[发明专利]基于自适应SIFT算法的人员室内定位方法

说明书

技术领域

本发明属于图像处理领域。是一种计算机技术、图像摄取技术及数字图像处理技术等对全局运动进行估计，实现室内人员自动定位的方法。该方法实现对视频运动图像序列的自动分析，找出其运动规律，从而确定目标的具体位置。

背景技术

全局运动是由像机位置或参数变化引起的一种运动方式，它包括了基于运动的场景分析、理解，三维运动分析等问题，目前主要用于视频编码、移动机器人视觉导航、目标跟踪与识别等。对全局运动视频序列图像的二维参数模型进行估计就是全局运动估计，其目的是通过对运动图像序列中场景的运动状态分析最终还原摄像机的运动状态。

目前室内人员定位多采用无线传感技术，但由于障碍物引起的多径干扰，导致定位精度较低，不能满足人们的实际需求。近年来，基于视觉的定位技术在多个领域都得到了广泛应用，从而为室内定位领域开辟了新的思路。基于视觉的室内定位方法不会受到周围环境的影响，定位准确，鲁棒性强，但同时也对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1999年总结了现有的基于不变量技术的特征检测方法，正式提出的一种基于尺度空间的鲁棒性很强的局部特征描述算法，它能够抵抗大尺度缩放、剧烈的仿射和旋转变化以及不受光照的影响。SIFT算法的实现主要通过以下四步来完成：(1)关键点检测，(2)关键点描述，(3)关键点匹配，(4)消除错配点。

视频运动图像序列的相关性较强，存在大量信息冗余；相邻两帧图像的时间间隔短，一般约为30ms～40ms；噪声、光照影响及摄像机抖动都会引起相邻两帧图像的较大幅度变化。因此室内人员定位需要一种快速、精确且性能鲁棒的算法。SIFT算法虽然具有很强的性能，但同时也导致了算法的复杂度急剧增加，对一幅320×240的图像进行特征提取，共确定600个特征点，耗时1.1364秒，原算法时间开销太大，直接应用到室内定位系统不能发挥出算法本身的优势，也不满足实时性要求。根据以上问题，本发明提出一种自适应SIFT算法，降低了算法复杂度的同时又保证了匹配的精确度，适用于实时定位。

发明内容

本发明要解决的技术问题是提供一种能够应用于室内复杂场景的人员定位鲁棒性算法，该算法在参考帧和当前帧两幅图像的重叠区域上进行特征检测和匹配，大大提高了算法的实时性。

本发明的目的是通过如下措施来达到的：假设摄像机起始位置位于坐标原点。首先对视频运动图像序列的第一帧图像进行自适应SIFT算法特征提取，获得该幅图像的特征点向量集合，接着对当前帧图像进行特征点提取，将获得的特征点向量集合与参考帧(第一帧)图像的特征点向量集合进行SIFT特征匹配。匹配完成后以RANSAC(随机抽样一致性)算法消除错匹配，把获得的正确匹配点作为估计摄像机参数模型的样本集，最后输出摄像机相对初始坐标的偏移量，即摄像机的实际坐标。本发明的技术特征在于该方法还依次包括下述步骤：

1.1.对初始参考帧(第零帧)图像执行SIFT算法，将检测到的所有特征点存储在序列F中。

1.2.预测参考帧与当前帧图像的重叠区域，在此区域上执行SIFT算法，将检测到的所有特征点存储在序列S中。

算法执行过程需要对两幅图像同时进行特征提取和匹配。前一幅图像是参考帧图像，后一幅图像是当前帧图像，它们之间的相对位移矢量就是摄像机的位移矢量。位移矢量是横纵坐标(ΔX和ΔY)共同变化的结果，记为L，则那么摄像机的速度Δt为视频帧率的倒数即相邻两帧图像的时间间隔。因为摄像机移动时的轨迹近似为一条光滑曲线，所以摄像机的速度是连续函数，即ΔX、ΔY也是连续变化的，从而可以由最近几帧图像间的变化来预测当前匹配帧的变化量即重叠区域。只在重叠区域上进行特征提取和匹配可以节约大部分时间。这里需要说明的是，重叠区域并不需要精确计算，所以只用平移变化量进行预测，而且只要预测的区域合理就不会影响图像间仿射、缩放等其它变化的匹配效果。

由于摄像机的运动是随机的，间隔时间较长的区段对当前重叠区域的预测并没有参考价值，所以本文只提取最近三次的模型输出结果作为参考，采用Lagrange抛物线插值来估计。以横坐标变化为例，三个参考点依次记为(t₁，ΔX₁)，(t₂，ΔX₂)，(t₃，ΔX₃)，需要预测的点记为(t₄，ΔX₄)，则由Lagrange抛物线插值公式得，