一种应用于模型匹配姿态测量的图像搜索匹配优化方法技术

本发明专利技术提供一种应用于模型匹配姿态测量的图像搜索匹配优化方法，以解决现有技术运算量大、计算复杂等问题。本发明专利技术的图像搜索匹配优化方法弱化了成像模型的作用，并脱离摄像机成像误差公式，从图像的角度来完成迭代优化，找到匹配的模型投影图像。对于观察图像和模型投影图像，使用图像上的目标特征作为搜索匹配优化的对象。本发明专利技术在迭代优化中避免了与摄像机成像模型和误差公式的联系，简化了匹配过程中的运算量。

【技术实现步骤摘要】

本专利技术涉及。
技术介绍
模型匹配姿态测量是用目标观察图像与目标模型投影图像簇(库)中的图像做匹配，得到观察图像中目标的姿态。观察图像与投影图像簇的图像搜索匹配是模型匹配姿态测量的一个主要问题。目前的搜索方法主要是采用建立误差方程的最小二乘迭代优化方法。迭代优化方法中，需要建立摄像机成像模型，得到成像误差方程的的数学表达，然后提取观察目标图像和模型投影图像中的轮廓，在观察图像轮廓上采样取点，求取其与投影图像上轮廓的法向或者水平垂直向距离测度，以距离测度数据列代入误差方程做各类最小二乘优化，迭代至误差小到设定限度或者距离测度小到设定限度时，认为找到了与观察图像相匹配的投影图像，投影图像对应的姿态角即为测量的姿态角。这种方法的基础是摄像机成像模型和成像误差公式的数学形式。迭代过程中，除对图像的轮廓处理外，还涉及摄像机成像误差公式相关的复杂计算。
技术实现思路
本专利技术旨在提供，以解决现有技术运算量大、计算复杂等问题。本专利技术的技术方案如下—种应用于模型匹配姿态测量的图像搜索匹配优化方法，包括以下步骤(1)采用链码描述子或矩描述子，对目标模型投影图像簇中各帧图像的轮廓进行特征描述并归一化处理；(2)依据目标观察图像，确定目标的姿态初值；(3)采用链码描述子或矩描述子，对目标观察图像的轮廓做特征描述并归一化处理；(4)以所述姿态初值作为优化起点，基于步骤(1)和步骤C3)所得归一化的特征描述，采用直接优化的方法进行迭代运算，完成搜索匹配优化。(直接优化的方法可以采用模式搜索法进行迭代运算，但是不囿于模式搜索法，可以选择应用其它公知的直接优化方法。)上述归一化处理，是使得目标观察图像的轮廓特征与目标模型投影图像的轮廓特征相应的描述子对平移和尺度变换具有不变性，同时对旋转变换具有变性；所述特征描述， 满足姿态测量对平移和尺度的不变性要求，同时满足对旋转的变性要求。上述步骤(1)、(3)采用链码描述子，其归一化处理是对基本链码序列做分量统计归一，统计八方向链码的出现频次，然后对八个统计分量除以总频次做归一；或者步骤 (1)、(3)采用矩描述子，其归一化处理是分析选取归一化中心矩作为矩描述来满足归一化要求，矩的阶数为2阶或2阶以上。O阶是计算量相对小的描述子，随着轮廓形状复杂度的增大，可选择高阶的归一化中心矩。)上述姿态初值是利用目标姿态先验知识所确定。(比如，可以是依据目标实际几何形状的投影分析结果，也可以是基于目标上特征点的姿态测量结果，或者基于目标轴线的姿态测量结果等；当然，也可以采用其他计算方式进行初步计算以确定姿态初值。姿态初值与特征描述是没有必然关系，提轮廓可以是确定姿态初值的多种方法之一。)上述步骤0)中迭代运算的目标函数定义为两个描述子间的距离测度。(往往基于特征描述的情况，考虑放大较大误差分量在距离测度中的作用，可以采用Euclidean欧氏距离，也可以使用其它阶的Minkowsky明氏距离。)另，包括以下步骤(1)采用傅立叶描述子，对目标模型投影图像簇中各帧图像的轮廓进行特征描述并归一化处理；(2)应用目标模型投影图像簇中归一化的傅立叶描述子，通过相似性学习，建立合适的神经网络；该神经网络的输入为两个不同形状的描述子，输出量化表述这两个描述子所体现的目标在方位、俯仰、滚转角度上的相似程度；所述相似性学习是应用目标模型投影图像簇中的描述子作为输入进行的；(3)依据目标观察图像，确定目标的姿态初值；(4)采用傅立叶描述子，对目标观察图像的轮廓做特征描述并归一化处理；(5)以所述姿态初值作为优化起点，在目标模型投影图像簇中各帧图像的归一化傅立叶描述子中，选取具有姿态初值的描述子，将该描述子和目标观察图像的归一化傅立叶描述子这一对描述子作为输入放入所述神经网络做姿态状态识别，依据神经网络输出的姿态状态，进行迭代运算，完成搜索匹配优化。(由于神经网络的输出对于迭代运算具有指向性，因此，大大提高了迭代运算的速度。)上述步骤⑴和步骤(4)所述特征描述，满足姿态测量对平移和尺度的不变性要求，同时满足对旋转的变性要求；在做特征描述时，采用轮廓点到形状中心的距离作为轮廓序列，并对得到的傅立叶描述子做幅度的归一化和采样频度的归一化。上述步骤(3)所述姿态初值是利用目标姿态先验知识所确定。(比如，可以是依据目标实际几何形状的投影分析结果，也可以是基于目标上特征点的姿态测量结果，或者基于目标轴线的姿态测量结果等；当然，也可以采用其他计算方式进行初步计算以确定姿态初值。)在上述步骤(5)中，依据神经网络输出的姿态状态，采用直接优化或者结合姿态状态识别的结果自行设计(比如基于粒子群方法的简化应用)，进行迭代运算，最后以两次迭代姿态角的差值作为判断迭代终止的条件，如果不满足迭代终止条件，则做姿态角的修正，修正姿态特征索引文件中的数据项，进行下一次迭代，直至完成搜索匹配优化。(直接优化的方法可以采用模式搜索法进行迭代运算，但是不囿于模式搜索法，可以选择应用其它公知的直接优化方法。)上述步骤(5)中迭代运算的目标函数定义为两个描述子间的距离测度。(往往基于特征描述的情况，考虑放大较大误差分量在距离测度中的作用，可以采用Euclidean欧氏距离。)本专利技术具有以下优点a)抽取特征而不是图像参与图像形状匹配，简化了匹配过程。b)对图像中目标的特征做变换和适宜描述，充分利用目标特征的信息量。c)在特征描述和匹配搜索时应用归一化方法，解决匹配中的尺度问题。d)迭代优化中避免了与摄像机成像模型和误差公式的联系，仅从图像形状匹配的角度出发。e)引入相似性学习方法，对特征做训练，得到两个形状相似性、不似性的度量，应用于解决匹配优化的问题。f)可以应用于其它的图像检索和图像匹配任务。 附图说明图1为特征描述和搜索优化主要流程图；图2为特征描述流程图；图3为相似性学习流程图；图4为搜索匹配优化流程图。具体实施例方式本专利技术的图像搜索匹配优化方法弱化了成像模型的作用，并脱离摄像机成像误差公式，从图像的角度来完成迭代优化，找到匹配的模型投影图像。对于观察图像和模型投影图像，使用图像上的目标特征作为搜索匹配优化的对象。首先对图像中的目标的特征做多种具体描述，生成适用于姿态测量和特征匹配的描述子，本专利技术采用链码、矩和傅立叶描述子。对描述子做匹配可行的归一化。利用姿态先验知识，确定姿态初值。针对链码和矩描述子，采用模式搜索等直接优化方法；对于傅立叶描述子，采用基于学习的优化方法，解决基于特征的形状匹配、形状比较，特别是形状相似和形状不似的问题。最终得到与观察图像匹配的模型投影图像。本专利技术实现的主要内容分三个部分特征描述(1-101)、相似性学习(1-102)、搜索匹配优化(1-103)。实现主要流程见图1，其中相似性学习主要针对傅立叶描述子，对于链码和矩描述可以选择不经过该过程。特征描述中，对已经提取的特征，选择链码、矩和傅立叶描述子做特征描述，在描述过程中做特征的归一化。相似性学习为可选步骤，是针对基于傅立叶描述子的搜索匹配优化做准备，完成特征的匹配训练。搜索匹配优化主要完成基于特征描述子的形状匹配，匹配过程中，针对不同的描述子，确定匹配目标函数和搜索优化的方式。针对链码和矩描述子，可以采用模式搜索等直接优化方法；对于傅立叶描述子，采用基于学习的优化方本文档来自技高网...

【技术保护点】
１．一种应用于模型匹配姿态测量的图像搜索匹配优化方法，其特征在于，包括以下步骤：（１）采用链码描述子或矩描述子，对目标模型投影图像簇中各帧图像的轮廓进行特征描述并归一化处理；（２）依据目标观察图像，确定目标的姿态初值；（３）采用链码描述子或矩描述子，对目标观察图像的轮廓做特征描述并归一化处理；（４）以所述姿态初值作为优化起点，基于步骤（１）和步骤（３）所得归一化的特征描述，采用直接优化的方法进行迭代运算，完成搜索匹配优化。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡海滨，唐慧君，马彩文，杜博军，温佳，冯志远，李寅，朱顺华，
申请(专利权)人：中国人民解放军六三九二一部队，中国科学院西安光学精密机械研究所，
类型：发明
国别省市：11