[发明专利]一种应用于模型匹配姿态测量的图像搜索匹配优化方法

权利要求书

1.一种应用于模型匹配姿态测量的图像搜索匹配优化方法，其特征在于，包括以下步骤：

(1)采用链码描述子或矩描述子，对目标模型投影图像簇中各帧图像的轮廓进行特征描述并归一化处理；

(2)依据目标观察图像，确定目标的姿态初值；

(3)采用链码描述子或矩描述子，对目标观察图像的轮廓做特征描述并归一化处理；

(4)以所述姿态初值作为优化起点，基于步骤(1)和步骤(3)所得归一化的特征描述，采用直接优化的方法进行迭代运算，完成搜索匹配优化。

2.根据权利要求1所述的图像搜索匹配优化方法，其特征在于：所述归一化处理，是使得目标观察图像的轮廓特征与目标模型投影图像的轮廓特征相应的描述子对平移和尺度变换具有不变性，同时对旋转变换具有变性；所述特征描述，满足姿态测量对平移和尺度的不变性要求，同时满足对旋转的变性要求。

3.根据权利要求2所述的图像搜索匹配优化方法，其特征在于：步骤(1)、(3)采用链码描述子，其归一化处理是对基本链码序列做分量统计归一，统计八方向链码的出现频次，然后对八个统计分量除以总频次做归一；或者步骤(1)、(3)采用矩描述子，其归一化处理是分析选取归一化中心矩作为矩描述来满足归一化要求，矩的阶数为2阶或2阶以上。

4.根据权利要求1所述的图像搜索匹配优化方法，其特征在于：所述姿态初值是利用目标姿态先验知识所确定。

5.根据权利要求1所述的图像搜索匹配优化方法，其特征在于：步骤(4)中迭代运算的目标函数定义为两个描述子间的距离测度。

6.一种应用于模型匹配姿态测量的图像搜索匹配优化方法，其特征在于，包括以下步骤：

(1)采用傅立叶描述子，对目标模型投影图像簇中各帧图像的轮廓进行特征描述并归一化处理；

(2)应用目标模型投影图像簇中归一化的傅立叶描述子，通过相似性学习，建立合适的神经网络；该神经网络的输入为两个不同形状的描述子，输出量化表述这两个描述子所体现的目标在方位、俯仰、滚转角度上的相似程度；所述相似性学习是应用目标模型投影图像簇中的描述子作为输入进行的；

(3)依据目标观察图像，确定目标的姿态初值；

(4)采用傅立叶描述子，对目标观察图像的轮廓做特征描述并归一化处理；

(5)以所述姿态初值作为优化起点，在目标模型投影图像簇中各帧图像的归一化傅立叶描述子中，选取具有姿态初值的描述子，将该描述子和目标观察图像的归一化傅立叶描述子这一对描述子作为输入放入所述神经网络做姿态状态识别，依据神经网络输出的姿态状态，进行迭代运算，完成搜索匹配优化。

7.根据权利要求6所述的图像搜索匹配优化方法，其特征在于：步骤(1)和步骤(4)所述特征描述，满足姿态测量对平移和尺度的不变性要求，同时满足对旋转的变性要求；在做特征描述时，采用轮廓点到形状中心的距离作为轮廓序列，并对得到的傅立叶描述子做幅度的归一化和采样频度的归一化。

8.根据权利要求6所述的图像搜索匹配优化方法，其特征在于：步骤(3)所述姿态初值是利用目标姿态先验知识所确定。

9.根据权利要求6所述的图像搜索匹配优化方法，其特征在于：在步骤(5)中，依据神经网络输出的姿态状态，采用直接优化或者结合姿态状态识别的结果自行设计，进行迭代运算，最后以两次迭代姿态角的差值作为判断迭代终止的条件，如果不满足迭代终止条件，则做姿态角的修正，修正姿态特征索引文件中的数据项，进行下一次迭代，直至完成搜索匹配优化。

10.根据权利要求6所述的图像搜索匹配优化方法，其特征在于：步骤(5)中迭代运算的目标函数定义为两个描述子间的距离测度。