一种基于点特征的动态线特征描述匹配与追踪方法

摘要

本发明属于计算机视觉特征识别技术领域，具体涉及一种基于点特征的动态线特征描述匹配与追踪方法。实现地面无人平台行驶时，由于动态线特征位置、角度等信息时时变化，传统的静态线特征识别方法不能满足视觉定位对线特征准确匹配、追踪的需求。本发明提出一种基于点特征的动态线特征描述匹配与追踪方法，利用SURF点特征和LSD线特征设计动态线特征描述子，并通过粗匹配、精匹配两步实现动态线特征的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

说明书

技术领域

本发明属于计算机视觉特征识别技术领域，具体涉及一种基于点特征的动态线特征描述匹配与追踪方法。

背景技术

近年来，随着人工智能的兴起，地面无人平台的无人驾驶技术成为研究的热点。即时定位与地图构建(Simultaneous Localization and Mapping，SLAM)是实现无人驾驶的核心技术之一。图像特征提取及模式识别方面的研究越来越多，给视觉SLAM带来巨大的发展机遇。在视觉图像纹理特征弱的环境中，基于点特征的视觉SLAM的稳定性能方面大打折扣。

基于上述问题，在视觉图像中提取更丰富的结构特征——线特征，与点特征相比，特别是在人造的结构化场景中，视觉图像中的线特征尤为明显，可以对点特征进行补充，进而提高基于视觉的SLAM系统的鲁棒性和准确性。但仍存在以下不足：

1、一般的用点特征匹配结果对线特征匹配结果进行补充的方法中，点特征、线特征的识别与匹配并没有有机融合；

2、通用的基于线特征匹配是基于线特征本身的几何形状实现的方法，线特征识别的误差对匹配准确性有一定影响。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提供一种基于点特征的动态线特征描述匹配与追踪方法，通过动态线特征的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

(二)技术方案

为解决上述技术问题，本发明提供一种基于点特征的动态线特征描述匹配与追踪方法，所述方法包括：

步骤1：首先采用LSD方法进行线特征检测，采用SURF算法进行点特征检测；

步骤2：用选取的点、线特征构成一种基于点特征、线特征的动态线特征描述；

步骤3：进行基于点特征的动态线特征粗匹配和基于点线特征的动态线特征精匹配；

步骤4：在动态环境下实现动态线特征的追踪，从而提取出到连续的线特征信息；最终用于地面无人平台的视觉定位与建图。

其中，所述步骤1中，包括基于LSD方法的线特征检测和基于SURFF算法的点特征检测。

其中，所述步骤1中的基于SURFF算法的点特征检测过程，包括：

步骤11：尺度空间的极值检测：搜索所有尺度空间上的图像，通过Hessian来识别潜在的对尺度和选择不变的兴趣点；

步骤12：特征点过滤并进行精确定位；

步骤13：特征方向赋值：统计特征点圆形邻域内的Harr小波特征；

步骤14：特征点描述：沿着特征点主方向周围的邻域内，取4×44×4个矩形小区域，统计每个小区域的Hear特征，然后每个区域得到一个4维的特征向量；一个特征点共有64维的特征向量作为SURF特征的描述子。

其中，所述步骤1中的基于LSD方法的线特征检测过程包括：

步骤15：高斯滤波：对输入的灰度图像进行高斯滤波；

步骤16：梯度计算与排序：利用每个像素点的右下四个像素进行梯度计算，依据计算的梯度幅值进行排序，选择梯度幅值大的作为线段检测的种子点；

步骤17：线段支持域更新增长：由大量像素点构成的线段支持域区域可以通过区域内像素点梯度方向获得一个线段支持域梯度方向；

步骤18：直线特征：将线段支持域区域进行矩形近似计算，利用矩形估计和错误报警数计算得到线段特征。将局部有相同角度极值邻域的像素集合起来，在图像坐标中给出该集合的边，进而得到直线特征的中点，与角度极值组成线特征描述。

其中，所述步骤2中，用选取的点、线特征构成一种基于点特征、线特征的动态线特征描述。

其中，所述步骤2具体包括：

基于SRUF点特征与LSD线特征的动态线特征描述；在单张图像中，动态线特征的描述包括LSD线特征和SURF点特征两部分；完成对图像的LSD线特征检测和SURF点特征检测之后，用SURF点特征按照动态线特征描述的方法对LSD线特征进行标记，实现动态线特征的描述；

假设图像中的像素集合为P

S

设SURF点特征与LSD线特征的距离为D，用D≤d的SURF点特征标记LSD线特征L，则用于标记线特征的SURF点特征描述的集合为：

S

则被SURF点特征标记的LSD线特征可以用来描述动态情况下的线特征，即动态线特征的描述为L

其中，所述步骤3中，进行动态线特征匹配，利用SURF点特征的旋转不变性、尺度不变性、亮度不变性的特点，实现地面无人平台机动状态下的动态线特征匹配；匹配过程包括两部分：粗匹配和精匹配。

其中，所述步骤3中，包括：

步骤31：粗匹配；

粗匹配是通过相邻帧图像S

其中，所述步骤31中，

其中，所述步骤3还包括：

步骤32：精匹配；

图像像素点p的坐标为(u,v)，极坐标下线特征L

引入配准率参数v(p

式中：

对于p

f＝αD(p

式中：α为比例参数，0≤α<1；

在动态情况下匹配线特征的过程中，若出现同一点特征标记多个动态线特征的情况，优先选择f值高的匹配结果，即v(p

(三)有益效果

针对上述现有技术的问题，本发明采用基于点特征的动态线特征描述匹配与追踪方法，通过动态线特征的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

与现有技术相比较，本发明方法利用SURF点特征和LSD线特征设计动态线特征描述子，并通过粗匹配、精匹配两步实现动态线特征的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

附图说明

图1为基于点特征的动态线特征描述匹配与追踪流程框图

图2为基于SRUF点特征与LSD线特征的动态线特征描述子示意图

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

为解决上述技术问题，本发明提供了基于点特征的动态线特征描述匹配与追踪方法。实现地面无人平台行驶时，由于动态线特征位置、角度时时变化，传统的静态线特征识别方法不能满足视觉定位对线特征准确匹配、追踪的需求，提出一种基于点特征的动态线特征描述匹配与追踪方法，利用SURF点特征和LSD线特征设计动态线特征描述子，并通过粗匹配、精匹配两步实现动态线特征的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

为解决上述技术问题，本发明提供一种基于点特征的动态线特征描述匹配与追踪方法，所述方法包括：

步骤1：首先采用LSD方法进行线特征检测，采用SURF算法进行点特征检测；

步骤2：用选取的点、线特征构成一种基于点特征、线特征的动态线特征描述；

步骤3：进行基于点特征的动态线特征粗匹配和基于点线特征的动态线特征精匹配；

步骤4：在动态环境下实现动态线特征的追踪，从而提取出到连续的线特征信息；最终用于地面无人平台的视觉定位与建图。

其中，所述步骤1中，包括基于LSD方法的线特征检测和基于SURFF算法的点特征检测。

其中，所述步骤1中的基于SURFF算法的点特征检测过程，包括：

步骤11：尺度空间的极值检测：搜索所有尺度空间上的图像，通过Hessian来识别潜在的对尺度和选择不变的兴趣点；

步骤12：特征点过滤并进行精确定位；

步骤13：特征方向赋值：统计特征点圆形邻域内的Harr小波特征；

步骤14：特征点描述：沿着特征点主方向周围的邻域内，取4×44×4个矩形小区域，统计每个小区域的Hear特征，然后每个区域得到一个4维的特征向量；一个特征点共有64维的特征向量作为SURF特征的描述子。

其中，所述步骤1中的基于LSD方法的线特征检测过程包括：

步骤15：高斯滤波：对输入的灰度图像进行高斯滤波；

步骤16：梯度计算与排序：利用每个像素点的右下四个像素进行梯度计算，依据计算的梯度幅值进行排序，选择梯度幅值大的作为线段检测的种子点；

步骤17：线段支持域更新增长：由大量像素点构成的线段支持域区域可以通过区域内像素点梯度方向获得一个线段支持域梯度方向；

步骤18：直线特征：将线段支持域区域进行矩形近似计算，利用矩形估计和错误报警数计算得到线段特征。将局部有相同角度极值邻域的像素集合起来，在图像坐标中给出该集合的边，进而得到直线特征的中点，与角度极值组成线特征描述。

其中，所述步骤2中，用选取的点、线特征构成一种基于点特征、线特征的动态线特征描述。

其中，所述步骤2具体包括：

如图2所示，进行基于SRUF点特征与LSD线特征的动态线特征描述；在单张图像中，动态线特征的描述包括LSD线特征和SURF点特征两部分；完成对图像的LSD线特征检测和SURF点特征检测之后，用SURF点特征按照动态线特征描述的方法对LSD线特征进行标记，实现动态线特征的描述；

假设图像中的像素集合为P

S

设SURF点特征与LSD线特征的距离为D，用D≤d的SURF点特征(即包含于S

S

则被SURF点特征标记的LSD线特征可以用来描述动态情况下的线特征，即动态线特征的描述为图2所示的L

其中，所述步骤3中，进行动态线特征匹配，利用SURF点特征的旋转不变性、尺度不变性、亮度不变性的特点，实现地面无人平台机动状态下的动态线特征匹配；匹配过程包括两部分：粗匹配和精匹配。

其中，所述步骤3中，包括：

步骤31：粗匹配；

粗匹配是通过相邻帧图像S

其中，所述步骤31中，

其中，所述步骤3还包括：

步骤32：精匹配；

图像像素点p的坐标为(u,v)，极坐标下线特征L

引入配准率参数v(p

式中：

对于p

f＝αD(p

式中：α为比例参数，0≤α<1；

在动态情况下匹配线特征的过程中，若出现同一点特征标记多个动态线特征的情况，优先选择f值高的匹配结果，即v(p

实施例1

本实施例所提供的的方法包括：

步骤1：利用SURF点特征和LSD线特征设计动态线特征描述子；

步骤2：通过粗匹配、精匹配两步实现动态线特征描述子的匹配、追踪，从而获取动态情况下连续的线特征信息，可用于地面无人平台的视觉定位与建图。

所述步骤1中，如图2所示，的基于SRUF点特征与LSD线特征的动态线特征描述子：基于SRUF点特征(1)与LSD线特征(3)的动态线特征描述。在单张图像(6)中，动态线特征的描述包括LSD线特征(3)和SURF点特征(1)两部分。完成对图像的LSD线特征(3)检测和SURF点特征(1)检测之后，用SURF点特征(1)按照动态线特征描述的方法对LSD线特征(3)进行标记，实现动态线特征的描述。

假设图像(6)中的像素集合为P

S

设SURF点特征(1)与LSD线特征(3)的距离为D(2)，用D≤d的SURF点特征(即包含于S

S

则被SURF点特征(1)标记的LSD线特征(3)可以用来描述动态情况下的线特征，即动态线特征的描述为图2所示的L

基于点特征的动态线特征描述的粗匹配与精匹配：

粗匹配：通过相邻帧图像S

精匹配：图像像素点p的坐标为(u,v)，极坐标下线特征L

引入配准率参数v(p

式中：

对于p

f＝αD(p

式中：α为比例参数，0≤α<1。

在动态情况下匹配线特征的过程中，若出现同一点特征标记多个动态线特征的情况，优先选择f值高的匹配结果，即v(p

实施例2

本实施例流程如图1所示。首先采用LSD方法进行线特征检测(1-1)，采用SURF算法进行点特征检测(1-2)；然后，用选取的点、线特征构成一种基于点特征、线特征的动态线特征描述(1-3)；进而提出一种基于点特征的动态线特征粗匹配和基于点线特征的动态线特征精匹配(1-4)，保证在动态环境下能实现动态线特征的追踪(1-5)，从而提取出到连续的线特征信息(1-6)；最终可用于地面无人平台的视觉定位与建图。

基于点特征的动态线特征描述匹配与追踪方法主要包括以下步骤：

步骤1基LSD线特征于(1-1)和SURF点特征(1-2)检测

步骤1.1SURF特征(1-2)检测的步骤：

(1)尺度空间的极值检测：搜索所有尺度空间上的图像，通过Hessian来识别潜在的对尺度和选择不变的兴趣点；

(2)特征点过滤并进行精确定位；

(3)特征方向赋值：统计特征点圆形邻域内的Harr小波特征；

(4)特征点描述：沿着特征点主方向周围的邻域内，取4×44×4个矩形小区域，统计每个小区域的Hear特征，然后每个区域得到一个4维的特征向量。一个特征点共有64维的特征向量作为SURF特征的描述子。

步骤1.2LSD线特征(1-1)检测的步骤：

(1)高斯滤波：对输入的灰度图像进行高斯滤波；

(2)梯度计算与排序：利用每个像素点的右下四个像素进行梯度计算，依据计算的梯度幅值进行排序，选择梯度幅值大的作为线段检测的种子点；

(3)线段支持域更新增长：由大量像素点构成的线段支持域区域可以通过区域内像素点梯度方向获得一个线段支持域梯度方向；

(4)直线特征：将线段支持域区域进行矩形近似计算，利用矩形估计和错误报警数计算得到线段特征。将局部有相同角度极值邻域的像素集合起来，在图像坐标中给出该集合的边，进而得到直线特征的中点，与角度极值组成线特征描述。

步骤2动态线特征描述子

如图2所示，基于(1)SRUF点特征与(3)LSD线特征的动态线特征描述。在单张图像(6)中，动态线特征的描述包括LSD线特征(3)和SURF点特征(1)两部分。完成对图像的LSD线特征(3)检测和SURF点特征(1)检测之后，用SURF点特征(1)按照动态线特征描述的方法对LSD线特征(3)进行标记，实现动态线特征的描述。

假设图像(6)中的像素集合为P

S

设SURF点特征与LSD线特征的距离为D(2)，用D≤d的SURF点特征(即包含于S

S

则被SURF点特征标记的LSD线特征可以用来描述动态情况下的线特征，即动态线特征的描述为图2所示的L

步骤3动态线特征匹配

利用SURF点特征的旋转不变性、尺度不变性、亮度不变性等特点，实现地面无人平台机动状态下的动态线特征匹配。匹配主要包括两部分：粗匹配和精匹配。

步骤3.1粗匹配

粗匹配是通过相邻帧图像S

出现的原因为：某一SURF点特征同时标记了2个或2个以上的线特征，但粗匹配机制将其标记的所有线特征均归为了同一个动态线特征L

步骤3.2精匹配

图像像素点p的坐标为(u,v)，极坐标下线特征L

引入配准率参数v(p

式中：

对于p

f＝αD(p

式中：α为比例参数，0≤α<1。

在动态情况下匹配线特征的过程中，若出现同一点特征标记多个动态线特征的情况，优先选择f值高的匹配结果，即v(p

步骤4动态线特征追踪

动态线特征追踪过程如1-6所示，其中n为(0，t)时间段内的动态特征总数；

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。