[发明专利]一种用于无人驾驶的交通图像拼接方法

说明书

本发明公开了一种用于无人驾驶的交通图像拼接方法，获取要进行拼接的交通图像；构建Hessian矩阵，生成所有的兴趣点，用于特征的提取；构建尺度空间；特征点定位；特征点主方向分配；生成特征点描述子；通过双向匹配与相似小波特征匹配实现特征点的匹配；随机从数据集中随机抽出4个样本数据计算出变换矩阵H；计算投影误差，加以判定，若符合则匹配点输出，否则返回，根据特征点进行图像拼接。本发明双向相似小波特征匹配surf算法与传统Surf算法相比提高了粗匹配的精度，同时也减小了下一步Ransac去误匹配的工作量，自适应低迭代Ransac算法与传统Ransac算法相比实现了最少匹配点阈值的自适应并且降低了迭代的次数，提高了算法的效率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于无人驾驶的交通图像拼接方法。

背景技术

当前，无人驾驶作为汽车研究的主要方向之一，前景广阔，寄托了人们对未来世界的无限遐想。随着人工智能，传感器检测以及全球定位系统等关键核心技术的不断发展，无人驾驶技术不断取得进步。

要实现无人驾驶技术，实现车辆的安全稳定运行，首先要做的是通过一系列传感器实时获取外部信息，例如距离信息，速度信息，路况信息以及图像信息，并且加以判断。在这一系列外部信息中，图像信息作为一种重要的信息以及其他信息的重要来源，获取车辆外界的图像信息就显得尤为重要。

要想要更多的获取车辆的图像信息，一种方法是采用广角镜头，但这种方法成本高昂，并且获取的图像角度也有限。另一种方法是采用多台摄像机同时摄像，来模拟人驾驶时眼球转动或扭头的过程，但有大量的重复信息，这时就需要采用图像拼接将摄像机获取的多张图片拼接成一张，去除重复信息，保留大量的有用信息。因此，对于无人驾驶技术，进行图像拼接是十分有意义的。

图像拼接不是简单的将两幅图像裁剪粘合，因为受到图像拍摄的角度、几何畸变，亮度差异等方面的影响，因此需要拼接算法消除这些影响，实现对图像的拼接。常见的拼接算法一类是基于区域相关的拼接算法，另一类是基于特征相关的拼接算法。前者对于几何畸变的处理能力较弱，局限性较大，并且车辆架设摄像头一般是朝向不同方向，受几何畸变影响较大。故本发明采取基于特征检测的拼接算法。常见使用广泛的特征点方法为Sift算法，此算法具有旋转、尺度缩放，亮度变化保持不变性，独立性丰富，但是对每个特征点都需要构建128维特征向量，速度慢，不符合用于无人车实时性，快速性的要求。在此基础上提出了Surf算法，此算法继承了Sift算法的不变性，并且能够满足快速型的需求，但是对于关键点主方向的依赖程度较高，在匹配过程中仅使用欧氏距离与亮暗度信息作为匹配判据，容易出现误匹配的现象。Ransac算法用于去除误匹配，随着测试点中外点比例的增加,过程中需要的迭代次数将呈指数增长,造成迭代的次数较多，时间较长，不符合用于无人驾驶快速性的要求。

发明内容

本发明的目的在于一种用于无人驾驶的交通图像拼接方法，以克服上述现有技术存在的缺陷，本发明采用双向相似小波特征匹配Surf提取特征点并进行粗匹配，使用自适应低迭代Ransac算法去除误匹配。其中使用双相匹配能够有效提升匹配精度，相似小波特征匹配可以提高算法效率与精度，自适应低迭代Ransac算法有效提升算法的快速性。

为达到上述目的，本发明采用如下技术方案：

一种用于无人驾驶的交通图像拼接方法，包括以下步骤：

步骤1：获取要进行拼接的交通图像，记为矩阵I；

步骤2：根据步骤1获取的矩阵I构建Hessian矩阵，生成所有的兴趣点，用于特征的提取；

步骤3：根据步骤2获取的Hessian矩阵构建尺度空间；

步骤4：利用步骤2构建的Hessian矩阵与步骤3构建的尺度空间进行特征点定位；

步骤5：对步骤4定位的特征点进行主方向分配；