室内的视觉定位方法技术

为了实现室内的视觉定位方法的自适应性控制和提高该方法的实时性，根据Kalman滤波算法的特性，把Kalman滤波算法加入到全局运动估计方法当中，实现自适应的控制；并且根据SUSAN算法和SIFT算法的优缺点，在提取图像特征点部分采用了实时性较好的SUSAN算法，采用SIFT算法对该特征点进行描述和实现匹配。该方法根据前五次的匹配结果运用Kalman滤波算法预测出待匹配的两幅图像的重叠区域，只在重叠区域上提取特征点和实现图像匹配；根据最近邻特征点与次近邻特征点距离之比确定初始匹配点对，实现图像配准；采用六参数放射模型计算出图像的相对偏移量，在上位机界面上实时的画出摄像头的移动轨迹。

【技术实现步骤摘要】

:本专利技术属图像处理领域。是一种利用计算机技术、图象摄取技术、数字图象处理技术、光学技术等实现室内视觉定位方法。该方法能实现对摄像头摄取视频的自动分析，并判断出摄像头的位移大小和方向。
技术介绍
:全局运动估计方法可划分为两类:一是直接基于象素的方法。二是先确定象素级或块级的运动矢量，然后利用回归法求取全局运动模型。对于全局运动估计，国际上已有相当多的学者做了大量的研究工作。Yosi Keller和Amir Averbuch改进基于梯度的运动估计方法，使全局运动估计计算量减少约20倍。Barfoot采用SIFT特征匹配法解决了三维运动估计问题，但要依靠预先放置的路标等参照物，而且速度较慢。GU等人利用尺度的邻域灰度信息消除，提高了模型估计准确度。但没有考虑全局运动估计的实时性，算法计算量依然比较大。全局运动估计处理的是视频序列图像，当前帧图像与参考帧图像进行匹配时，要保证这两帧图像有一定的重叠区域，因此对全局运动估计算法的实时性要求非常高。近年来，对于很多全局运动估计方法，一个主要的问题是计算量较大，导致参数估计速度慢，因而限制了它们的应用。为了减少全局运动的计算量，提高估计速度，本文提出了一种基于自适应的
技术实现思路
:本专利技术根据视觉定位要求高效的实时性和精确性，是以SUSAN算法和SIFT算法为基础，根据地面图像的特点对算法进行实时性和精确性的改进，用全局运动估计方法计算出序列图像中连续两幅图像的偏移量，针对图像匹配时的图像冗余，运用Kalman滤波估计每次匹配图像的重叠区域，提高该方法的自适应性，从而计算摄像头的位移大小和方向。本专利技术的技术方案参见附图说明图1、图2。是在计算机的上位机平台上运行，用摄像头采集地面的序列图像，传入计算机，用本文的全局运动估计方法对序列图像进行全局运动估计，计算出序列图像的偏移大小和方向，在计算机的上位机平台上，根据传入的图像偏移大小和方向画出摄像头的运动轨迹，本专利技术的特征在于该方法还依次包括下述步骤:1、基于自适应的，是在计算机的上位机平台上运行，用摄像头采集地面的序列图像，对序列图像进行全局运动估计，计算出序列图像的偏移大小和方向，在计算机的上位机平台上，根据传入的图像偏移大小和方向画出摄像头的运动轨迹，本专利技术的特征在于该方法还依次包括下述步骤:I)首先提取摄像头采集地面的序列图像，然后用SUSAN算法提取序列图像中的特征点；在SUSAN算法中加入环形的USAN模板，对图像中的每个点进行特征点的粗提取，对提取后的特征点再用圆形的USAN模板进行筛选，计算是否为特征点的方法为权利要求1.基于自适应的，是在计算机的上位机平台上运行，用摄像头采集地面的序列图像，对序列图像进行全局运动估计，计算出序列图像的偏移大小和方向，在计算机的上位机平台上，根据传入的图像偏移大小和方向画出摄像头的运动轨迹，本专利技术的特征在于该方法还依次包括下述步骤:1)首先提取摄像头采集地面的序列图像，然后用SUSAN算法提取序列图像中的特征点；在SUSAN算法中加入环形的USAN模板，对图像中的每个点进行特征点的粗提取，对提取后的特征点再用圆形的USAN模板进行筛选，计算是否为特征点的方法为全文摘要为了实现的自适应性控制和提高该方法的实时性，根据Kalman滤波算法的特性，把Kalman滤波算法加入到全局运动估计方法当中，实现自适应的控制；并且根据SUSAN算法和SIFT算法的优缺点，在提取图像特征点部分采用了实时性较好的SUSAN算法，采用SIFT算法对该特征点进行描述和实现匹配。该方法根据前五次的匹配结果运用Kalman滤波算法预测出待匹配的两幅图像的重叠区域，只在重叠区域上提取特征点和实现图像匹配；根据最近邻特征点与次近邻特征点距离之比确定初始匹配点对，实现图像配准；采用六参数放射模型计算出图像的相对偏移量，在上位机界面上实时的画出摄像头的移动轨迹。文档编号G06T7/00GK103198491SQ20131003898公开日2013年7月10日 申请日期2013年1月31日 优先权日2013年1月31日专利技术者张会清, 曹鲁光 申请人:北京工业大学本文档来自技高网...

【技术保护点】
基于自适应的室内的视觉定位方法，是在计算机的上位机平台上运行，用摄像头采集地面的序列图像，对序列图像进行全局运动估计，计算出序列图像的偏移大小和方向，在计算机的上位机平台上，根据传入的图像偏移大小和方向画出摄像头的运动轨迹，本专利技术的特征在于该方法还依次包括下述步骤：1）首先提取摄像头采集地面的序列图像，然后用SUSAN算法提取序列图像中的特征点；在SUSAN算法中加入环形的USAN模板，对图像中的每个点进行特征点的粗提取，对提取后的特征点再用圆形的USAN模板进行筛选，计算是否为特征点的方法为c(r→,r→0)=1if|I(r→)-I(r→0)|≤t0if|I(r→)-I(r→0)|>t,n(r→0)=Σr→∈c(r→0)c(r→,r→0),其中为模版内属于USAN区域象素的判别函数；为USAN模板的中心象素点；为USAN模板内任意其他像素点；t是灰度差门限，为任意点的USAN区域大小；根据响应函数其中g为门限值，门限值g取经验值13，根据响应值是否等于0来判断像素点是否为特征点；2）根据第1)步骤中得到的特征点，分别对每一个特征点用SIFT算法描述该特征点的幅值m(x,y)和方向θ(x,y)，如下：m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2---(1)θ(x,y)=tan?1((L(x,y+1)?L(x,y?1))/((L(x+1,y)?L(x?1,y)))?????????????(2)其中，x、y分别为图像中当前点的横纵坐标值，L(x,y)为点(x,y)的像素值；3）根据第2）步骤中得到的当前图像和前一帧图像中的特征点，用欧氏距离的理论，用最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对，实现图像的配准；公式如下：ratio=d1/d2???????????(3)其中，d1为最近的欧几里得距离，d2为次近的欧几里得距离，当ratio小于某一特定阈值,阈值取经验值0.48，则认为匹配成功，相反，则认为特征点不匹配；4）根据第3）步骤中得到的正确匹配点对，采用六参数仿射模型，计算图像的偏移大小和方向；设在时刻tk成像刚体的某一点在摄像机坐标系下的坐标为[X?Y?Z]T，在时刻tk+1摄像机发生运动，而该物体的坐标变为[X“Y“Z“]T；这一运动可用旋转矩阵R和平移向量T来描述；如式(4)所示：X′Y′Z′=RXYZ+T=r11r12r13r21r22r23r31r32r33XYZ+t1t2t3---(4)而在成像平面上，相应的点从时刻tk的坐标[xy]T变化为时刻tk+1的坐标[x“y“]T；当摄像机的焦距f远大于Z的时候，三维空间物体在成像平面上的投影就不能采用透视模型，这时候应该采用正交模型来描述，如图附图7所示；从图中可以看出，在正交投影模型中，从P点出发的光束，以平行于Z轴投影到成像平面上，因此，在正交投影模型下，对于三维空间物体上的每一点，与成像平面上的投影点的关系改为：r=xy=XY---(5)由(4)，(5)可得，x′=r11x+r12y+(r13Z+t1)=a1x+a2y+a3y′=r21x+r22y+(r23Z+t1)=a4x+a5y+a6---(6)式中，a1=r11，a2=r12，a3=r13Z+t1，a4=r21，a5=r22，a3=r23Z+t2；a3、a6与图像的平移运动有关，a1、a2、a4、a5与图像的缩放、旋转运动有关；5）经过实验发现，每次匹配的两幅图像的重叠区域大小不一，在摄像头正常运动情况下，重叠区域都不到图像的1/2，但是特征点提取和匹配都要计算整幅图像，造成了信息的大量冗余，因此，为了提高算法的自适应性，加入Kalman滤波算法；根据当前匹配之前的五次匹配估计结果即X\Y轴的偏移量估计出当前待匹配两幅图像的重叠区域即X\Y轴的偏移量，通过加入Kalman滤波算法估计每次匹配的重叠区域，然后只对图像上的重叠区域部分进行计算和估计；6）根据第4）步骤中计算出的图像偏移大小和方向，把数据传到上位机，在上位机上实时 的画出摄像头的移动轨迹。FDA00002802530800013.jpg,FDA00...

【技术特征摘要】

【专利技术属性】
技术研发人员：张会清，曹鲁光，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：