[发明专利]一种基于自适应图像信息熵的特征点提取方法

说明书

本发明公开了一种基于自适应信息熵的特征点提取方法，通过设置信息熵阈值，剔除信息量少的图像块，选取出纹理丰富，变化梯度大的图像块，加入自适应算法，自动计算图像信息熵的最适阈值，对提取出的特征点进行均匀化处理，避免提取特征点过于密集，出现扎堆的现象，使算法更具有鲁棒性。采用Oxford标准数据集进行验证，与SIFT、BRISK、ORB‑SLAM2系统中特征点提取算法的实验结果进行对比。实验结果表明，本发明算法在处理时间、特征点个数、正确匹配数和正确匹配率上均优于ORB‑SLAM2，在一定程度上可以解决图像模糊、大角度转动情况下造成的图像匹配失败问题。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于自适应信息熵的特征点提取方法。

背景技术

图像匹配即通过一定的匹配算法在两幅或多幅影像之间识别同名点的过程，是通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性的分析，寻求相似影像目标的方法。图像特征点检测一直是SLAM(Simultaneous location and mapping同时定位与建图)的一个关键问题，对于位姿估计、创建地图和回环检测有着极其重要的作用。SLAM问题的描述为：移动机器人进入未知环境，利用激光或视觉传感器确定自身的位姿信息，并且实时地重构周围环境的三维地图。SLAM早期多使用激光传感器，目前基于激光传感器的技术已经十分成熟，但激光传感器成本高，而视觉传感器成本低廉且能获得更加丰富的场景信息，因此逐渐发展的视觉SLAM使得通过特征点检测的图像匹配方法日益重要。

1988年，Harris等人提出了Harris角点检测算法，主要运用微分运算和自相关矩阵进行角点检测；1994年，由Jianbo Shi和Tomasi提出的Shi-tomasi角点检测算法，是对Harris算法的改进；1999年，David Lowe提出了SIFT(尺度不变特征变换Scale-invariantfeature transform)算法，应用于2007年Davison等人提出了第一个实时的单目VSLAM系统；2006年，Herbert Bay在SIFT算法的基础上做出改进，实现了SURF(Speed Up RobustFeatures)，该算法的运行时间比SIFT快3倍；2007年Murray和Klein提出了基于FAST特征点的PTAM(Parallel Tracking And Mapping)系统；经过多年的发展，Raul Mur-Artal等人在2016年提出了基于ORB(Oriented FAST and Rotated BRIEF)特征点检测的ORB-SLAM2系统。

然而，目前ORB-SLAM2中仍存在一些问题有待解决：在光照突然变化、光照强度太强、太弱或者弱纹理环境下，特征点提取的鲁棒性问题；在动态环境下，如相机大角度转动情况下特征点丢失的问题，以及在视野中有动态物体运动的复杂环境下对特征点提取的影响等。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，本发明提出一种基于ORB特征点检测的方法，该方法在ORB-SLAM2的特征点提取算法中加入信息熵自适应算以改善图像模糊、光照变化、图像旋转、仿射变换等情况下的图像误匹配问题，提升这些场景下的特征点匹配率。

为此，本发明公开了一种基于自适应信息熵的特征点提取方法，所述方法包括：

步骤101，首先输入灰度图像，构建图像金字塔，增加尺度不变性；

步骤102，按照预先定义好的图像块大小划分图像块，自适应计算信息熵阈值，逐层对每个图像块进行信息熵和阈值的判断，选取熵值大于阈值的图像块；

步骤103，若所述图像块的熵值大于阈值，则在筛选出的信息丰富的图像块内进行FAST特征点提取，均匀化处理，并计算BRIEF描述子；

步骤104，若所述图像块的熵值小于阈值，则不进行特征点的提取；

步骤105，进行特征点匹配，计算匹配率，若此时的匹配率最高，则输出匹配率、匹配结果和此时信息熵的阈值。