[发明专利]一种基于图像特征标定的实时障碍物检测方法

权利要求书

1.一种基于图像特征标定的实时障碍物检测方法，其特征在于：包括以下步骤：

步骤一：图像采集与预处理：通过视觉传感器采集获得连续两帧的图像，对所述图像进行裁剪后再进行灰度化处理，获得连续两帧的灰度图；

步骤二：通过改进的LOG算法对所述灰度图进行图像特征的提取，获得连续两帧灰度图的特征图；

步骤三：通过改进的FLANN算法对特征图进行特征匹配，获得连续两帧的特征图之间的匹配关系图；

步骤四：通过A-D匹配过滤算法对匹配关系图内的特征点进行过滤，过滤特征点后获得新的匹配关系图：

步骤41：获取所需判断的两个特征点为kp₁、kp₂，kp₁、kp₂的坐标分别为

步骤42：获得两特征点的角度和距离：两特征点的角度为两特征点的距离为

步骤43：计算获得关联度ξ：两个特征点kp₁与kp₂的关联度ξ的表达式为

步骤44：根据过滤函数，确定保留还是剔除上述特征点，所述过滤函数为其中φ为关系阈值；

步骤五：对障碍物进行标定：提取障碍物轮廓，获得障碍物的运动方向和距离。

2.如权利要求1所述的一种基于图像特征标定的实时障碍物检测方法，其特征在于：所述步骤二中改进的LOG对灰度图进行特征提取的具体步骤为：

步骤21：选取某个像素p，其像素值为V_p，以p点为中心，画一个半径为σ像素的圆，圆上的(σ+1)²个像素记为

步骤22：确定决策阈值，记为θ_p；

步骤23：根据步骤21从p中选取的(σ+1)²个像素，获得决策变量为

步骤24：当有个连续的值等于1时，则表明p点周围像素与p差异较大，认为p为可能的LOG特征点；通过计算的值如果少于3个值为1则可以直接剔除该点，否则需要进一步计算；

步骤25：获得所有潜在的LOG特征点，形成潜在LOG特征点集合；

步骤26：验证潜在LOG特征点集合内的点，获得特征图：应用标准LOG算法对所有潜在LOG特征点集合内的特征点进行特征提取，获得最终的LOG特征点集合，并将LOG特征点表示于灰度图中，形成特征图。

3.如权利要求1所述的一种基于图像特征标定的实时障碍物检测方法，其特征在于：所述步骤三中改进的FLANN对特征图进行特征匹配的具体步骤为：

步骤31：假设簇划分为C_i(i＝1,2...k)，簇C_i的均值向量为μ_i，μ_i的表达式为：

步骤32：将所对应的簇C_j排除，其中为簇C_i的质心、为簇C_j的质心、l为阈值；

步骤33：将步骤32剩下的簇进行特征匹配：对任意两均值向量μ_i、μ_m，求欧式距离得到的最小的D(μ_i，μ_m)即为最佳匹配，D(μ_i，μ_m)的表达式为D(μ_i，μ_m)＝||μ_i，其中μ_m为簇C_m的均值向量；

步骤34：将所有最佳匹配后的特征点用线连接，得到连续两帧的特征图之间的匹配关系图。

4.如权利要求1所述的一种基于图像特征标定的实时障碍物检测方法，其特征在于：所述步骤五中的提取障碍物轮廓的具体步骤为：根据经步骤四过滤后图像上的特征点形成的特征点集，获得上述特征点集内特征点的横纵坐标的极值，即为x_min、x_max、y_min、y_max，根据极值画出矩形轮廓，所述矩形轮廓即为障碍物轮廓。

5.如权利要求1所述的一种基于图像特征标定的实时障碍物检测方法，其特征在于：所述步骤五中的障碍物的运动方向和距离的具体获得方法为：

步骤51：获得障碍物轮廓的重心：其中β_x、β_y为障碍物轮廓重心的横纵坐标值，x_min、x_max、y_min、y_max为障碍物轮廓内的特征点的横纵坐标极值；

步骤52：获得障碍物的运动方向的角度：其中w为画面宽度；

步骤53：获得障碍物的距离：其中h_s为摄像头的安装高度，h_total为画面总高度。