[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

说明书

本发明涉及基于MTLBP‑Li‑KAZE‑R‑RANSAC的机器人运动监测视觉信息融合方法，是一种对国防军事和民用领域机器人运动监测的的分布式视觉信息融合的方法，属于目标跟踪领域，其特征在于采用如下步骤：(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。本发明相较于传统的识别方法有着高精度、高效率、低延时的特点，大大提高目标识别的速度。对于错误数据的识别和剔除有着较为准确的判断，提高精确信息的置信度，获得更准确的识别结果。

技术领域

本发明涉及目标跟踪领域，主要是一种国防军事和民用领域中机器人运动监测的分布式视觉信息的融合方法。

背景技术

目标识别追踪，在无人驾驶，国防军事等领域有着重要的应用实践，对于传统的目标追踪通常是利用红外或其它机器视觉手段标记出目标对应的关键点或关键部分，然后通过对关键点标志的检测，或者测标志在空间中的位置或者其动态背景的变换，结合RANSAC算法从而实现对于目标物体的追踪，但是由于旋转角度或者光线背景的变化、目标物体由远及近的状态变化导致的其形态大小的改变，容易导致关键点或关键部分的丢失或变化，或者在获取目标信息的数据集时，容易产生大量异常数据需要从中剔除，不然极其容易导致对于目标的跟踪失败。并且由于实时的数据获取需要采样大量的数据模型，传统的系统处理速度达不到实时性的要求，从而产生识别延迟，亦对于目标物体的追踪容易失败。对于以上问题，拟提出一种基于MTLBP和Li-KAZE以及R-RANSAC算法的视觉信息融合方法，来改善和解决以上的不足，从而达到高精度、高效率、低延时的目的。

此种方法针对图像的尺度变换、仿射变换等几何变换有着较为准确的识别，MTLBP算子在同尺度不同角度上纹理特征提取，增加特征点的来源，提高模型泛化力。Li-KAZE算子具有尺度不变特性和旋转不变特性，在图像特征点提取中具有较好的效果。获取的关键帧通过图像特征点匹配后，采用R-RANSAC算法对错误的匹配点进行剔除，提高算法到的精确度，保证视觉信息的准确性。本方法相较于传统方法有着较为准确匹配识别率和实时性。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于MTLBP-Li-KAZE-R- RANSAC的机器人运动监测视觉信息融合方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)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，则该位置标记为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

(2)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：