[发明专利]一种基于MTLBP-Li-KAZE-R-RANSAC的机器人运动监测视觉信息融合方法

权利要求书

1.一种基于MTLBP-Li-KAZE-R-RANSAC的机器人运动监测视觉信息融合方法，其特征在于：(1)确定中心元素LBP值；(2)确定每一子区域内的8维描述向量；(3)计算两个描述向量之间的近似欧式距离；(4)进行图像的匹配点对，确定图像间投影变换的参数矩阵；(5)对剩下的特征点对进行dv操作；(6)确定采样迭代次数；(7)确定似然比；(8)确定最佳阈值；具体包括以下八个步骤：

步骤一：确定中心元素的LBP值LBP(x_c,y_c)：

在视觉信息中确定一定大小的像素邻域，设定一组阈值g_i(i＝0,1,2,…,n)，以中心像素与周围邻域像素之差的绝对值|i_p-i_c|，与g_i比较，当|i_p-i_c|大于设定阈值时，则位置标记为1，否则标记为0，比较后，顺时针排列得到的二进制数，得到该中心像素的LBP值LBP(x_c,y_c)：

式中，(x_c,y_c)、i_c是中心像素的位置和灰度值，p、i_p为中心像素邻域内的采样点和灰度值，符号函数

步骤二：确定每一子区域内的m维描述向量d：

确定机器人运动监测视觉信息的特征点，以特征点为圆心，尺度参数为σ_i，取半径为12σ_i的圆形区域作为特征点邻域，对其进行核为2.5σ_i的高斯加权，然后将其划分为5个圆环子区域，宽度为4σ_i，有σ_i重叠环；之后确定每一子区域的m维描述向量d：

d＝(∑L_x,∑L_y,∑|L_x|,∑|L_y|,∑L_xx,∑L_yy,∑|L_xx|,∑|L_yy|)；

式中，L_x，L_y，L_xx，L_yy分别为滤波视觉信息图像L的一阶与二阶微分，|L_x|，|L_y|，|L_xx|，|L_yy|为对应的绝对值；

生成n个m维子向量，经过归一化，最终得到n×m维的特征向量；

步骤三：计算两个描述向量之间的近似欧式距离L₂(x,y)：

首先，在m×n维空间中，计算两向量间的街区距离L₁(x,y)：

接着计算两向量间的棋盘距离L_∞：

确定两向量间的近似欧式距离L₂：

L₂＝α(L₁+L_∞)；

在上述式子中，x，y分别表示两个同维度的向量，i为向量中的第i维，表达式中的α为一个与维度相关的实数，α的表达式为：

式中，m×n是向量维数；

步骤四：进行图像的匹配点对，确定两图像间投影变换的转换关系H：

式中，a₁、a₂、a₄、a₅是表示特征匹配点对内两个特征点的尺度变换和旋转变换比例的数值，a₃、a₆表示特征匹配点对内两个特征点的平移距离，a₇和a₈为水平方向和竖直方向的形变量，a₉为常数值1；在图像的匹配过程中，从I对预匹配点对中随机选取n对初始匹配点对，在选取的点对中，需每个图像中任意n-1个点不在一条直线上；

步骤五：对剩下I-n对特征点(a_i,a′_i)进行dv操作：

dv＝D(a′_i,Ha_i)；

其中，若dv小于阈值T，则认为该特征匹配对为内点，否则为外点，设当前最佳估计内点数目N_i为0，比较当前内点数目，若大于N_i则当前转换关系H为当前最佳矩阵估计，更新N_i的值；

步骤六：确定采样迭代次数N：

假设至少有一次采样的n对点均为内点的概率为p，ε为一次采样为误匹配点对的概率，S是每次迭代使用的匹配点对数目，当ε未知的时候，在计算过程中动态估计ε和N的值，当迭代次数达到N后，保留变换H和当前的内点集，并停止迭代；

步骤七：确定似然比λ_i：

遍历所选择的数据集中的数据，计算约束条件下似然函数的最大值和无约束条件下似然函数的最大值，之后确定似然比λ_i：

式中，i为数据总数，x_r为数据集中的数据，H_g为假设模型为正确，H_b为假设模型为错误；

通过λ_i与阈值E比较，确定数据集中的数据是否与模型匹配；若λ_i大于阈值E,则模型被认为不精确，舍弃后继续检测下一个样本点；

步骤八：确定最佳阈值H^*：

式中，m_s为模型检测每个样本所花费的平均时间，p(1|H_g)为随机选取一个点以匹配当前模型的概率，p(1|H_b)为随机选取一个点不满足当前模型的概率，设：