基于稳定分支特征点的图像匹配导航方法

摘要

本发明公开了一种基于稳定分支特征点的图像匹配导航方法，属于导航技术领域。获取参考图像和实测图像，分别提取边缘特征后进行边缘处理；提取处理后参考图像和实测图像中的稳定分支特征点、伪分支特征点分别存储在各自不同的集合中；分别对处理后参考图像和实测图像进行图像距离变换；对处理后参考图像和实测图像的各特征点分别赋予不同的加权系数，计算加权Hausdorff距离，将具有最小的加权Hausdorff距离值的匹配点作为最终匹配位置；根据最终匹配位置计算当前实测图像中心偏离参考图像中心的距离。本发明通过排除伪分支特征点的干扰，有效地提高图像匹配的精确性、快速性和鲁棒性，从而提高了导航精度。

说明书

技术领域

本发明涉及一种图像匹配导航方法，具体讲是一种基于稳定分支特征点的图像匹配导航方法，属于导航技术领域。

背景技术

图像匹配最早是美国在上世纪70年代从事飞行器辅助导航系统、武器投射系统的末制导等应用研究中提出的。经过几十年的发展，图像匹配技术已经成为现代信息处理领域中一项极为重要的技术，在自动导航、计算机视觉、图像三维重构、遥感图像处理等领域有着广泛而实际的应用。

在图像匹配导航系统中，图像匹配算法的精确性、快速性和鲁棒性对导航系统的效能具有很大影响，图像匹配导航系统用的基准数字地图一般是由光学传感器或卫星获取的，实时图像则由光学传感器或雷达拍摄获得，因此实时图像与基准数字地图之间的匹配从本质上来说是多传感器图像匹配。由于基准数字地图和实时图像是在不同时间、不同天气条件、不同观测角度下获取的，同时，由于成像传感器的性能差异，使得基准数字地图与实时图像之间不仅可能存在着严重的灰度差异和几何变形，而且，实时图像本身也存在着一定的噪声干扰。因此图像匹配算法不仅应该具备计算量小的特点，还必须要有良好的抗噪声干扰能力和抗几何形变能力，以适应复杂多变的应用环境。

分支特征点是一种具有稳定结构的点特征，与其他特征点相比，它具有较强的抵抗噪声干扰的能力，对图像旋转变换和灰度变化有良好的稳定性，因此分支特征点被给予了很大期望，通过给分支特征点赋较大的权值来提高它的影响力，从而达到增强算法的鲁棒性和稳定性的目的。

2007年7月，自动化学报第33卷第7期678-682页，作者为冷雪飞、刘建业、熊智的基于分支特征点的导航用实时图像匹配算法文献中将分支特征点引入到图像匹配算法中，对其赋予较大的权值，使算法具有良好的鲁棒性。2007年10月，中国惯性技术学报第15卷第5期564-567、614页，作者为李明星、熊智、刘建业的景象匹配/惯性组合导航航迹规划及组合修正算法研究文献中在航迹规划过程中也引入分支特征点，提高了图像匹配的成功率，实现了景象匹配导航系统的航迹规划。但是，上述两个文献对所有分支特征点都赋予较大的权值，并没有排除伪分支特征点的影响，这对图像匹配算法的精确性存在一定的影响，影响导航的精确度。

发明内容

本发明所要解决的技术问题在于克服现有技术缺陷，提供一种能有效排除伪分支特征点以提高导航精度的基于稳定分支特征点的图像匹配导航方法

为了解决上述技术问题，本发明提供的基于稳定分支特征点的图像匹配导航方法，包括以下步骤：

1)、获取参考图像和实测图像；

2)、分别提取参考图像和实测图像的边缘特征，得到参考图像的边缘二值特征图像和实测图像的边缘二值特征图像并进行边缘去噪、细化处理；

3)、分别对步骤2)处理后的参考图像的边缘二值特征图像和实测图像的边缘二值特征图像提取分支特征点，判断区分各图中的稳定分支特征点和伪分支特征点，并将参考图像的边缘二值特征图像和实测图像的边缘二值特征图像中的稳定分支特征点、伪分支特征点分别存储在各自不同的集合中；所述参考图像的边缘二值特征图像和实测图像的边缘二值特征图像中特征点包括稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点；

4)、分别对步骤2)处理后的参考图像的边缘二值特征图像和实测图像的边缘二值特征图像分别采用3—4DT算法进行图像距离变换，分别得到参考图像的距离变换图像和实测图像的距离变换图像；

5)、按从上到下，从左到右顺序遍历搜索参考图像区域，利用参考图像的距离变换图像和实测图像的距离变换图像、参考图像和变换图像的稳定分支特征点集、参考图像和变换图像的伪分支特征点集，对步骤2)处理后的参考图像的边缘二值特征图像和实测图像的边缘二值特征图像中的稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点分别赋予不同的加权系数，计算加权Hausdorff距离，将具有最小的加权Hausdorff距离值的匹配点作为最终匹配位置；

6)、根据最终匹配位置计算当前实测图像中心偏离参考图像中心的距离，形成控制指令对惯性导航系统进行误差修正。

本发明中，所述步骤3)中判断区分伪分支特征点和稳定分支特征点过程为：若处理后的边缘二值特征图像中提取的分支特征点在特征模板对应位置取值为0时，则认为该分支特征点为稳定分支特征点；反之，若处理后的边缘二值特征图像中提取的分支特征点在特征模板对应位置取值为1时，则认为该分支特征点是伪分支特征点。

本发明中，所述步骤3)中稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点的加权系数确定步骤为：

分别提取步骤2)中经过处理的参考图像的边缘二值特征图像和实测图像的边缘二值特征图像的所有特征点到集合A和B中，其中特征点集合分别为集合A＝{a₁,a₂,…,a_m}和集合B＝{b₁,b₂,…,b_n}，加权Hausdorff距离定义为：

H_WHD(A,B)＝max(h_WHD(A,B),h_WHD(B,A))   (5)

其中，为集合A到集合B的加权Hausdorff距离，表示集合B中一个点b_i到点a_u的最小距离，1≤u≤m，1≤i≤n，N_A表示特征点集合A中点的总数，w(a_u)是d(a_u,B)的权系数；为集合B到集合A的加权Hausdorff距离，表示集合A中一个点a_j到点b_v的最小距离，1≤v≤n，1≤j≤m，N_B表示集合B中点的总数，w(b_v)是d(b_v,A)的权系数；

特征点集A不同类别的特征点的权系数满足如下条件：

$>\underset{a_u\in A}{\Sigma }w\left(a_u\right)=N_A---\left(6\right)$>

假设特征点集A中稳定分支特征点的权系数为w(f₁)、伪分支特征点的权系数为w(f₂)、欲排除的特征点的权系数为w(e₁)、一般特征点的权系数为w(c₁)，稳定分支特征点的个数为N_A1、伪分支特征点的个数为N_A2、欲排除的特征点的个数为N_eA、一般特征点的个数为N_cA，则：

N_A1+N_A2+N_eA+N_cA＝N_A   (7)

N_eA＝N_A-k＝N_A×(1-f)   (8)

式(6)展开为：

N_eA×w(e₁)+N_cA×w(c₁)+N_A2×w(f₂)+N_A1×w(f₁)＝N_A   (9)

确定点集A中欲排除的特征点权系数为w(e₁)＝0，一般特征点权系数为w(c₁)＝1，伪分支特征点的权系数取值为w(f₂)＝0，则集合A的稳定分支特征点的加权系数为：

$>w\left(f_1\right)=\frac{N_{\mathrm{eA}}+N_{A2}}{N_{A1}}+1---\left(10\right)$>

特征点集B不同类别的特征点的权系数满足如下条件：

$>\underset{b\in B}{\Sigma }w\left(b\right)=N_B---\left(11\right)$>

假设点集B中稳定分支特征点w(g₁)、伪分支特征点为w(g₂)、欲排除的特征点为w(e₂)、一般特征点的权系数为w(c₂)，稳定分支特征点的个数分别为N_B1、伪分支特征点的个数为N_B2、欲排除的特征点的个数为N_eB，一般特征点的个数为N_cB；特征点集B中伪分支特征点、欲排除的特征点、一般特征点的权系数取值与特征点集A中一致，则集合B的稳定分支特征点的加权系数为：

$>w\left(g_1\right)=\frac{N_{\mathrm{eB}}+N_{B2}}{N_{B1}}+1---\left(12\right).$>

本发明的有益效果在于：针对提取细化后的边缘二值特征图像和实测图像中的分支特征点，利用伪分支特征点的概念和排除方法对伪分支特征点进行提取确定，使得最终计算得到的稳定分支特征点不受伪分支特征点的影响，为后续图像匹配算法提供了稳定的特征点；通过对细化后的边缘二值特征图像和实测图像中的四类特征点对图像匹配算法的贡献大小分别赋予不同的权值，推导了稳定分支特征点的权值计算公式，并重新定义了加权Hausdorff距离，利用稳定分支特征点进行加权Hausdorff距离图像匹配计算，排除了伪分支特征点的干扰，有效地提高图像匹配的精确性、快速性和鲁棒性，从而提高了导航精度。

附图说明

图1是惯性+图像匹配组合导航系统原理示意图；

图2是中心象素点为P的3×3模板示意图；

图3是分支特征点示意图；

图4是两种分支点3×3邻域象素特征模板；

图5是填充过程引入的伪分支特征点示意图；

图6是本发明图像匹配导航流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

惯性导航系统具有很强的自主性、抗干扰能力和连续导航的优点，是飞行器的主要导航方式，但是随着导航时间的增加，惯性导航器件会产生累积误差，导致导航精度降低。图像匹配导航系统具有较高的抗干扰能力、较强的自主性和较高的导航精度等优点，但是对匹配区域图像的特征有较高要求，不利于飞行器连续导航，因此，以惯性导航系统为主，以图像匹配导航系统为辅形成的惯性+图像匹配组合导航系统能克服各自导航的缺点，又利用了各自的优点，是目前组合导航系统研究的热点。

如图1所示，惯性+图像匹配组合导航系统的工作原理为：在飞行器飞行之前，首先要确定飞行路线，针对要飞经区域的数字地图数据库制定合适的飞行路线，并把用到的数字地图数据库输入到飞行器机载数据库，作为图像匹配用的基准图；然后在飞行过程中，由于惯导系统的误差累计，实际的航行路线将偏离预定飞行路线，当飞行器航行到某个预定匹配位置，飞行器根据惯性导航系统的实时位置信息，以及惯性导航系统的误差来决定选用一定大小区域的数字地图作为参考图，并利用飞行器装载的图像传感器拍摄得到实时的地面图像，将实时图像和参考图像进行匹配，得到最佳匹配点，从而得到当前实测图像中心偏离参考图像中心的距离，作为图像匹配导航系统的输出，形成控制指令对惯性导航系统进行误差修正，从而消除惯导系统的误差累积，实现飞行器自主精确导航。

如图6所示，本实施例中基于稳定分支特征点的图像匹配导航方法，包括下列步骤：

步骤1：当飞行器飞经预定匹配位置时，根据飞行器装备的惯性导航系统提供的飞行器当前位置信息以及惯性导航系统的累积误差信息，从飞行器中预先存储的数字地图数据库中选取一定大小的区域作为图像匹配导航系统用的参考图像A₀。

步骤2：利用飞行器装备的成像传感器获取当前位置处的地面图像，对成像传感器获取的图像进行滤波、去噪等预处理操作，将预处理后的图像作为图像匹配导航系统用的实测图像B₀。

步骤3：提取参考图像A₀的边缘特征，得到参考图像的边缘二值特征图像EDGE_A₀；提取实测图像B₀的边缘特征，得到实测图像的边缘二值特征图像EDGE_B₀。

步骤4：分别对边缘二值特征图像EDGE_A₀和EDGE_B₀进行边缘去噪、细化等预处理，得到预处理后的边缘二值特征图像EDGE_A₂和EDGE_B₂。对预处理后的边缘二值特征图像EDGE_A₂和EDGE_B₂提取分支特征点，并判别出伪分支特征点，去除伪分支特征点后剩下的分支特征点均为稳定分支特征点，将稳定分支特征点分别存储在集合POINT_A₀和POINT_B₀中，将提取的伪分支特征点分别存储在集合POINT_A₁和POINT_B₁中，其具体过程如下：

4.1去噪：由于步骤3提取的边缘特征图像的边缘轮廓中仍然存在着孔洞、毛刺以及孤立值为1的特征点象素。消除边缘轮廓上的孔洞、毛刺或孤立值为1的特征点象素的过程称为图像边缘去噪。去噪过程包括删除特征点和填充特征点：

删除特征点：若象素点P＝1，即象素点P为特征点，取以P为中心的3×3模板，如图2所示，计算标志位：

flag1＝(P₁+P₂+P₃)(P₅+P₆+P₇)+(P₃+P₄+P₅)(P₇+P₈+P₁)   (1)

如果flag1＝0，则设置象素点P＝0，删除了边缘轮廓上的毛刺和孤立值为1的象素。

填充特征点：若象素点P＝0，即象素点P不是特征点，取以P为中心的3×3模板，如图2所示，计算标志位：

flag2＝P₁+P₃+P₅+P₇   (2)

如果flag2≥3，则设置象素点P＝1，填补了边缘轮廓上的孔洞。

对边缘二值特征图像EDGE_A₀进行边缘去噪处理时，取一与边缘二值特征图像EDGE_A₀大小相同的数组TMP_A，设置数组TMP_A中所有象素值为0；当边缘二值特征图像EDGE_A₀进行填充特征点操作时，设置数组TMP_A中与边缘二值特征图像EDGE_A₀中填充的象素点相同位置的象素值为1，去噪后的边缘二值特征图像为EDGE_A₁。同理，对边缘二值特征图像EDGE_B₀进行边缘去噪处理时，取一与边缘二值特征图像EDGE_B₀大小相同的数组TMP_B，设置数组TMP_B中所有象素值为0；当边缘二值特征图像EDGE_B₀进行填充特征点操作时，设置数组TMP_B中与边缘二值特征图像EDGE_B₀中填充的象素点相同位置的象素值为1，去噪后的边缘二值特征图像为EDGE_B₁。

4.2细化：去噪后的边缘二值特征图像EDGE_A₁和EDGE_B₁还需要进行边缘细化操作，将边缘二值特征图像EDGE_A₁和EDGE_B₁中边缘轮廓的每条纹线都变成单象素宽的点线。边缘细化算法步骤为：

第一次扫描：

(1)从左到右，从上到下顺序扫描整幅图像，计算当前象素点P的3×3邻域象素点值，如图2所示；

(2)若满足以下条件则将P＝1的象素点进行标记：

I.N_S＝1(保证连通性)并且2≤N_R≤6；

II.P₁×P₃×P₇＝0且P₁×P₅×P₇＝0；

III.当P₃或P₅已标记，若视P₃、P₅为零，仍满足N_S＝1。

第二次扫描：

(1)从左到右，从上到下顺序扫描整幅图像，计算当前象素点P的3×3邻域象素点值，参阅图2所示；

(2)若满足以下条件则将P＝1的象素点进行标记：

I.N_S＝1(保证连通性)并且2≤N_R≤6；

II.P₁×P₃×P₅＝0且P₃×P₅×P₇＝0；

III.当P₁或P₇已标记，若视P₁、P₇为零，仍满足N_S＝1。

其中N_R＝P₁+P₂+P₃+P₄+P₅+P₆+P₇+P₈，N_S为序列P₁P₂P₃P₄P₅P₆P₇P₈P₁中0值变1值的次数。当扫描完整幅图像后，去掉了标记的象素，重复第一、二次扫描，直至得到单位宽度的边缘轮廓。EDGE_A₁和EDGE_B₁经细化操作后，分别得到细化后的边缘二值特征图像EDGE_A₂和EDGE_B₂。

4.3提取稳定分支特征点：细化后的边缘特征二值图像EDGE_A₂和EDGE_B₂中存在分支特征点，如图3所示。分支特征点是一种细节特征点，在细化后图像上拥有三个或三个以上的邻域点。在细化后的边缘特征二值图像EDGE_A₂和EDGE_B₂中，若特征点的3×3邻域象素满足图4所示中的一种特征模板或其90°、180°、270°转动后一种特征模板，则可以判断该特征点为分支特征点。此外，一种简单的分支特征点判别方法为，分支特征点3×3邻域的象素值从0变到1或从1变到0的次数T_c为6，判断分支特征点公式如下：

$>T_c=\underset{i=1}{\overset{8}{\Sigma }}|P_i-P_{i+1}|=6---\left(3\right)$>

其中P_i的取值为0或1，当i＝8时出现P₉，P₉＝P₁，P₁～P₈的定义，如图2所示。

在步骤4.1中，对边缘二值特征图像EDGE_A₀和EDGE_B₀进行去噪过程中进行了填充操作，这一操作必然引入了一些特征点，这些特征点中的某些点将会改变分支特征点的位置，如图5(a)中所示，图5(a)黑色栅格为填充前的分支特征点位置，经过填充后的边缘图像为图5(b)，黑色栅格为填充后的分支特征点位置，分支特征点位置发生了变化，而分支特征点的这种变化完全是由填充的点引入的，因此，本发明将在填补过程中引入的且改变了原有的分支特征点位置的特征点定义为伪分支特征点，需要将伪分支特征点判别出来。

利用分支特征点判别公式(3)，对细化后的边缘二值特征图像EDGE_A₂提取分支特征点，若边缘二值特征图像EDGE_A₂中提取的分支特征点在数组TMP_A对应位置取值为0时，则认为该分支特征点为稳定分支特征点，将其存储到集合POINT_A₀中，反之，边缘二值特征图像EDGE_A₂中提取的分支特征点在数组TMP_A对应位置取值为1时，则认为该分支特征点是伪分支特征点，将其存储到集合POINT_A₁中。

同理，利用分支特征点判别公式(3)，对细化后的边缘二值特征图像EDGE_B₂提取分支特征点，若边缘二值特征图像EDGE_B₂提取的分支特征点在数组TMP_B中对应位置取值为0时，则认为该分支特征点为稳定分支特征点，将其存储到集合POINT_B₀中，反之，边缘二值特征图像EDGE_B₂提取的分支特征点在数组TMP_B中对应位置取值为1时，则认为该分支特征点是伪分支特征点，将其存储到集合POINT_B₁中。

步骤5：对细化后的参考图边缘二值特征图像EDGE_A₂和实测图边缘二值特征图像EDGE_B₂分别采用3—4DT算法进行图像距离变换，分别得到距离变换图像DIS_A和DIS_B。

3—4DT距离变换算法的具体过程如下：

5.1将边缘二值特征图像中的特征点的距离变换值设为零，非特征点的距离变换值设为无穷大；

5.2设定一个退出循环标志符flag3＝1；

5.3按照从上到下，从左到右的顺序依次计算图像的每一个象素对应的距离值，第i行第j列的象素点的距离变换公式为：

$>V_{i,j}^k=\min \left(\begin{array}{ccc}{V}_{i-1,j-1}^{k-1}+4& V_{i,j-1}^{k-1}+3& V_{i+1,j-1}^{k-1}+4\\ V_{i-1,j}^{k-1}+3& V_{i,j}^{k-1}& V_{i+1,j}^{k+1}+3\\ V_{i-1,j+1}^{k-1}+4& V_{i,j+1}^{k-1}+3& V_{i+1,j+1}^{k-1}+4\end{array}\right)---\left(4\right)$>

其中，表示前一次计算得到的位置为(i,j)处的距离值，表示当前次计算得到的位置为(i,j)处的距离值。若设置flag3＝0；

5.4当前次循环计算结束，图像中的每一个象素对应的距离值都得到了一次计算和更新，若满足标志符flag3＝1，则退出循环，反之，若标志符flag3＝0，则返回到步骤5.2，进行下一次计算，直到距离变换值不再发生变化为止。

步骤6：按从上到下，从左到右顺序遍历搜索参考图像区域，利用距离变换图像DIS_A和DIS_B，稳定分支特征点集POINT_A₀和POINT_B₀，伪分支特征点集POINT_A₁和POINT_B₁，根据不同特征点对图像匹配算法的贡献大小分别赋予不同的权值，进行加权Hausdorff距离计算，将具有最小的加权Hausdorff距离值的匹配点作为最终匹配位置。

细化后的边缘二值特征图像EDGE_A₂和EDGE_B₂中特征点可以分为四类：稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点。

与其他特征点相比，稳定分支特征点具有较强的抵抗噪声干扰的能力，对图像旋转变换和灰度变化有良好的稳定性，因此稳定分支特征点被给予了很大期望，通过给稳定分支特征点赋较大的权值来提高它的影响力，从而达到增强图像匹配算法的鲁棒性和稳定性的目的；伪分支特征点是在填补边缘轮廓上的孔洞的过程中人为引入的一些特征点，这些特征点改变了原有分支特征点的位置。为了降低伪分支特征点的影响力，其权系数取值较小；欲排除的特征点是那些噪声点、外部点和漏检点，这些点对Hausdorff距离的影响非常大。为了消除噪声点、外部点和漏检点对Hausdorff稳定性的影响，应尽量排除它们，则其权系数取值应足够小，在实际应用中，欲排除的特征点的权系数取值为0；一般特征点是除去上述三类特征点外剩下的特征点，其对图像匹配算法的影响力介于稳定分支特征点和欲排除的特征点之间，相应的，其权系数取值范围也在稳定分支特征点和欲排除的特征点所取权系数之间，为了便于计算，一般特征点的权系数取值为1。

根据上述四类特征点的特性，本实施例对原有的加权Hausdorff距离算法进行改进，重新定义了加权Hausdorff距离算法，将预处理后的边缘二值特征图像EDGE_A₂和EDGE_B₂中的所有特征点提取到特征点集合A和B中，其中特征点集合分别为集合A＝{a₁,a₂,…,a_m}和集合B＝{b₁,b₂,…,b_n}，加权Hausdorff距离定义为：

H_WHD(A,B)＝max(h_WHD(A,B),h_WHD(B,A))   (5)

其中$>h_{\mathrm{WHD}}(A,B)=\frac{1}{N_A}\underset{a_u\in A}{\Sigma }w\left(a_u\right)·d(a_u,B)$>称为集合A到集合B的加权Hausdorff距离，表示集合B中一个点b_i到点a_u的最小距离，1≤u≤m，1≤i≤n；

称为集合B到集合A的加权Hausdorff距离，表示集合A中一个点a_j到点b_v的最小距离，1≤v≤n，1≤j≤m。

N_A表示特征点集合A中点的总数，w(a_u)是d(a_u,B)的权系数，不同类别的特征点具有不同的权系数，且满足条件：

$>\underset{a_u\in A}{\Sigma }w\left(a_u\right)=N_A---\left(6\right)$>

根据部分Hausdorff距离算法用点集A的一部分与点集B匹配的思想，将点集A中到点集B的距离值较大的点认为是噪声点、外部点或漏检点，这些点不应被纳入计算范围，具体做法是设定特征点个数k＝f×N_A，0＜f＜1，将点集A中的所有点到点集B的距离值按从小到大顺序进行排序，并取排序后的前k个距离值，这样就将距离值较大的N_A-k个点排除了，从而消除了噪声点、外部点或漏检点的影响。假设特征点集A中稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点的加权系数分别w(f₁)，w(f₂)，w(e₁)，w(c₁)，个数分别为N_A1，N_A2，N_eA，N_cA，根据以上分析，可得到如下关系：

N_A1+N_A2+N_eA+N_cA＝N_A   (7)

N_eA＝N_A-k＝N_A×(1-f)   (8)

公式(6)可具体展开为：

N_eA×w(e₁)+N_cA×w(c₁)+N_A2×w(f₂)+N_A1×w(f₁)＝N_A   (9)

根据特征点对Hausdorff距离的贡献大小赋予不同大小的权系数，能直接确定点集A中欲排除的特征点权系数为w(e₁)＝0，一般特征点权系数为w(c₁)＝1，降低伪分支特征点的影响力，其权系数取值较小，本发明中将伪分支特征点的权系数取值为w(f₂)＝0，因此方程式(9)可以简化成：

$>w\left(f_1\right)=\frac{N_{\mathrm{eA}}+N_{A2}}{N_{A1}}+1---\left(10\right)$>

公式(10)即为点集A中稳定分支特征点的权系数求解方程。

同理，N_B表示集合B中点的总数，w(b_v)是距离的权系数，加权系数满足如下条件：

$>\underset{b\in B}{\Sigma }w\left(b\right)=N_B---\left(11\right)$>

假设点集B中稳定分支特征点、伪分支特征点、欲排除的特征点和一般特征点的权系数分别w(g₁)，w(g₂)，w(e₂)，w(c₂)，个数分别为N_B1，N_B2，N_eB，N_cB。相似的，点集B中伪分支特征点、欲排除的特征点和一般特征点的权系数取值与点集A中取值一致，那么集合B中稳定分支特征点的加权系数计算公式为：

$>w\left(g_1\right)=\frac{N_{\mathrm{eB}}+N_{B2}}{N_{B1}}+1---\left(12\right)$>

综上所述，加权Hausdorff距离算法计算的具体过程为：

6.1设定初始Hausdorff距离值为nMinHausdorffDistance＝10000，设定初始匹配位置的横坐标为Match_x＝0，纵坐标为Match_y＝0，设定匹配阈值τ；

6.2按从上到下，从左到右顺序搜索参考图像区域，在当前匹配位置(x,y)处，从细化后的边缘二值特征图像EDGE_A₂中取与EDGE_B₂大小相同的一部分EDGE_A₂_PART，统计EDGE_A₂_PART中特征点总数。从距离变换图像DIS_A中取与DIS_B大小相同的一部分DIS_A_PART；

6.3根据当前匹配位置(x,y)以及EDGE_A₂_PART的大小，从稳定分支特征点集合POINT_A₀中找到包含在EDGE_A₂_PART中的稳定分支特征点，并将这些稳定分支特征点存入临时集合POINT_A₀_PART中。从伪分支特征点集合POINT_A₁中找到包含在EDGE_A₂_PART中的伪分支特征点，并将这些伪分支特征点存入临时集合POINT_A₁_PART中；

6.4结合EDGE_A₂_PART与EDGE_B₂，DIS_A_PART与DIS_B，POINT_A₀_PART与POINT_B₀，POINT_A₁_PART与POINT_B₁，利用公式(10)和公式(12)计算稳定分支特征点的加权系数，利用公式(5)计算当前匹配位置(x,y)处EDGE_A₂_PART与EDGE_B₂的Hausdorff距离值，将距离值保存在临时变量nTmpHausdorffDistance中，若nTmpHausdorffDistance＜nMinHausdorffDistance，则更新Match_x＝x，Match_y＝y，若nMinHausdorffDistance＝nTmpHausdorffDistance，匹配位置移向下一处；

6.5若未搜索完参考图像，则返回步骤6.2，进行下一次加权Hausdorff距离计算。反之，则进入下一步；

6.6若nMinHausdorffDistance≤τ，则匹配成功，将(Match_x,Match_y)作为最终匹配位置；反之，则认为图像匹配失败。

步骤7：根据最终匹配位置计算当前实测图像中心偏离参考图像中心的距离，形成控制指令对惯性导航系统进行误差修正，实现飞行器自主精确导航。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。