[发明专利]一种基于局部区域显著参数指标的SIFT特征检测优化方法

说明书

本发明公开了一种基于局部区域显著参数指标的SIFT特征检测优化方法，包括：检测出相应的SIFT特征点；将图像均分为局部区域，选取局部显著区域；针对每个局部显著区域，从中选取特征点；将所选取的SIFT特征点同当前特征地图进行匹配。在本发明的优点在于：更有利于提高单目SLAM系统的收敛速度，同时也有助于更精确地描述场景环境。

技术领域

本发明涉及定位与地图构建技术领域，特别涉及一种基于局部区域显著参数指标的SIFT特征检测优化方法。

背景技术

不确定环境下移动机器人的同步定位与地图创建(Simultaneous Localizationand Mapping，SLAM)是当前机器人定位与导航研究领域中极具挑战性的关键问题之一。SLAM问题的解决是机器人实现高度自主化和智能化的前提。近年来，伴随计算机视觉技术的发展和视觉传感器的广泛应用，单目视觉SLAM技术的研究已逐渐成为SLAM研究领域中的重要研究方向。基于视觉的SLAM方法首先必须要面对的就是视觉特征的提取问题。视觉SLAM方法必须获取图像中稳定且著牲的特征信息，如何从众多的视觉信息中把所需的特征信息充分有效提出是视觉SLAM研究的热点与难点。

受视觉技术和计算机性能的制约，目前有关机器视觉的研究进展还不是太快。针对一些复杂未知的场景，机器人并不能如人那般瞬间感知并捕获所处周围环境的情况，所以把哪种场景特征提取出来当作机器人的观测路标是单目SLAM中的一个难点问题。由于视觉传感器获取的初始数据信息是图像，因此要想构建出所处场景的地图描述就必须采用图像预处理技术和特征提取方法从中提取所需的信息量。目前，可从视觉图像中提取的特征种类较多，常用的有点、线、面、轮廓等。采用点特征检测算子来获取场景特征点仍是当前单目SLAM问题研究里地图特征提取的常用方式。

视觉SLAM中一般采用SIFT特征提取算法来获取自然场景地图路标。尺度不变特征变换(Scale Invariant Feature Transform，SIFT)是由David Lowe在2004年提出的，它对图像缩放、旋转、仿射变换、光照等具有不变性且对噪声不太敏感，并能完成图像间特征点的精确匹配。SIFT检测算子的基本思路是：首先建立高斯差分尺度空间并从其中检测出极值点，然后对关键点精确定位并分配主方向，最后生成特征描述子。不难发现SIFT是一种非常可靠的图像特征点检测方法，易于实现匹配且定位精度较高，因此它很快便在视觉SLAM领域得到了广泛应用。

现有技术公开了一种基于局部显著特征的快速图像配准方法，其基本流程如图1所示。

主要包括如下几个步骤：

a)将参考图像和待匹配图像进行图像增强，分别降采样，同比例缩小图像尺寸，以减少特征提取时间；

b)将得到的降采样图像分别进行SIFT特征提取；

c)采用基于改进的K-means聚类算法对特征点进行聚类；

d)通过聚类结果进行聚类分区，并利用图像信息熵对聚类分区进行筛选，裁剪掉无匹配区域，得到具有对应关系的聚类分区；

e)分别进行对应聚类区域内特征点的粗匹配，挑选出显著特征点；

f)在原始参考图像和待配准图像中分别以显著特征点为中心选择显著区域；

g)对得到的显著区域进行SIFT精匹配。

实验结果表明，此方法减少了图像匹配时间，控制了特征点数量，在保证匹配准确度的同时，有效地提高了特征匹配的效率。

但是基于局部显著SIFT特征的图像配准算法运用了改进的K-means聚类算法进行聚类筛选，需要提前确定聚类数目，较大的聚类个数不仅会增加计算复杂度，还会影响匹配精度。

发明内容