[发明专利]一种亚像素级图像匹配导航定位方法

权利要求书

1.一种亚像素级图像匹配导航定位方法，其特征在于包括下述步骤：

步骤1：采用哈尔小波变换对输入图像进行压缩，首先执行步骤1.1；

1.1)将输入匹配图像进行小波变换，执行完以后转到步骤1.2；

1.2)运动符号编码器对图像进行编码，生成压缩图像，执行完以后转到步骤1.3)；

1.3)对编码完成的图像进行解码处理，执行完以后转到步骤1.4；

1.4)进行小波系数的反量化，执行完以后转到步骤1.5；

1.5)生成最终的重构图像，执行完以后转到步骤2.1；

假设原始图像的大小为2M×2N，记为I(x,y)，则经过哈尔小波变换可将原始图像I(x,y)分为四幅图，A为变换后的近似图像、B为水平细节图像、C为垂直细节图像、D为对角线细节图像，通过在近似图像A中进行图像特征提取与匹配能够有效降低计算量，提高快速性；

步骤2：对压缩处理后的图像进行仿射变换模拟；

仿射模型含有六个自由度，其中两个平移变量tx、ty，一个相机旋转变量ψ，一个均匀缩放系数s，另外两个变量用于定义相机主光轴方向，称为经度φ和纬度θ；

2.1)对每一幅图像进行仿射变换,模拟由于摄像机位置变化产生的仿射形变；图像的仿射形变取决于经纬度的变化，因此在对原始图像做仿射变换时只对摄像机的经纬度进行模拟，在对经纬度采样时按照如下规则进行：

①纬度角θ和倾斜程度t满足一一对应关系，即θ＝arccos(1/t)，t的采样值选为t＝1,a,a²,...,aⁿ，指数n为仿射变换的模拟次数，该值越大则模拟出的仿射变换的情况越多；

②经度角φ通过一组采样数据来实现模拟：0,b/t,...,kb/t(kb/t＜180°)，即一个t对应多个经度角，选择b为角度数，k是一个满足的最大整数，执行完以后转到步骤3.1；

步骤3)：对每一幅模拟图像提取边缘特征点；

3.1)采用中值滤波法对图像进行噪声去除，以除去孤立的点，执行完以后转到步骤3.2；

3.2)采用SUSAN算法提取图像边缘轮廓,执行完以后转到步骤3.3；

3.3)将边缘像素连接起来，执行完以后转到步骤3.4；

3.4)在图像边缘上提取图像的特征点，得到粗定位边缘点，执行完以后转到步骤4.1；

步骤4)：亚像素级特征提取

4.1)沿着粗定位边缘点的梯度方向寻找距离最近的邻近点，当梯度方向与水平方向夹角θ小于45°时，Li＝1/cos(θ)为距离长度，执行完以后转到步骤4.2；

4.2)对邻近点进行灰度线性插值处理；最后通过邻近点的灰度值计算粗定位特征点的灰度差值；根据高斯亚像素拟合原理，图像边缘点灰度值变化呈高斯分布，高斯曲线的表达式如下：

式中，μ是中心点坐标，σ是高斯函数的标准差，u是粗定位点的灰度差值；执行完以后转到步骤4.3；

4.3)采用最小二乘法拟合并计算出μ和σ，假设粗定位边缘坐标为p(x₀,y₀)，则根据σ和求取得边缘点梯度方向夹角θ求出亚像素级边缘点的坐标为p′(x₀+σcos(θ),y₀+σsin(θ))；执行完以后转到步骤5.1；

步骤5)：亚像素特征匹配

包括构建特征向量和特征向量的匹配，采用以下步骤来实现：

5.1)以亚像素边缘点为特征点(x,y)，按照下式计算其梯度和模值：

式中，L是每个特征点所在的模拟图像；在以特征点为中心的邻域窗口内进行采样，采用直方图统计领域像素的梯度方向，并用高斯函数对直方图进行平滑；梯度直方图描述的范围是0°～360°，每10°一个柱，共36个柱，以直方图的峰值作为该特征点的主方向，执行完以后转到步骤5.2；

5.2)在特征点所在的尺度空间中以关键点为中心产生一个圆形区域，计算像素梯度，将圆形区域旋转至主方向，对梯度做高斯加权；执行完以后转到步骤5.3；

5.3)将圆形区域分为2×2个扇形子区域，在每个扇形区域内统计8个方向的梯度直方图，执行完以后转到步骤5.4；

5.4)将4个扇形的梯度直方图合并得到32维的描述符然后进行归一化处理，执行完以后转到步骤5.5；

5.5)计算两幅图像中特征向量的夹角，若图像1中特征向量与图像2中特征向量的最小夹角为θ_min，次小夹角为θ_sec，且存在(θ_min/θ_sec)＜t，则对应的特征点为一对匹配点；执行完以后转到步骤5.6.1；反之则特征点不是一对匹配点，继续寻找下一对匹配点，执行完以后转到步骤5.1；

5.6)采用改进的RANSAC算法去除误匹配；

5.6.1)用比值θ_min/θ_sec对初始匹配点对进行排序并构成一个集合，比值最小的特征点对是集合的第一个元素，根据比值大小升序排序，执行完以后转到步骤5.6.2；

5.6.2)在排好序匹配对中选取前S个为一个数据集，在前S-1个数据集中选择3个匹配对，然后选取第S个数据为第4个匹配对，利用四个匹配对计算单应矩阵H；执行完以后转到步骤5.6.3；

5.6.3)将步骤5.6.2中的四组点剔除后，其他点根据单应矩阵H，计算相应投影点；执行完以后转到步骤5.6.4；

5.6.4)计算其他点和投影点之间的误差e，并和误差极限δ比较，eδ为内点，反之为外点；执行完以后转到步骤5.6.5；

5.6.5)计算内点数目t并和设定内点数目阈值T比较，如t＞T，则内点数目更新为t，执行完以后转到步骤5.6.6；若t≤T，则令S等于S-1，并转到步骤5.6.2；

5.6.6)更新内点数目t后，再次计算单应矩阵H，获取新的内点；执行完以后转到步骤5.6.7；

5.6.7)若迭代次数小于给定的最大迭代次数，返回单应矩阵H，反之模型不符合，剔除匹配点对，结束流程；

即用比值θ_min/θ_sec对初始匹配点对进行排序并构成一个集合，比值最小的特征点对是集合的第一个元素；每次按顺序从集合中选取4对特征点进行变换矩阵的估计。