[发明专利]中高速传感器网络图像数据融合的方法

权利要求书

1.中高速传感器网络图像数据融合的方法，中高速传感器网络中的簇由处理节点、工作节点及无线连接组成，每个工作节点通过无线网络连接两个摄像头采集图像数据，其特征在于所述方法包括如下步骤：

(1)工作节点采集完图像数据后，分别提取两幅图像的特征，采用优先KD树特征进行匹配，利用匹配的特征使用RANSAC算法求取图像间的单应性矩阵，根据单应性矩阵做两幅图像的融合，将融合的结果和图像的特征发送至处理节点；

(2)处理节点把收到的特征进行全局特征匹配，根据全局特征匹配结果建立图像的无向图，对于每一个无向图中的图像数据，处理节点采用Levenberg-Marquardt算法优化图像投影参数，所述图像投影参数包括俯仰角、偏转角、绕相机光轴旋转角及相机光心偏移，在获取图像投影参数后，再次采用Levenberg-Marquardt算法对摄像头的径向畸变进行校正和曝光度均衡，利用优化后的图像投影参数把所有图像投影到球面坐标进行融合，对于不能融合的图像进行转发到其他处理节点或者舍弃；

(3)处理节点每隔一段时间重复步骤(2)，并根据簇内节点拓扑结构的变化调整间隔时间。

2.根据权利要求1所述的中高速传感器网络图像融合方法，其特征在于每个工作节点通过无线网络连接两个摄像头，每个工作节点中的所述两个摄像头的视角存在重叠区域，且所有摄像头采集的图像的像素精度和图像大小一致。

3.根据权利要求2所述的中高速传感器网络图像融合方法，其特征在于步骤(1)工作节点所提取特征为改进的尺度不变特征，提取方法为：

(1.1)构造octvs×intvls的图像高斯尺度空间，其中

octvs＝log(min(img_width，img_heigth))/log(2)-2，min为取最小值，intvls＝6，img_width为图像的宽度，img_heigth为图像的高度，将相邻尺度空间图像相减得到高斯差分空间；

(1.2)求取高斯差分空间的极值：设高斯差分空间中间层图像img_mid的像素点坐标为(x，y)，图像img_mid的上一层设为图像img_high，im_mid的下一层为图像img_low，图像img_high和图像img_low内的像素点坐标分别为(x’，y’)、(x”，y”)，像素点(x，y)邻域内的8个像素点设为集合PT1，像 素点(x’，y’)及(x’，y’)邻域内的8个像素点设为集合PT2，像素点(x”，y”)及(x”，y”)邻域内的8个像素点设为集合PT3，x＝x’＝x”，y＝y’＝y”，，将像素点(x，y)与集合PT1 U PT2 U PT3内的像素点逐一进行比较，求得最大值或最小值的极值点，采用三维二次函数拟合的方法对极值点精确定位，保存精确定位后的极值点(x，y)；

(1.3)然后判断各个极值点的临域内是否存在哈里斯角点，如果存在显著的哈里斯角点，那么保留该极值点，否则丢弃该极值点，判断方法为：不同尺度空间角点检测的公式为：

其中I_x、I_y为图像x，y方向的梯度值，δ_I为高斯卷积核，δ_F为特征点所在的尺度， 哈里斯角点

corner＝det(C(x，y，δ_I，δ_F))-q×trace²(C(x，y，δ_I，δ_F))，det为C(x，y，δ_I，δ_F)矩阵的行列式值，trace为C(x，y，δ_I，δ_F)矩阵的迹，q的取值为0.04--0.06，comer值超过一定阈值则认为是显著的哈里斯角点，否则丢弃该极值点，保留下来的极值点就是特征点；

(1.4)计算特征点的方向：利用特征点邻域像素的梯度及方向分布的特性，可以得到特征点(x，y)的梯度模值和梯度方向如下：

θ(x，y)＝tan^-1((Z(x，y+1)-Z(x，y-1))/(Z(x+1，y)-Z(x-1，y)))

m(x，y)为梯度模值，θ(x，y)为梯度方向，Z为特征点(x，y)所在尺度空间的像素值。在以特征点为中心的邻域窗口内采样，并用直方图统计邻域像素内的梯度方向，梯度直方图的范围0-360度，每10度一个方向，计算梯度直方图值使用一个方差等于所在尺度1.5倍的高斯权重窗对直方图加权，以直方图中的最大值作为该特征点的主方向，保留超过直方图峰值80％的梯度方向；

(1.5)生成特征描述符：将坐标轴旋转为特征点的方向，以当前特征点为中心选取16×16的窗口，以一个方差等于该16×16的窗口宽度的1/2的高斯权重对梯度模值进行加权，将16×16的窗口分割为4×4的子窗口，将0-360度均匀地划分为8个方向，每45度为一个方向，对于每一个子窗口计算该8个方向的梯度方向直方图，对4×4子窗口的8个方向梯度直方图按照位置依次排序得到 4×4×8＝128维向量的特征描述符。