本發(fā)明屬于目標(biāo)定位技術(shù)領(lǐng)域，特別涉及了一種基于圖像匹配的目標(biāo)快速精確定位方法。

背景技術(shù)：

偵察機、導(dǎo)彈、無人機等在執(zhí)行任務(wù)時，需要精確定位重要目標(biāo)，目標(biāo)定位的精度和效率直接決定任務(wù)的成敗?，F(xiàn)有的目標(biāo)定位方式大多采取幾何式定位方式和圖像匹配定位方式。幾何式定位精度受飛行器自身導(dǎo)航系統(tǒng)及幾何量測信息的精度影響，導(dǎo)致目標(biāo)定位誤差較大。圖像匹配定位通過將飛行器拍攝目標(biāo)得到的實測圖像與機載參考圖像進(jìn)行匹配獲取目標(biāo)點的精確位置信息。隨著圖像匹配技術(shù)的深入研究，開展利用快速圖像匹配輔助目標(biāo)進(jìn)行快速精確定位對目標(biāo)快速精確定位發(fā)展具有重要意義。

目前，國內(nèi)外基于特征的快速圖像匹配算法研究比較多，如在2004年davidg.lowe提出sift算法，sift算法的優(yōu)點為對圖像尺度不同、亮度不同和旋轉(zhuǎn)不同的圖像拼接效果較好以及抗噪聲能力強的特點，成為了應(yīng)用范圍普遍的流行算法。2006年herbertbay等提出surf算法，這種算法提取的特征具有平移、縮放、旋轉(zhuǎn)的不變性，并且對光照、仿射及投影差異也有相對較好的魯棒性。隨著對特征點匹配速度的要求提高，2011年ethanrublee在文獻(xiàn)中提出orb算法，2012年alexandrealahi等人在文獻(xiàn)中提出freak算法。freak算法模擬人類視網(wǎng)膜的成像特性來進(jìn)行采樣點的設(shè)置和對應(yīng)點對的選擇，利用掃視搜索進(jìn)行特征向量的匹配，是一種二進(jìn)制描述子，具有穩(wěn)定的性能，相對于sift、surf算法更具魯棒性，并且計算過程要遠(yuǎn)快過這二者，但是它不具備尺度不變性，在圖像間場景存在大小尺度差異的狀況下，圖像間特征點的匹配對的準(zhǔn)確度較低。

技術(shù)實現(xiàn)要素：

為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供一種基于圖像匹配的目標(biāo)快速精確定位方法，利用快速目標(biāo)提取算法、快速圖像匹配算法和目標(biāo)高精度定位算法對目標(biāo)進(jìn)行快速精確定位，提高目標(biāo)定位的實時性和精確度。

為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種基于圖像匹配的目標(biāo)快速精確定位方法，包括以下步驟：

(1)采用fast算法對目標(biāo)實測圖像進(jìn)行特征點檢測；

(2)采用freak算法對步驟(1)獲取的特征點進(jìn)行描述和匹配；

(3)采用ransac算法對步驟(2)得到的匹配結(jié)果進(jìn)行處理，剔除誤匹配點，提取目標(biāo)有效像素；

(4)采用surf算法分別對提取目標(biāo)后的實測圖像和參考圖像進(jìn)行特征點檢測；

(5)采用freak算法對步驟(4)獲取的特征點進(jìn)行描述和匹配；

(6)采用ransac算法對步驟(5)得到的匹配結(jié)果進(jìn)行處理，剔除誤匹配點，計算單應(yīng)性矩陣；

(7)根據(jù)步驟(3)提取出的目標(biāo)有效像素和步驟(6)計算的單應(yīng)性矩陣，獲取目標(biāo)點在參考圖像中的精確位置。

進(jìn)一步地，步驟(1)的過程為，定義一圓形區(qū)域，以目標(biāo)實測圖像中的任意一點為該圓形區(qū)域的圓心p，將圓心p處的灰度值分別與鄰域內(nèi)16個像素點的灰度值進(jìn)行比較：

|m-pi|＞δd,1≤i≤16

上式中，m為圓心p處的灰度值，pi為p點鄰域內(nèi)第i個點的灰度值，δd為預(yù)設(shè)閾值；若滿足上式的p點鄰域內(nèi)的像素點個數(shù)大于n，則將p點視為特征點，n為預(yù)設(shè)值。

進(jìn)一步地，步驟(2)的具體步驟如下：

a、采用freak算法對特征點進(jìn)行描述：

上式中，f為特征點的freak描述符，n為特征向量數(shù)，為任意兩個采樣點經(jīng)過高斯平滑后的強度值；

b、對特征點的freak描述符進(jìn)行降維：

b1、建立矩陣d，矩陣d每行代表一個freak描述符；

b2、計算矩陣d每一列的方差，首先將方差值最大的一列保存到矩陣d’中，然后計算其他列與該方差值最大列的協(xié)方差，再將協(xié)方差值最小的一列保存到矩陣d’中；

b3、將保留的兩列從矩陣d中刪除，然后返回步驟b2，直至矩陣d’的維度達(dá)到預(yù)設(shè)維度；

c、計算特征點的方向：

上式中，g為特征點的采樣點對集合，m為g中采樣點對數(shù)，po為g中的一個點對，和分別是po的前一位和后一位的采樣點空間坐標(biāo)的二維向量，和分別是和處的灰度值；

d、根據(jù)特征點的freak描述符和特征點方向進(jìn)行特征匹配。

進(jìn)一步地，步驟(3)的具體步驟如下：

a、從匹配點集合s中隨機選擇s個特征點；

b、利用s個匹配點擬合出一個模型q；

c、對于集合s中剩余的匹配點，計算每個匹配點與模型q的距離，距離超過閾值的特征點視為局外點，距離未超過閾值的特征點視為局內(nèi)點；

d、將上述步驟迭代k次后，將包含局內(nèi)點數(shù)目最多的模型qk作為擬合結(jié)果；

e、將集合s中不滿足模型qk的匹配點剔除，從而提取出目標(biāo)有效像素。

進(jìn)一步地，步驟(4)的具體步驟如下：

ⅰ、設(shè)i(x,y)表示圖像，x表示圖像中某一點，尺度為σ的hessian矩陣：

上式中，

ⅱ、用框狀濾波器與圖像i(x,y)的卷積dxx、dxy、dyy代替lxx、lxy、lyy，得到hessian矩陣的近似矩陣happrox，計算矩陣happrox的行列式：

det(happrox)＝dxxdyy-(ωdxy)²

上式中，ω是為補償近似所產(chǎn)生的誤差而設(shè)定的權(quán)重系數(shù)；

ⅲ、將矩陣happrox的行列式最大的像素點作為特征點；

ⅳ、計算特征點的主方向：

以特征點為中心，計算半徑為6σ的鄰域內(nèi)的點在x、y方向的haar小波響應(yīng)，haar小波邊長取4σ，對x、y方向的響應(yīng)值進(jìn)行因子為2σ的高斯加權(quán)，得到水平和垂直方向上的方向分量dx、dy；然后，以特征點為中心，張角為π/3的扇形滑動，計算扇形窗口w內(nèi)的dx、dy的累加值：

將mw最大對應(yīng)的扇形窗口w的θw作為特征點的主方向：

進(jìn)一步地，在步驟(6)中，計算單應(yīng)性矩陣的步驟：

ⅰ、設(shè)單應(yīng)性矩陣h的內(nèi)部參數(shù)：

則：

其中，x'、y'、z'＝1和x、y、z＝1分別為兩幅圖像上的像素點；

ⅱ、隨機選擇4對匹配點估計h中的8個參數(shù)：

iii、重復(fù)步驟ⅱ，得到若干矩陣h，將所有特征點代入下式，將滿足下式的特征點數(shù)最多所對應(yīng)的矩陣h作為最終的單應(yīng)性矩陣：

上式中，t為預(yù)設(shè)閾值。

采用上述技術(shù)方案帶來的有益效果：

本發(fā)明采用fast特征檢測結(jié)合freak特征描述的方式，能夠快速地對目標(biāo)實測圖像序列進(jìn)行匹配，采用ransac算法能夠?qū)ζヅ涞玫降奶卣鼽c進(jìn)行有效的錯誤剔除，從而精確提取出待定位目標(biāo)；采用surf特征檢測結(jié)合freak特征描述的方式，能夠快速地對大視角下的目標(biāo)實測圖像和機載參考圖像進(jìn)行匹配，采用ransac算法能夠獲取目標(biāo)實測圖像與機載參考圖像之間的單應(yīng)性矩陣，最后結(jié)合目標(biāo)提取結(jié)果，在機載參考圖像中精確定位目標(biāo)。

本發(fā)明能夠極大地減小目標(biāo)定位誤差，同時，本發(fā)明能夠極大地提升目標(biāo)定位的速度和效率，滿足目標(biāo)定位的實時性要求和高精度要求。

附圖說明

圖1是本發(fā)明的整體流程圖；

圖2是本發(fā)明中快速目標(biāo)提取算法的流程圖；

圖3是本發(fā)明中快速圖像匹配算法的流程圖；

圖4是本發(fā)明中目標(biāo)高精度定位算法的流程圖。

具體實施方式

以下將結(jié)合附圖，對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

一種基于圖像匹配的目標(biāo)快速精確定位方法，如圖1所示，包括三個部分：快速目標(biāo)提取算法、快速圖像匹配算法和目標(biāo)高精度定位算法。

(一)快速目標(biāo)提取算法(如圖2所示)

(1)采用fast算法對目標(biāo)實測圖像進(jìn)行特征點檢測

定義一圓形區(qū)域，以目標(biāo)實測圖像中的任意一點為該圓形區(qū)域的圓心p，將圓心p處的灰度值分別與鄰域內(nèi)16個像素點的灰度值進(jìn)行比較：

|m-pi|＞δd,1≤i≤16

上式中，m為圓心p處的灰度值，pi為p點鄰域內(nèi)第i個點的灰度值，δd為預(yù)設(shè)閾值；若滿足上式的p點鄰域內(nèi)的像素點個數(shù)大于n，則將p點視為特征點，n為預(yù)設(shè)值。在本實施例中，n＝9。

(2)采用freak(fastretinakeypoint，快速視網(wǎng)膜關(guān)鍵點)算法對步驟

(1)獲取的特征點進(jìn)行描述和匹配

freak描述符采樣點的分布與視網(wǎng)膜感受域的結(jié)構(gòu)相似，特征點的位置為中心點，采樣點分布在特征點為圓心的多層同心圓上，且每層同心圓上的采樣點妘分布，每個采樣點又作為其他圓的圓心。與中心特征點間隔越小，采樣點越密集；與中心特征點間隔越大，采樣點越零散。層數(shù)越多，特征向量描述能力越強，計算量越大。

每個采樣點需要進(jìn)行高斯平滑以去除噪聲，周圍圓的半徑代表高斯核函數(shù)的半徑。freak描述符的形成是通過采樣點對的強度比較結(jié)果級聯(lián)組成，屬于二進(jìn)制比特串。設(shè)f是某特征點的freak描述符，則：

上式中，n為特征向量數(shù)，為任意兩個采樣點經(jīng)過高斯平滑后的強度值。

為了保證算法的實用性，在圖像匹配中需要針對信息量較大的維度實行保留，細(xì)節(jié)信息不會嚴(yán)重影響圖像匹配的效果。通過以下步驟從圖像數(shù)據(jù)中篩選高信息量的維度：

a、建立矩陣d，矩陣d每行代表一個freak描述符；

b、計算矩陣d每一列的方差，首先將方差值最大的一列保存到矩陣d’中，然后計算其他列與該方差值最大列的協(xié)方差，再將協(xié)方差值最小的一列保存到矩陣d’中；

c、將保留的兩列從矩陣d中刪除，然后返回步驟b，直至矩陣d’的維度達(dá)到預(yù)設(shè)維度。

計算特征點的方向：

上式中，g為特征點的采樣點對集合，m為g中采樣點對數(shù)，po為g中的一個點對，和分別是po的前一位和后一位的采樣點空間坐標(biāo)的二維向量，和分別是和處的灰度值。

(3)采用ransac算法對步驟(2)得到的匹配結(jié)果進(jìn)行處理，剔除誤匹配點，提取目標(biāo)有效像素

ransac(randomsampleconsensus)算法，又稱隨機抽樣一致算法，是一種有效去除噪聲影響，估計模型的方法。具體步驟如下。

a、從匹配點集合s中隨機選擇s個特征點；

b、利用s個匹配點擬合出一個模型q；

c、對于集合s中剩余的匹配點，計算每個匹配點與模型q的距離，距離超過閾值的特征點視為局外點outliers，距離未超過閾值的特征點視為局內(nèi)點inliers；

d、將上述步驟迭代k次后，將包含局內(nèi)點數(shù)目最多的模型qk作為擬合結(jié)果；

e、將集合s中不滿足模型qk的匹配點剔除，從而提取出目標(biāo)有效像素。

集合s中的特征點數(shù)目通常較大，從中任選s個數(shù)據(jù)點的組合會很大，導(dǎo)致上面操作的運算量較大。通常情況下，只要保證模型估計需要的s個點都是局內(nèi)點的概率足夠高即可。因此設(shè)α為集合s中inliers的比例，z為進(jìn)行k次選取后，至少有一次選取的s個點都是inliers的概率。則有：

z＝1-(1-α^s)^k

其中，1-α^s表示一次選取都不是inliers的概率，(1-α^s)^k表示k次選取中沒有一次都是inliers的概率，則有：

k＝log(1-z)/log(1-α^s)

這里z一般要求滿足大于95％即可。

(二)快速圖像匹配算法(如圖3所示)

(1)采用surf(speededuprobustfeature，快速魯棒特征)算法分別對提取目標(biāo)后的實測圖像和參考圖像進(jìn)行特征點檢測

surf算法是對sift算法的一種改進(jìn)，主要是在算法的執(zhí)行效率上，比sift算法來講運行更快，作為sift算法的加速版，surf算法在適中的條件下完成兩幅圖像中物體的匹配基本實現(xiàn)了實時處理，其快速的基礎(chǔ)為積分圖像haar求導(dǎo)。

hessian矩陣是surf算法的核心，為了方便運算，假設(shè)函數(shù)f(x,y)，hessian矩陣h是由函數(shù)f(x,y)偏導(dǎo)數(shù)組成：

h矩陣判別式為：

判別式的值是矩陣h的特征值，可以利用判定結(jié)果的符號將所有點分類，根據(jù)判別式取值正負(fù)，來判別該點是或不是極值點。在surf算法中，針對圖像i(x,y)中一個像素點x(x,y)，位于x處的σ尺度上對應(yīng)的hessian矩陣表達(dá)式為：

上式中，

高斯函數(shù)常用來做尺度空間的計算，但實際運算中，必須將其離散化并做裁剪，這就改變了復(fù)雜的模板，得到僅需若干矩形方塊形成的模板。鑒于lowe在用dog近似log時獲得的成功，bay等提出將這種近似更擴展一步，直接用框狀濾波器近似高斯的二階偏導(dǎo)。用簡化后近似的模板處理積分圖像時，由于是簡單矩形代替了復(fù)雜的偏導(dǎo)，運算量與模板的尺寸不相互影響，這就很大程度上減少了運算時間，提高了效率。經(jīng)過實驗表明這種框狀濾波的近似并沒有降低卷積模板的性能。將上述改變后的模板與圖像卷積結(jié)果用dxx、dxy、dyy代換lxx、lxy、lyy可得近似hessian矩陣happrox的行列式方法：

det(happrox)＝dxxdyy-(ωdxy)²

其中，ω為權(quán)重系數(shù)，主要用來平衡近似誤差，在本實施例中取0.9。根據(jù)上式計算原圖像x點的響應(yīng)值，再將對應(yīng)全部的像素點進(jìn)行逐個處理，就能夠獲得相應(yīng)σ上的響應(yīng)結(jié)果。

surf算法引入了框狀濾波模板和積分圖像的概念，用不同大小的模板同原始圖像在不同方向上做卷積，從而多尺度空間構(gòu)建完成。尺度空間的最底層由9×9的模板濾波輸入得到，對應(yīng)二階高斯濾波σ＝1.2，此時近似模板的尺度s＝σ＝1.2。尺度空間的首層是最初始尺度的近似模板同圖像做卷積計算結(jié)果而來，同理，使用調(diào)整尺寸的方式保持模板慢慢增大，之后的尺度層就是在這種情況下用每個尺寸同目標(biāo)卷積便可形成。每兩個距離最近的模板尺寸之差都固定為偶數(shù)個像素，從而保證了模板尺寸的奇數(shù)性和其中心像素的存在。每4個模板為1階(octave)。每1階要進(jìn)行4次濾波，第1階中相鄰的模板尺寸相差6個像素，上1階第2次濾波模板的大小將作為下1階最初濾波模板的大小，在第2階中后1階濾波模板較前1階的大小總是增大12，同理第3層每次增加24，以此類推，一般取4階數(shù)就足夠了。surf算法對于每1個像素點的非極大值抑制要在3×3×3的三維立體空間中進(jìn)行，與該點上1個尺度對應(yīng)的9個點、下1個尺度層對應(yīng)的9個點以及自身周圍鄰域8個點共26個點比較，只有在達(dá)到最大或最小的條件下才選擇為特征點，極大值被選定后，采用三維線性插值法得到亞像素級的特征點，同時也去除那些值小于一定閾值的點，最終確定特征點的位置及尺度。

以特征點為中心，計算半徑為6σ(σ為特征點所在的尺度值)的鄰域內(nèi)的點在x、y方向的haar小波(haar小波邊長取4σ)響應(yīng)，計算出圖像在haar小波的x和y方向上的響應(yīng)值之后，對兩個值進(jìn)行因子為2σ的高斯加權(quán)，加權(quán)后的值分別表示在水平和垂直方向上的方向分量dx、dy。harr特征值反應(yīng)了圖像灰度變化的情況，那么這個主方向就是描述那些灰度變化特別劇烈的區(qū)域方向。接著，以特征點為中心，張角為π/3的扇形滑動，計算窗口w內(nèi)的harr小波響應(yīng)值dx、dy的累加值：

將mw最大對應(yīng)的扇形窗口w的θw作為特征點的主方向：

(2)采用freak算法對獲取的特征點進(jìn)行描述和匹配

該步驟余上文(一)中的步驟(2)一致，此處不再贅述。

(3)采用ransac算法對匹配結(jié)果進(jìn)行處理，剔除誤匹配點，計算單應(yīng)性矩陣

設(shè)單應(yīng)性矩陣h的內(nèi)部參數(shù)：

則：

其中，x'、y'、z'＝1和x、y、z＝1分別為兩幅圖像上的像素點；

隨機選擇4對匹配點估計h中的8個參數(shù)：

多次選擇匹配點，得到若干矩陣h，將所有特征點代入下式，將滿足下式的特征點數(shù)最多所對應(yīng)的矩陣h作為最終的單應(yīng)性矩陣：

上式中，t為預(yù)設(shè)閾值。

(三)目標(biāo)高精度定位算法(如圖4所示)

設(shè)提取的目標(biāo)有效像素為p(x,y)，目標(biāo)實測圖像與機載參考圖像之間匹配后利用ransac算法計算得到的像素點對應(yīng)單應(yīng)性矩陣為h，則目標(biāo)在參考圖中對應(yīng)的像素坐標(biāo)為：

q(x,y)＝h·p(x,y)

式中，q(x,y)為由目標(biāo)有效像素經(jīng)單應(yīng)性矩陣映射得到的在參考圖中的像素坐標(biāo)，利用該像素坐標(biāo)即可對目標(biāo)進(jìn)行精確定位。

實施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明保護(hù)范圍之內(nèi)。