[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

说明书

技术领域

本发明涉及一种应用于模型匹配姿态测量的图像搜索匹配优化方法。

背景技术

模型匹配姿态测量是用目标观察图像与目标模型投影图像簇(库)中的图像做匹配，得到观察图像中目标的姿态。观察图像与投影图像簇的图像搜索匹配是模型匹配姿态测量的一个主要问题。目前的搜索方法主要是采用建立误差方程的最小二乘迭代优化方法。

迭代优化方法中，需要建立摄像机成像模型，得到成像误差方程的的数学表达，然后提取观察目标图像和模型投影图像中的轮廓，在观察图像轮廓上采样取点，求取其与投影图像上轮廓的法向或者水平垂直向距离测度，以距离测度数据列代入误差方程做各类最小二乘优化，迭代至误差小到设定限度或者距离测度小到设定限度时，认为找到了与观察图像相匹配的投影图像，投影图像对应的姿态角即为测量的姿态角。

这种方法的基础是摄像机成像模型和成像误差公式的数学形式。迭代过程中，除对图像的轮廓处理外，还涉及摄像机成像误差公式相关的复杂计算。

发明内容

本发明旨在提供一种应用于模型匹配姿态测量的图像搜索匹配优化方法，以解决现有技术运算量大、计算复杂等问题。

本发明的技术方案如下：

一种应用于模型匹配姿态测量的图像搜索匹配优化方法，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。(直接优化的方法可以采用模式搜索法进行迭代运算，但是不囿于模式搜索法，可以选择应用其它公知的直接优化方法。)

上述归一化处理，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。

上述步骤(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。(2阶是计算量相对小的描述子，随着轮廓形状复杂度的增大，可选择高阶的归一化中心矩。)

上述姿态初值是利用目标姿态先验知识所确定。(比如，可以是依据目标实际几何形状的投影分析结果，也可以是基于目标上特征点的姿态测量结果，或者基于目标轴线的姿态测量结果等；当然，也可以采用其他计算方式进行初步计算以确定姿态初值。姿态初值与特征描述是没有必然关系，提轮廓可以是确定姿态初值的多种方法之一。)

上述步骤(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。(往往基于特征描述的情况，考虑放大较大误差分量在距离测度中的作用，可以采用Euclidean欧氏距离，也可以使用其它阶的Minkowsky明氏距离。)

另一种应用于模型匹配姿态测量的图像搜索匹配优化方法，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。(由于神经网络的输出对于迭代运算具有指向性，因此，大大提高了迭代运算的速度。)