[发明专利]基于感兴趣区域及自适应半径的ORB特征提取方法

说明书

本发明公开了一种基于感兴趣区域及自适应半径的ORB特征提取方法，首先建立高斯金字塔，获得一系列从下至上逐渐缩小的不同倍频程(octave)图像，同时用具有不同卷积核的高斯函数对每个倍频程图像进行拉普拉斯变换，以在每个倍频程中生成一组从下到上、同尺寸、不同间隔、逐渐模糊的图像。其次设计一种感兴趣区域(Region of Interest,RoI)标记技术，以在高斯拉普拉斯金字塔每一层中，基于灰度方差标记出任何可能存在ORB特征的区域。最后采用一种自适应ORB特征提取方法，根据光照亮度和图像对比度调整模板半径大小进行特征提取。本发明的方法可在复杂光照下显著提高ORB特征点的提取数量和均匀分布性。

技术领域

本发明涉及图像处理领域，具体涉及一种基于感兴趣区域及自适应半径的ORB特征提取方法。

背景技术

图像特征提取算法是计算机视觉中必不可少的关键步骤，由于廉价的相机能够提供大量的环境信息，例如颜色，形状和纹理，因此机器人专家将该计算机视觉技术广泛应用于自动导引车(Automated guided vehicle,AGV)视觉导航、目标检测与跟踪等领域。对于在复杂工作区中运行的基于视觉的AGV来说，一些具有挑战性的问题涉及大量的相机数据，由非均匀和动态照明引起的外观特征变化以及特征提取过程中的密集计算。

目前，为了提高自动导引车的智能性和适应性并减少对导航基础设施的依赖，机器人专家必须发展能够在动态照明环境中高效、稳定地识别自然地标的计算机视觉技术。由于自然地标不是一种刻意布置在环境中的导航基础设施，因此事先获取自然地标的现有分布和特征外观的先验知识很不方便。在visual SLAM框架下，特征提取的质量严重影响特征匹配的精度，其是决定姿态估计精度和鲁棒性的关键步骤。从这个意义上说，特征检测是利用自然地标进行视觉导航的一个困难而重要的过程。

常见的自然地标特征提取算法SIFT和SURF，由于其高维特征描述导致大量的计算量，这在车载控制器的软硬件资源有限情况下，限制了机器人导航的实时性。相比较而言，ORB算法提高了特征检测的效率和鲁棒性。然而，现有的基于ORB的特征检测算法仍存在一些问题:1)特征点集中在纹理复杂的区域，而其他区域的特征点较少。2)对于许多实时应用来说，特征点检测的处理时间仍然很长。3)当光照强度或图像对比度条件恶化时，ORB特征点的数目会急剧减少。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于感兴趣区域及自适应半径的ORB特征提取方法，以解决现有技术中ORB特征提取方法，在复杂光照环境中，很难平衡鲁棒性、分布均匀性和时间开销的优势。

为达到上述目的，本发明采用的技术方案如下：

一种基于感兴趣区域及自适应半径的ORB特征提取方法，包括以下步骤：

1)通过车载RGB-D相机采集RGB图像作为最底层图像，即基倍频程octave 0，通过高斯核对其进行卷积，建立高斯金字塔，生成一系列从下至上逐渐缩小的不同倍频程图像；

2)针对高斯金字塔中每一层图像，即每一个倍频程，利用不同的卷积核对其进行拉普拉斯变换，以在每一个倍频程中生成一组从下到上、同尺寸、不同间隔、逐渐模糊的图像，最终建立高斯拉普拉斯金字塔；

3)将拉普拉斯变换与高斯金字塔相结合构建高斯拉普拉斯金字塔，实现多尺度空间中的多分辨率表达；

4)采用感兴趣区域标记技术，在高斯拉普拉斯金字塔的每一倍频程的每一间隔上，根据灰度方差标记出任何可能存在ORB特征的区域；

5)针对可能存在ORB特征的区域，即感兴趣区域，根据该区域光照亮度和图像对比度，自适应调整模板半径大小，提取潜在的ORB特征。