里有(20/4=5)5×5的像素，在每一个子区域分别计算每个像素点在哈尔小波x和y方向上的响应值；计算完所有的像素的响应值后，对所有的dx，dy，以极值点为中心进行高斯加权(σ=3.35)，分别记为dx,dy，然后求和，记为∑dx,∑dy；并对dx，dy绝对值求和，记为∑|dx|,∑|dy|，均存入特征向量并归一化，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：在Hessian矩阵迹计算完毕之后，对 Hessian矩阵主对角线之和，即trace(i)＝∑(dx+dy)；在进行相似性度量的时候，首先判断Hessian矩阵的迹的符号，如果trace(i)是大于0的数，令描述子等于1，反之，令描述子等于？1；若两个描述子的trace(i)相同，可继续比较；反之，后面的描述子则不需要再比较；比较时需先分别计算实时图描述子discriptorsensed和基准图描述子discriptorref的欧氏距离，即计算最近邻匹配点distf和次近邻匹配点dists，若distf/distf≤1，则二者匹配；步骤5基于RANSAC的局部参数估计：流程如下：（1）随机选择N个样本；（2）根据抽取样本估计模型数；（3）用估计模型计算各匹配点对间的距离，将距离小于阈值的匹配点作为内点；（4）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；各参数计算关系为k＝log(1？P)/log(1？(1？ε)S)，外点概率为ε，采样点对数为s，k次采样至少有一次全部是内点的概率为P。FDA00002173567100021.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：李耀军，潘泉，赵春晖，杨峰，梁彦，程咏梅，
申请(专利权)人：西北工业大学，
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。