基于视觉技术的载体定位方法

载体定位一直是视觉领域研究的热点和难点,其在机器人视觉导航、公共场景监控、军事视觉导航等方面都有重要意义。随着技术的发展,视觉传感器获取图像实现定位所需的实验环境和硬件条件越来越宽松,且成本较低,在实际应用中更加直观有效。根据使用的传感器的数目不同,可以将其分为基于单目视觉的定位和基于双目视觉的定位。

单目视觉定位方法只采用一个视觉传感器,利用数学模型建立空间目标特征点与图像特征点之间的投影变换关系来实现定位。双目视觉定位方法(立体视觉)采用两个(或多个)视觉传感器从不同位置来拍摄同一场景。在立体视觉的实现过程中,立体匹配最重要也最难实现,其核心问题是对所拍摄的图像进行匹配,求取视差。基于单目视觉的定位方法视野范围小、获取的深度信息少、定位精度低,所以发展基于双目视觉的载体定位逐渐成为未来研究的重点。如何实现高效、精确的匹配是图景匹配辅助导航发展过程中需要解决的重要问题,也是二维图像匹配定位的关键。

图像匹配算法依据信息处理层次的不同可以分为基于灰度相关的匹配、基于内容特征的匹配、基于关系结构的匹配、结合特定理论工具的匹配、基于亚像元的匹配等。

8.3.3.1　基于灰度相关的匹配

灰度是图像的原始特征之一。基于灰度相关的匹配在理论上采用图像相关技术,按某种相似性度量方法把一定大小匹配图像窗口的灰度矩阵与模板图像所有可能的窗口灰度阵列进行像素级别的搜索比较。图像相关技术具有计算量小、易于硬件实现的特点,国内外学者已经开展大量相关内容的研究。例如,在减少搜索空间和匹配时间方面,提出了序贯相似性检测算法、两级模板匹配算法、分层序贯匹配算法、多子区域相关匹配算法等快速匹配算法；在抗噪声干扰和抗几何失真方面,提出了随机符号变化准则、不变矩等算法等；在提高匹配精度和匹配速度方面,开展了对定位精度、噪声、灰度电平偏差、量化误差等误差因素的预处理技术研究。

灰度匹配法的基本过程：首先,对特配准图像作几何变换；然后,基于灰度统计特性,定义一个参考图像与特配准图像之间的相似性度量的目标函数,并在该目标函数的极值处取得配准参数。此目标函数即配准的判决准则,用于确保配准参数最优化。利用灰度匹配法的主要缺陷是计算成本高,很难满足实际工作中的速度要求。

8.3.3.2　基于内容特征的匹配

特征是图像内容最抽象的描述。基于内容特征的图像匹配算法包括特征提取和特征匹配。首先,提取图像中反映重要信息的特征；然后,以这些特征为模型进行匹配。提取出的特征分为局部特征和全局特征,局部特征有点、边缘、线条和小区域等,全局特征包括多边形和各种关系结构。通常情况下提到的基于内容特征的匹配都基于局部特征,而具有全局特征的匹配实质上是关系结构匹配的方法。

在基于内容特征匹配的整个环节中,特征提取对特征匹配起着关键性作用。图像的特征点比像素点少得多,可以降低匹配的计算量；特征点的匹配度量值对位置的变化敏感,可以提高匹配的精确程度；特征点的提取过程可以减少噪声的影响,对灰度变化、图像形变以及遮挡等都有较好的适应能力。

在特征匹配算法研究中,所使用的特征基元主要分为特征点、特征线和特征面。

基于特征点的匹配算法的基本思想主要有：点点匹配,即建立图像特征点的点点对应关系,计算对应点的相似性度量；点集匹配,即用全部特征点计算两点集之间的最大距离。其优点是匹配精度高、特征明显,可提取角点、线段交叉点、等值线拐点以及局部稳定特征点；缺点是计算复杂,全局搜索耗时长,特征点分布不均匀或无法提取特征点。

基于特征线的匹配算法的基本方法：寻找参与匹配图像线状特征近似的两条直线,以直线为控制基础建立两图像之间的配准方程,推导相关的配准变换系数。其优点为,对于低质量拍摄,线状特征比点状特征更易获取；缺点是参考图像和待配准图像存在差异,不易获取相似直线及其控制要素。

基于特征面的匹配算法的基本方法：以面域为单元,对连续图像进行轮廓分割来获取相关面；采用区域统计特征矩不变量进行描述,将欧氏距离作为相似性度量,确保参与匹配图像的矩不变量的相似性达到最大。其优点是计算数据量大大减少,且计算简单,适用于某些特定场合,如河流、湖泊；缺点是图像存在旋转、畸变等,区域提取不易达到一致性。

8.3.3.3　基于关系结构的匹配(www.xing528.com)

基于关系结构的匹配,又称基于解释的匹配。关系结构主要是指语义网络。基于关系结构的匹配是指将外部世界的物体(或现象)与计算机模型进行对应,利用图像的结构特征(或关系特征)把物体之间的关系表示成结构,通过关联搜索来建立图像中各节点之间的关系,借助语义网络、框架理论和图论方法来寻求匹配问题的解决。基于关系结构的匹配是人工智能技术在图像匹配领域的具体应用。

8.3.3.4　结合特定理论工具的匹配

随着科学技术的发展,出现了很多与特定的理论工具相结合的匹配技术。为了能进一步提高图像匹配的实时性和高效性,一些基于人工智能的先进算法被运用到图像匹配的研究中,如基于神经网络的匹配技术和基于遗传算法的匹配技术。

1.基于神经网络的匹配技术

神经网络具有分布式存储、参数并行处理、自组织、自学习、强容错和高稳定性的优点。基于神经网络的匹配技术基本方法：对图像进行预处理后,按要求提取特征点,根据构造的某种神经网络算法的要求选取并输入网络所需的一些初始状态,同时将选取的特征点作为基本输入参数,然后启动神经网络算法的迭代过程,通过学习过程来给出迭代结果并进行分析评价。

基于神经网络的匹配技术的局限性主要有：目前无法实现特征点的自动选取；网络所需的初始状态的选择对网络迭代过程的影响较大；计算成本高。

2.基于遗传算法的匹配技术

基于遗传算法的匹配技术具有全局并行搜索能力、简单快速、鲁棒性好等优点。遗传算法通过对图像特征进行特征提取,根据图像特征的区域信息进行特征量描述,在定义适配函数的基础上,按照遗传算法的步骤,确定每对特征点实现图像之间的匹配。

将遗传算法应用到图像匹配的两个关键点：将问题解编码到染色体中；设计适应度函数。基于遗传算法的图像匹配可以用图像中的点(或图像变换模型参数)表示为字符串中的人工染色体,进行交叉、变异等操作,并在进化搜索中以适应度函数为依据,利用种群中每个个体的适应度值进行搜索。

8.3.3.5　基于亚像元的匹配

目前,关于图像匹配的精度研究大部分聚焦于像素级。随着大规模集成电路制造、工业检测和目标检测等应用对精度要求的不断提高,像素级的精度已经不能满足要求,而亚像元匹配不受物理分辨率的限制,可以有效提高匹配精度和定位精度。

基于亚像元的匹配算法：已知待匹配图像信息、粗匹配点坐标、匹配模板信息,计算图像匹配的亚像元级偏移。亚像元匹配算法研究采用基于图像高分辨率的重采样方法、基于曲面拟合方法、微分法等。

基于频域的相位相关法应用得最为广泛。相位相关法适合于不同成像机理、不同光照、不同噪声条件的图像数据配准。图像的旋转、平移、比例变化都能在频域中得到反映,图像由空域变换到频率域,两组数据在空间的相关运算就转换为频谱的复数乘法运算,图像在变换域中能获得在空域中难以获得的精细特征。该方法对噪声干扰有一定抵抗能力,具有较高的精确度和噪声鲁棒性。因此,基于变换域的匹配在高精度匹配中具有广阔的应用前景。