[发明专利]一种基于快速鲁棒特征的低空无人机视觉定位方法

摘要

本发明涉及一种基于快速鲁棒特征的低空无人机视觉定位方法，能够适应低空无人机航空序列图像的旋转、尺度变换及噪声干扰，实现飞行器位置的精确估计。首先，构建了SURF尺度空间，运用快速Hessian矩阵定位极值点，计算出航空图像的64维SURF特征描述子；然后，基于Hessian矩阵迹完成特征点匹配；最后，使用RANSAC方法剔除出格点，实现位置参数的精确估计。本发明用RANSAC算法求解基准图与实时图之间的变换参数。基于RANSAC的局部参数估计完成后，剔除外点后，解算出符合匹配要求的内点，即可得到实时图基于RANSAC估计参数的变换结果以及实时图中心在基准图上的定位结果。

主权项

1.一种基于快速鲁棒特征的低空无人机视觉定位方法，其特征在于步骤如下：步骤1多尺度空间构建：以9×9的滤波器而言，高斯二阶导的大小定为3，其滤波器大小的1/3，即9×1/3=3；滤波器尺寸可用size＝3+5s公式计算，其中s是σ的倍数；步骤2快速Hessian矩阵检测：对于图像I中一个给定的点X＝(x,y)，Hessian矩阵中采用近似的高斯核函数，即箱式滤波器D_xx,D_xy,D_yy，9×9的滤波器是对高斯核函数在σ=1.2处的近似；引入高斯核函数和高斯核函数的比例因子ω，Hessian矩阵的行列式变形为det(H_opprox)＝D_xxD_yy-(ωD_xy)²，ω取常量0.9；步骤3SURF特征描述子提取：以极值点为中心选取半径为6s的圆形区域，计算哈尔小波在x和y方向上的响应值，记为h_x,h_y；以σ＝3s为加权因子对两个响应值高斯加权，记为W_hx,W_hy；对W_hx,W_hy用直方图统计并将360°均分为72组，以极值点为中心的圆均分为6个区，统计各60°扇区内的W_hx,W_hy，记为∑W_hx,∑W_hy，同时计算该区的梯度值，梯度值最大区域所在的方向即为该极值点的主方向，以∑W_hx,∑W_hy反正切计算出主方向度数，s即极值点所在尺度；首先以极值点为中心选取20×20大小的区域，将区域的方向旋转到极值点的方向；将这个正方形区域分成4×4共16个子区域，每个子区域里有(20/4=5)5×5的像素，在每一个子区域分别计算每个像素点在哈尔小波x和y方向上的响应值；计算完所有的像素的响应值后，对所有的dx，dy，以极值点为中心进行高斯加权(σ=3.35)，分别记为dx,dy，然后求和，记为∑dx,∑dy；并对dx，dy绝对值求和，记为∑|dx|,∑|dy|，均存入特征向量并归一化，形成了一个四维的向量：v＝(∑dx,∑dy,∑|dx|,∑|dy|)；对16个子区域分别求特征向量，形成一个16×4=64维的特征向量，利用该方法对一对实时图和基准图进行了SURF特征点提取；步骤4基于Hessian矩阵迹的特征点匹配：在Hessian矩阵迹计算完毕之后，对Hessian矩阵主对角线之和，即trace(i)＝∑(dx+dy)；在进行相似性度量的时候，首先判断Hessian矩阵的迹的符号，如果trace(i)是大于0的数，令描述子等于1，反之，令描述子等于-1；若两个描述子的trace(i)相同，可继续比较；反之，后面的描述子则不需要再比较；比较时需先分别计算实时图描述子discriptor_sensed和基准图描述子discriptor_ref的欧氏距离，即计算最近邻匹配点dist_f和次近邻匹配点dist_s，若dist_f/dist_f≤1，则二者匹配；步骤5基于RANSAC的局部参数估计：流程如下：（1）随机选择N个样本；（2）根据抽取样本估计模型数；（3）用估计模型计算各匹配点对间的距离，将距离小于阈值的匹配点作为内点；（4）上述过程重复k次，选择一个包含内点最多的点集，重新计算模型参数；各参数计算关系为k＝log(1-P)/log(1-(1-ε)^S)，外点概率为ε，采样点对数为s，k次采样至少有一次全部是内点的概率为P。