[发明专利]机场识别中基于局部全局特征联合决策的聚类方法

权利要求书

1.一种机场识别中基于局部全局特征联合决策的聚类方法，其特征在于包括以下步骤：

步骤一、对于模板图像，首先生成各视点的图像；已有的ASIFT算法中模拟视角变化，变换矩阵A=abcd]]>分解为：

式中，λ＞0，φ和为摄像机的视角，分别代表经度角和纬度角，ψ为摄像机的旋转角，T_t为倾斜程度；

对倾斜参数t和经度角φ进行采样，参数t按照等比数列t＝1,a,a²,...,aⁿ进行采样，其中n＝5，参数φ按照等差数列φ＝0,b/t,...,kb/t进行采样，其中b＝72,kb/t＜180°；

将得到的t和φ的采样值代入下式：

I′(φ,t)=cosφ-sinφsinφcosφ·t001·I---(2)]]>

式中，I为输入图像，I′(φ,t)为模拟一个视角的一个图像；

取图像序列的第K帧，进行如下操作：

①提取第K帧图像的Surf特征，Surf特征采样Henssian矩阵获取图像局部最值，在求主方向阶段依赖于局部区域像素的梯度方向；

②分别提取模板图像及其生成的各视角的图像的Surf特征；

③依次将第K帧图像与模板图像及其多视角图像进行特征匹配，匹配规则如下：

取第K帧图像一个特征点向量X与模板图像某一视角图像的所有特征点向量进行点乘，若满足点乘积最小值不大于点乘积次小值与一个阈值相乘，则接受该特征点向量X与点乘积最小的特征向量是匹配成功的；统计该视角情况下所有匹配成功的点对，点对数目大于某一阈值threshold，则认为第K帧图像与该视角模板图像匹配成功；

④当第K帧图像与模板图像的某视角图像匹配成功后，计算第K帧图像匹配成功点的最小外接矩形，即为第K帧图像中的目标位置；

步骤二、选择Orb特征作为相邻两帧之间进行匹配的特征；取前一帧图像一个特征点向量X与后一帧图像的所有特征点向量进行点乘，若满足点乘积最小值不大于点乘积次小值与一个阈值相乘，则接受该特征点向量X与点乘积最小的特征向量是匹配成功的，获得相邻两帧之间匹配成功的点对；

利用公式（3）求取相邻两帧之间的单应矩阵：

q=HpH=h11h12h13h21h22h23h31h32h33=h1Th2Th3T---(3)]]>

式中，p＝(x,y,1)是前一帧图像上匹配成功的点的齐次坐标，q＝(u,v,1)是对应在后一帧图像的点的齐次坐标；H是3×3的矩阵，其中，h_i(i＝1,2,3)为向量(h_i1,h_i2,h_i3)；通过单应矩阵H，每组对应点得到以下两个方程：

h1Tp-u(h3Tp)=0---(4)]]>

h2Tp-v(h3Tp)=0---(5)]]>

所有匹配上的点对代入上面两个方程，获得单应矩阵H；

从第K帧开始启动相邻帧间Orb特征匹配线程，则从第K帧到第N帧图像的单应矩阵H_KN由公式(6)得到：

H_KN＝H_N(N-1)·H_(N-1)(N-1)·…·H_(K+1)K    (6)

步骤三、当多视角图像Sruf特征匹配线程结束时，若未得到第K帧的目标位置，则令当前帧为第K帧，重新进行多视角Surf特征匹配和相邻帧间Orb特征匹配，直到得到第K帧的目标位置；

若得到了第K帧的目标位置，则将该目标位置与相邻帧间Orb特征匹配得到的第K帧到第N帧的单应矩阵相乘，获得当前帧的目标位置：

(x_N,y_N,1)^T＝H_KN·(x_K,y_K,1)^T    (7)

式中，(x_K,y_K,1)^T是图像多视角Surf特征匹配的结果，表示在第K帧目标位置框的四个坐标之一的齐次坐标，H_KN为上一步得到的第K帧到第N帧的单应矩阵，则(x_N,y_N,1)^T代表第N帧的目标框的四个坐标之一的齐次坐标；依次将四个坐标代入公式(7)，得到第N帧的目标框；

在获得当前帧目标位置的基础上，不启动多视角Surf特征匹配线程，只进行逐帧的Orb特征匹配，利用相邻两帧之间的单应矩阵，用公式(7)不断更新目标位置，并记录累积帧数；

步骤四、当步骤三的累积帧数达到阈值，则启动多视角Surf特征匹配线程进行误差校正，用多视角Surf特征匹配与帧间匹配联合确定的目标位置替代原始目标位置。