[发明专利]基于改进的SURF算法的车辆摄像头图像特征提取匹配方法

说明书

本发明公开了一种基于改进的SURF算法的车辆摄像头图像特征提取匹配方法，该方法包括以下步骤：1)对获取的车辆摄像头图像进行特征检测；2)基于KD树加速的多策略融合的特征粗匹配；3)基于网格运动统计的特征精匹配。本发明方法在图像的特征提取上能够做到较为平均的分配，且KD树粗匹配和网格运动统计的精匹配在图像特征点的匹配上有效去除了错误匹配，提高了匹配的有效性，且鲁棒性以及准确性更高。

技术领域

本发明涉及图像处理方面技术，尤其涉及一种基于改进的SURF算法的车辆摄像头图像特征提取匹配方法。

背景技术

为了提高汽车的行驶安全，降低驾驶员的工作强度，世界各国对驾驶辅助系统进行了多年的研究，并已扩展到自动驾驶汽车领域。ADAS在我国发展较晚，相关技术还不成熟，且我国高级驾驶辅助系统还有很大的空缺，具有较大发展潜力。摄像头图像识别是ADAS系统道路场景分析的核心模块，对汽车ADAS的感知性能有着重要影响。因此，对于图像特征提取和配对的研究相当重要。

目前在双目摄像头上采取的图像匹配算法仍然存在特征提取过多其存在匹配错误的情况。因此，研究一种准确率更高的图像匹配方法具有重要的现实意义。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于改进的SURF算法的车辆摄像头图像特征提取匹配方法，提高特征提取及配对的有效性和实时性。

本发明解决其技术问题所采用的技术方案是：一种基于改进的SURF算法的车辆摄像头图像特征提取匹配方法，包括以下步骤：

1)对获取的车辆摄像头图像进行特征检测；

1.1)利用变尺寸的盒子滤波模板进行平滑处理得到图像金字塔；

1.2)利用积分图像计算特征矢量并引入基于Harr响应的统计方法确定特征点主方向；

1.2.1)根据积分图像计算不同尺度的盒子滤波的响应值，并确定每个像素点的Hessian矩阵行列式值；

1.2.2)利用Hessian矩阵行列式构建的图像金字塔，在每个像素点周围的立体空间内进行特征点搜索与定位；

从金字塔的第二层开始，比较每个像素点的响应值与其三维邻域的26个像素点的响应值，使用非最大值抑制的方法初步确定特征点，同时检测到极值点；

根据极值点及其响应值，删除不符合要求的极值点；

1.2.3)为确保每个特征矢量的旋转不变性及匹配的鲁棒性，该算法引入Haar小波变换为特征点确定主方向及辅方向。在以特征点为中心，半径以特征点尺度固定倍数的圆形计算区域，利用响应模板遍历圆形计算区域内所有像元，求解X，Y方向的Haar小波响应值。为保证仿射不变性，算法采用圆形高斯加权函数对得到Haar小波响应进行权重处理。其次，在圆形区域内取一个圆心角为60度的扇形区域，并以0.2弧度为步长旋转扇形区域。同时在旋转的过程中计算扇形区域内的Haar小波响应值dx，dy及方向角并统计，最终得到矢量(m_w,θ_w)：

特征点主方向为最大响应值时，对应的扇形区域所指向的方向即主方向，同时，当m_w中存在主峰值能量80％以上的次高峰时，其对应的方向即为该特征点的辅方向。

1.3)沿特征点主方向取矩形区域，将该矩形区域均分为4×4个子块，对划分的4*4个子区域分别利用Harr小波计算响应值，统计全部子区域内的响应值形成64维特征矢量；

1.4)利用特征检测结果中保留的Hessian矩阵迹的正负号将特征点分为2类，对同一类别的特征点进行匹配，实现快速匹配；

1.5)根据特征点的分布进行均匀分布处理；