專利名稱：基于自適應(yīng)sift算法的人員室內(nèi)定位方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域。是一種計(jì)算機(jī)技術(shù)、圖像攝取技術(shù)及數(shù)字圖像處理技術(shù)等對全局運(yùn)動(dòng)進(jìn)行估計(jì)，實(shí)現(xiàn)室內(nèi)人員自動(dòng)定位的方法。該方法實(shí)現(xiàn)對視頻運(yùn)動(dòng)圖像序列的自動(dòng)分析，找出其運(yùn)動(dòng)規(guī)律，從而確定目標(biāo)的具體位置。
背景技術(shù)：
全局運(yùn)動(dòng)是由像機(jī)位置或參數(shù)變化引起的一種運(yùn)動(dòng)方式，它包括了基于運(yùn)動(dòng)的場景分析、理解，三維運(yùn)動(dòng)分析等問題，目前主要用于視頻編碼、移動(dòng)機(jī)器人視覺導(dǎo)航、目標(biāo)跟蹤與識(shí)別等。對全局運(yùn)動(dòng)視頻序列圖像的二維參數(shù)模型進(jìn)行估計(jì)就是全局運(yùn)動(dòng)估計(jì)，其目的是通過對運(yùn)動(dòng)圖像序列中場景的運(yùn)動(dòng)狀態(tài)分析最終還原攝像機(jī)的運(yùn)動(dòng)狀態(tài)。目前室內(nèi)人員定位多采用無線傳感技術(shù)，但由于障礙物引起的多徑干擾，導(dǎo)致定位精度較低，不能滿足人們的實(shí)際需求。近年來，基于視覺的定位技術(shù)在多個(gè)領(lǐng)域都得到了廣泛應(yīng)用，從而為室內(nèi)定位領(lǐng)域開辟了新的思路。基于視覺的室內(nèi)定位方法不會(huì)受到周圍環(huán)境的影響，定位準(zhǔn)確，魯棒性強(qiáng)，但同時(shí)也對匹配的算法提出了很高的要求。SIFT (Scale Invariant Feature Transform)是作者 David G. Lowe 于 I999 年總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，正式提出的一種基于尺度空間的魯棒性很強(qiáng)的局部特征描述算法，它能夠抵抗大尺度縮放、劇烈的仿射和旋轉(zhuǎn)變化以及不受光照的影響。SIFT算法的實(shí)現(xiàn)主要通過以下四步來完成(I)關(guān)鍵點(diǎn)檢測，(2)關(guān)鍵點(diǎn)描述，(3)關(guān)鍵點(diǎn)匹配，(4)消除錯(cuò)配點(diǎn)。視頻運(yùn)動(dòng)圖像序列的相關(guān)性較強(qiáng)，存在大量信息冗余；相鄰兩幀圖像的時(shí)間間隔短，一般約為30ms 40ms ;噪聲、光照影響及攝像機(jī)抖動(dòng)都會(huì)引起相鄰兩幀圖像的較大幅度變化。因此室內(nèi)人員定位需要一種快速、精確且性能魯棒的算法。SIFT算法雖然具有很強(qiáng)的性能，但同時(shí)也導(dǎo)致了算法的復(fù)雜度急劇增加，對一幅320X240的圖像進(jìn)行特征提取，共確定600個(gè)特征點(diǎn)，耗時(shí)I. 1364秒，原算法時(shí)間開銷太大，直接應(yīng)用到室內(nèi)定位系統(tǒng)不能發(fā)揮出算法本身的優(yōu)勢，也不滿足實(shí)時(shí)性要求。根據(jù)以上問題，本發(fā)明提出一種自適應(yīng)SIFT算法，降低了算法復(fù)雜度的同時(shí)又保證了匹配的精確度，適用于實(shí)時(shí)定位。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種能夠應(yīng)用于室內(nèi)復(fù)雜場景的人員定位魯棒性算法，該算法在參考幀和當(dāng)前幀兩幅圖像的重疊區(qū)域上進(jìn)行特征檢測和匹配，大大提高了算法的實(shí)時(shí)性。本發(fā)明的目的是通過如下措施來達(dá)到的假設(shè)攝像機(jī)起始位置位于坐標(biāo)原點(diǎn)。首先對視頻運(yùn)動(dòng)圖像序列的第一幀圖像進(jìn)行自適應(yīng)SIFT算法特征提取，獲得該幅圖像的特征點(diǎn)向量集合，接著對當(dāng)前幀圖像進(jìn)行特征點(diǎn)提取，將獲得的特征點(diǎn)向量集合與參考幀(第一幀)圖像的特征點(diǎn)向量集合進(jìn)行SIFT特征匹配。匹配完成后以RANSAC (隨機(jī)抽樣一致性)算法消除錯(cuò)匹配，把獲得的正確匹配點(diǎn)作為估計(jì)攝像機(jī)參數(shù)模型的樣本集，最后輸出攝像機(jī)相對初始坐標(biāo)的偏移量，即攝像機(jī)的實(shí)際坐標(biāo)。本發(fā)明的技術(shù)特征在于該方法還依次包括下述步驟
I. I.對初始參考幀(第零幀)圖像執(zhí)行SIFT算法，將檢測到的所有特征點(diǎn)存儲(chǔ)在序列F中。I. 2.預(yù)測參考幀與當(dāng)前幀圖像的重疊區(qū)域，在此區(qū)域上執(zhí)行SIFT算法，將檢測到的所有特征點(diǎn)存儲(chǔ)在序列S中。算法執(zhí)行過程需要對兩幅圖像同時(shí)進(jìn)行特征提取和匹配。前一幅圖像是參考幀圖像，后一幅圖像是當(dāng)前幀圖像，它們之間的相對位移矢量就是攝像機(jī)的位移矢量。位移矢量是橫縱坐標(biāo)(AX和AY)共同變化的結(jié)果，記為L，則Z = V(AX)2 + (AF)2。那么攝像機(jī)的速
^v = ALZAt = ^(AX/At)2 +(AT/At)2，A t為視頻幀率的倒數(shù)即相鄰兩幀圖像的時(shí)間間隔。因
為攝像機(jī)移動(dòng)時(shí)的軌跡近似為一條光滑曲線，所以攝像機(jī)的速度是連續(xù)函數(shù)，即AX、AY也是連續(xù)變化的，從而可以由最近幾幀圖像間的變化來預(yù)測當(dāng)前匹配幀的變化量即重疊區(qū)域。只在重疊區(qū)域上進(jìn)行特征提取和匹配可以節(jié)約大部分時(shí)間。這里需要說明的是，重疊區(qū)域并不需要精確計(jì)算，所以只用平移變化量進(jìn)行預(yù)測，而且只要預(yù)測的區(qū)域合理就不會(huì)影響圖像間仿射、縮放等其它變化的匹配效果。由于攝像機(jī)的運(yùn)動(dòng)是隨機(jī)的，間隔時(shí)間較長的區(qū)段對當(dāng)前重疊區(qū)域的預(yù)測并沒有參考價(jià)值，所以本文只提取最近三次的模型輸出結(jié)果作為參考，采用Lagrange拋物線插值來估計(jì)。以橫坐標(biāo)變化為例，三個(gè)參考點(diǎn)依次記為(tp AX1), (t2，AX2), (t3，A X3)，需要預(yù)測的點(diǎn)記為(t4, AX4),則由Lagrange拋物線插值公式得，Ay4 = Ay1 ~ ~ 0 + Ay2 ~ ~ ^ + Ay3 ^ ~ ~
1 H11,) (t2 -tXh -h) 3 (K)(K)其中 t4可根據(jù)兩次匹配間隔的幀數(shù)差來求得?？v坐標(biāo)變化量計(jì)算與之相同。假設(shè)X軸的正方向水平向右，Y軸的正方向垂直向上，則可以計(jì)算出需要匹配的兩幅圖像中，參考幀圖像的第A X列到320列和第A Y行到240行構(gòu)成的像素區(qū)域，與當(dāng)前幀圖像的第0列到AX列和第0行到AY行構(gòu)成的像素區(qū)域是重疊區(qū)域。如果偏移量較小，說明攝像機(jī)移動(dòng)較慢或者處于靜止?fàn)顟B(tài)，待匹配的兩幀圖像之間會(huì)存在較大面積的重疊，匹配后的特征點(diǎn)對比參數(shù)模型估計(jì)實(shí)際需求要多得多，所以需要由AX和AY的方向進(jìn)一步縮小重疊區(qū)域，例如都取左半邊區(qū)域或者都取右半邊區(qū)域等。如果偏移量較大，則提取的特征點(diǎn)就會(huì)較少，不能保證參數(shù)模型估計(jì)的可行性，所以要適當(dāng)減小偏移量的值。I. 3.對序列F和序列S以歐氏距離進(jìn)行特征匹配，以RANSAC算法消除誤匹配后得到正確的匹配點(diǎn)集合。所述的歐式距離為歐幾里得距離，在自適應(yīng)SIFT算法中它是32維空間中兩個(gè)點(diǎn)之間的真實(shí)距離。特征匹配準(zhǔn)則是當(dāng)這兩個(gè)點(diǎn)的最近歐式距離與次最近歐式距離的比值小于某一閾值時(shí)就認(rèn)為是一對匹配點(diǎn)。然而這樣獲取的匹配點(diǎn)并不一定是正確的，經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，原算法的正確匹配率在70%左右。誤匹配將導(dǎo)致模型估計(jì)不準(zhǔn)確，造成定位精度降低。因此，在匹配完成后，要基于RANSAC算法剔除誤匹配。I. 4.如果匹配點(diǎn)多于3個(gè)，就將獲得的匹配點(diǎn)作為樣本集進(jìn)行參數(shù)模型估計(jì)；否則轉(zhuǎn)向步驟第1.6。
在設(shè)定某種攝像機(jī)運(yùn)動(dòng)模型的情況下，圖像上各像素點(diǎn)的運(yùn)動(dòng)服從相同的規(guī)律-共模運(yùn)動(dòng)。這種共模運(yùn)動(dòng)可以用一組模型參數(shù)來表示。因此全局運(yùn)動(dòng)估計(jì)就轉(zhuǎn)化為對模型參數(shù)的求解問題。常用的圖像運(yùn)動(dòng)模型存在多種描述形式，有基于旋轉(zhuǎn)平移假設(shè)的四參數(shù)模型，基于平行投影的六參數(shù)模型和基于透視的八參數(shù)模型等。參數(shù)越多，越能描述復(fù)雜的運(yùn)動(dòng)，但計(jì)算也越復(fù)雜。其中六參數(shù)仿射模型是一種線性模型，能夠精確地描述純旋轉(zhuǎn)、相機(jī)在場景中小深度變化時(shí)的平移和變焦運(yùn)動(dòng)，其表達(dá)式為


權(quán)利要求
1. 一種基于自適應(yīng)SIFT算法的人員室內(nèi)定位方法，首先預(yù)測待匹配的兩幀圖像的重疊區(qū)域，然后在此區(qū)域上提取特征點(diǎn)和進(jìn)行匹配，其特征在于該方法還依次包括下述步驟 I. I.對初始參考幀圖像執(zhí)行SIFT算法，將檢測到的所有特征點(diǎn)存儲(chǔ)在序列F中； I. 2.預(yù)測參考幀與當(dāng)前幀圖像的重疊區(qū)域，在此區(qū)域上執(zhí)行SIFT算法，將檢測到的所有特征點(diǎn)存儲(chǔ)在序列S中； 算法執(zhí)行過程需要對兩幅圖像同時(shí)進(jìn)行特征提取和匹配；前一幀圖像是參考幀圖像，后一幀圖像是當(dāng)前幀圖像，它們之間的相對位移矢量就是攝像機(jī)的位移矢量；位移矢量是橫縱坐標(biāo)(AX和AY)共同變化的結(jié)果，記為L，則
2.根據(jù)權(quán)利要求I所述的一種基于自適應(yīng)SIFT算法的人員室內(nèi)定位方法，其特征在于所述的Xl列為320列，所述的Yl行為240行。
3.根據(jù)權(quán)利要求I所述的一種基于自適應(yīng)SIFT算法的人員室內(nèi)定位方法，其特征在于步驟I. 4.中所述的匹配點(diǎn)多于3個(gè)。
全文摘要
本發(fā)明提供了一種基于自適應(yīng)SIFT算法的室內(nèi)人員定位方法。首先對全局運(yùn)動(dòng)的圖像序列進(jìn)行特征提取，然后將正確的匹配點(diǎn)作為樣本集估計(jì)攝像機(jī)運(yùn)動(dòng)模型，得到攝像機(jī)的實(shí)際偏移量。本發(fā)明引進(jìn)Lagrange拋物線插值，由最近三次模型匹配的結(jié)果來預(yù)測參考幀和當(dāng)前幀圖像的重疊區(qū)域。在重疊區(qū)域上提取特征點(diǎn)和進(jìn)行特征匹配，既能夠消除視頻圖像序列中存在的大量信息冗余，加快每幀圖像的處理速度，又可以提高待匹配特征點(diǎn)的有效性，減少誤匹配。使得算法具備精確性和實(shí)時(shí)性，可用于室內(nèi)人員定位系統(tǒng)。
文檔編號(hào)G06K9/64GK102629329SQ201210048089
公開日2012年8月8日 申請日期2012年2月28日 優(yōu)先權(quán)日2012年2月28日
發(fā)明者安健逞, 張會(huì)清, 曹魯光, 鄧貴華 申請人:北京工業(yè)大學(xué)