[发明专利]一种基于图像匹配的目标定位方法

说明书

本发明公开了一种基于图像匹配的目标快速精确定位方法。首先利用快速目标提取算法对目标实测图像序列进行处理，从目标实测图像序列中提取出待定位目标有效像素；然后利用快速图像匹配算法对提取目标后的实测图像和机载参考图像进行匹配；最后利用目标高精度定位算法对快速图像匹配结果进行处理，从而获取目标位置信息。本发明与现有目标定位方法相比，能够大幅提高目标定位的实时性和精确度。

技术领域

本发明属于目标定位技术领域，特别涉及了一种基于图像匹配的目标定位方法。

背景技术

侦察机、导弹、无人机等在执行任务时，需要精确定位重要目标，目标定位的精度和效率直接决定任务的成败。现有的目标定位方式大多采取几何式定位方式和图像匹配定位方式。几何式定位精度受飞行器自身导航系统及几何量测信息的精度影响，导致目标定位误差较大。图像匹配定位通过将飞行器拍摄目标得到的实测图像与机载参考图像进行匹配获取目标点的精确位置信息。随着图像匹配技术的深入研究，开展利用快速图像匹配辅助目标进行快速精确定位对目标快速精确定位发展具有重要意义。

目前，国内外基于特征的快速图像匹配算法研究比较多，如在2004年DavidG.Lowe提出SIFT算法，SIFT算法的优点为对图像尺度不同、亮度不同和旋转不同的图像拼接效果较好以及抗噪声能力强的特点，成为了应用范围普遍的流行算法。2006年HerbertBay等提出SURF算法，这种算法提取的特征具有平移、缩放、旋转的不变性，并且对光照、仿射及投影差异也有相对较好的鲁棒性。随着对特征点匹配速度的要求提高，2011年EthanRublee在文献中提出ORB算法，2012年Alexandre Alahi等人在文献中提出FREAK算法。FREAK算法模拟人类视网膜的成像特性来进行采样点的设置和对应点对的选择，利用扫视搜索进行特征向量的匹配，是一种二进制描述子，具有稳定的性能，相对于SIFT、SURF算法更具鲁棒性，并且计算过程要远快过这二者，但是它不具备尺度不变性，在图像间场景存在大小尺度差异的状况下，图像间特征点的匹配对的准确度较低。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于图像匹配的目标定位方法，利用快速目标提取算法、快速图像匹配算法和目标高精度定位算法对目标进行快速精确定位，提高目标定位的实时性和精确度。

为了实现上述技术目的，本发明的技术方案为：

一种基于图像匹配的目标定位方法，包括以下步骤：

(1)采用FAST算法对目标实测图像进行特征点检测；

(2)采用FREAK算法对步骤(1)获取的特征点进行描述和匹配；

(3)采用RANSAC算法对步骤(2)得到的匹配结果进行处理，剔除误匹配点，提取目标有效像素；

(4)采用SURF算法分别对提取目标后的实测图像和参考图像进行特征点检测；

(5)采用FREAK算法对步骤(4)获取的特征点进行描述和匹配；

(6)采用RANSAC算法对步骤(5)得到的匹配结果进行处理，剔除误匹配点，计算单应性矩阵；

(7)根据步骤(3)提取出的目标有效像素和步骤(6)计算的单应性矩阵，获取目标点在参考图像中的精确位置。

进一步地，步骤(1)的过程为，定义一圆形区域，以目标实测图像中的任意一点为该圆形区域的圆心P，将圆心P处的灰度值分别与邻域内16个像素点的灰度值进行比较：

|m-p_i|＞Δd,1≤i≤16

上式中，m为圆心P处的灰度值，p_i为P点邻域内第i个点的灰度值，Δd为预设阈值；若满足上式的P点邻域内的像素点个数大于n，则将P点视为特征点，n为预设值。