[发明专利]一种基于优化混合高斯模型的抗干扰视觉里程计构建方法

权利要求书

1.一种基于优化混合高斯模型的抗干扰视觉里程计构建方法，其特征在于，包括如下步骤：

步骤1，读取采集连续视频帧序列图像，进行灰度化处理，得到灰度图像；

步骤2，根据巴氏系数对灰度图像分别进行相似度检验，舍弃相似度低的图像；

步骤3，提取前n₁帧相邻帧灰度图像的特征点；

步骤4，建立优化的混合高斯模型：利用前n₁帧的相邻帧灰度图像的特征点建立混合高斯模型，并对建立的混合高斯模型进行初始化；

步骤5，利用优化的混合高斯模型进行目标检测，通过判别前n₁帧相邻帧灰度图像中的各特征点的w个高斯模型来区分静态物体与动态物体的特征点；滤除动态物体特征点，获得静态物体特征点，即为有效特征点；第r个有效特征点的行数x_r和列数y_r即为该有效特征点的位置坐标(x_r,y_r)；

步骤6，将有效特征点的位置坐标作为初始数据，根据初始数据获取第n₁+1帧至第n₁+30帧灰度图像的有效特征点；

步骤7，将前n₁+30帧图像获取的相邻帧灰度图像的有效特征点组成特征点对，完成前n₁+30帧图像的运动估计；

步骤8，循环步骤2～步骤7，重新获取有效特征点并进行运动估计直到采集的连续视频帧序列图像处理完毕，完成视觉里程计的构建；

步骤1包括如下步骤：

读取已采集的彩色图像，按照如下公式进行灰度化处理：

Gray(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1)

Gray(i,j)为灰度图像在彩色图像坐标(i,j)处的灰度值；R(i,j)为红色分量R在彩色图像坐标(i,j)处的分量值；G(i,j)为绿色分量G在彩色图像坐标(i,j)处的分量值；B(i,j)为蓝色分量B在彩色图像坐标(i,j)处的分量值；

步骤2包括：

步骤2-1，根据巴氏系数对第1帧至第5帧灰度图像和第50帧至第55帧灰度图像分别进行相似度检验，每两帧灰度图像作为一对，得到每对灰度图像相似度检验结果；

步骤2-2，判定相似度检验的结果，如果有2对以上的灰度图像的相似度小于60％，则判定为相似度低，舍弃相似度低的图像，并以5对图像为单位依次进行相似度判定，直到至少3对相似度都在60％以上；

步骤2-1包括：通过巴氏系数，根据两帧灰度图像灰度直方图的匹配程度衡量两帧灰度图像的相似度，具体过程为：

设定其中一帧灰度图像像素的灰度值概率分布即直方图数组p＝{p₁，p₂，...，p_n’，...，p₂₅₆}，p_n’为直方图数组p中的第n’个元素，n’取值为1～256，且满足以下条件：

另一帧灰度图像的灰度值概率分布即直方图数组为q＝{q₁，q₂，...，q_n’，...，q₂₅₆}，q_n’为直方图数组q中的第n’个元素，n’取值为1～256，则巴氏系数ρ[p，q]表示为：

其中，巴氏系数ρ[p，q]取值范围为0～1；

步骤3包括：

采用ORB快速特征点提取算法提取前n₁帧的相邻帧灰度图像特征点；

步骤4包括如下步骤：

利用步骤3中提取的相邻帧灰度图像特征点，只对相邻帧灰度图像特征点建立混合高斯模型，并进行参数初始化，具体包括如下步骤：

步骤4-1，建立混合高斯模型模拟复杂背景，具体为：对步骤3中获得的相邻帧灰度图像特征点都分别建立w个高斯分布，设定t时刻特征点f_t(x，y)的概率密度函数P(f_t(x，y))为：

其中，x表示特征点的行坐标，y表示特征点的列坐标，w表示混合高斯模型中高斯模型的数目；Q_n(t)表示t时刻第n个高斯分布的权值，且每个特征点的权值之和为1，即有μ_n(t)为t时刻第n个高斯分布的均值向量；C_n(t)为t时刻第n个高斯分布的协方差矩阵；F(f_t(x，y)，μ_n(t)，C_n(t))表示t时刻第n个高斯分布的概率密度，具体计算方式如下：

上式中，m表示t时刻特征点f_t(x，y)的维数，对灰度图像进行高斯建模时m取1；对高斯模型进行初始化操作时，取前n₁帧灰度图像进行计算，计算出已建立的高斯模型的均值和方差参量，均值和方差的计算公式如下：

其中μ₀表示初始时刻第n个高斯分布的均值向量，σ²表示方差；

步骤4-2，在生成混合高斯模型的过程中，通过优先级β_n(t)来进行高斯模型权值的区分，按优先级的大小选取前s₁个满足条件的高斯模型作为混合高斯模型的组成，优先级β_n(t)的计算形式为：

s₁的取值满足以下条件：

其中，s₁取值即为S的取值，T为经验阈值，范围为0～1，δ_n(t)表示t时刻第n个高斯分布的标准差，S表示生成混合高斯模型的最小值，仅在s₁个满足条件的高斯模型的高斯分布权值之和大于经验阈值T的情况下生成混合高斯模型；

步骤4-3，更新混合高斯模型参数：在检测过程中，如果当前特征点被判定为运动目标，则该特征点的模型参数不更新，否则更新模型参数，对t时刻的特征点的高斯分布有如下判定：

其中，X_n(t)表示t时刻的特征点第n个高斯分布的判定值；D表示置信参数，取值范围2～3，X_n(t)＝1表示该特征点属于背景区域，进行参数的更新；X_n(t)＝0表示该特征点和背景模型不匹配，不进行参数的更新；混合高斯模型的参数更新公式如下：

w_n(t)＝(1-α)w_n(t-1)+α (10)

μ_n(t)＝(1-ρ)μ_n(t-1)+ρf_t(x，y) (11)

其中，w_n(t)表示t时刻第n个高斯分布的权值，表示t时刻第n个高斯分布的方差，α表示权值更新频率，取值范围[0，1]；ρ表示均值与方差的更新率；ρ的具体计算公式如下：

ρ＝α×F(f_t(x，y)|μ_n(t-1)，δ_n(t-1)) (13)。