[发明专利]在光强分布不均匀环境下的融合光流和SIFT特征点匹配的低动态载体速度计算方法

摘要

本发明公开了一种在光强分布不均匀环境下的融合光流和SIFT特征点匹配的低动态载体速度计算方法，通过安装在移动载体上的车载摄像机采集载体的动态图像，采用金字塔Lucas‑Kanade光流和SIFT特征点匹配两种算法分别检测出当前帧和下一帧图像中的特征点并对其进行匹配，然后根据匹配成功的若干对特征点所对应的像素位移计算出在载体坐标系下的速度V_光流、V_SIFT，并将两者的差值ΔV以及加速度差值Δa输入到改进的自适应卡尔曼滤波器,对光流法计算得到的载体速度V_SIFT进行直接校正。通过本发明求取速度精度高和求取速度快，显著提高了低动态载体速度的估计精度和实时性。

主权项

1.一种在光强分布不均匀环境下的融合光流和SIFT特征点匹配的低动态载体速度计算方法，其特征在于，包括下列步骤：步骤1，在移动载体上安装车载摄像机，使其镜头垂直向下放置，用于拍摄地面图像，在所拍摄的图像中选取一个矩形区域作为感兴趣的区域ROI,后续的图像处理均在ROI中进行；步骤2，在感兴趣区域ROI中使用Shi‑Tomasi角点检测方法检测提取图像中的角点，并记录下角点在图像坐标系中的坐标；步骤3，采用金字塔Lucas‑Kanade光流法对步骤(2)中所提取地角点进行跟踪，从而获取这些角点在下一帧图像坐标系中的坐标位置；步骤4，通过RANSAC方法筛选并剔除跟踪异常的角点，对跟踪正常的角点在前后两帧图像坐标系中的坐标进行处理，计算出这些正常角点的横向和纵向位移并进行叠加，将叠加值求平均得到横向位移的平均值纵向位移的平均值步骤5，在感兴趣区域ROI中采用SIFT算法对相邻两帧图像进行特征点的检测及生成两幅图像的SIFT特征向量；步骤6，获取SIFT特征向量后，进行特征点匹配；步骤7，重复步骤4中的方法，得到正常匹配特征点的横向位移的平均值纵向位移的平均值步骤8，假设摄像头光心到地面的距离为Z_R，归一化焦距分别为f₁，f₂，使用公式(5)、(6)、(7)求出移动载体沿摄像机坐标系X轴和Y轴的速度；式中，分别为正常匹配特征点的横向和纵向位移的平均值，F为摄像机的帧率，f₁，f₂表示归一化焦距；步骤9，利用步骤(8)，载体分别在光流法、SIFT方法下解算出的速度为V_x光流、V_y光流、V_xSIFT、V_ySIFT；在考虑移动载体只做前进和旋转运动的情况下，便可由V_y光流、V_ySIFT表示移动载体前进方向上的速度，并将两者做差得ΔV，两者的加速度差Δa设为常数，把ΔV、Δa共同输入到改进的自适应卡尔曼滤波器中进行数据融合；步骤10，改进的自适应卡尔曼滤波器的系统方程以解算出的V_y光流、V_ySIFT两者之差ΔV和Δa作为状态变量，以每一时刻视觉测量得到的V_y光流、V_ySIFT之差ΔV作为观测量，在该系统中由于光流法视觉速度信息计算较快，SIFT视觉速度信息计算较慢，如果同一帧图像下光流法视觉速度计算完成而SIFT视觉速度信息计算未完成，则使用前一次SIFT速度信息进行信息融合：滤波器的系统方程和观测方程如式(8)、(9))所示：Z(k)＝H(k)X(k)+V(k)             (9)式(8)中T为相邻时刻间隔周期，α为载体加速度差值时间常数的倒数，的值取为k时刻加速度差的估计值Δa(k/k‑1)，最优控制信号式(9)中H(k)＝[1 0]，V(k)为观测方程噪声，系统噪声矩阵Q(k‑1)如式(10)所示：上式中加速度差值的方差σ²表示为：式(11)中，Δa_new‑max，Δa_new‑min分别为加速度差值所能达到的最大值与最小值，其值随Δa(k/k‑1)的改变而改变；假定载体加速度的差值在[Δa_‑up,Δa_up]区间内，并且设定两个阈值Δa_y与Δa_‑y，使得Δa_y>Δa_up,Δa_‑y<Δa_‑up，则Δa_new‑max与Δa_new‑min的值由下列公式确定：引入滤波残差err(k)来调整系数k₁、k₂，k₁、k₂的取值用公式(14)、(15)、(16)表示：err(k)＝Z(k)‑H(k)X(k/k‑1)              (16)式(14)、(15)中n为设定的一个正数，k₁₁、k₁₂、k₂₁、k₂₂均为常数；k₁₁的取值空间为k₁₂的取值空间k₂₁的取值范围为k₂₂的取值范围为步骤11，使用改进的自适应卡尔曼滤波器的估计值对光流法测量得到视觉速度V_y光流进行直接校正，从而得到了精度较高的移动载体速度。