亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進(jìn)的均勻化AGAST特征提取算法

        2022-05-12 03:12:56輝,袁
        電光與控制 2022年5期
        關(guān)鍵詞:四叉樹(shù)均勻度特征提取

        王 輝,袁 杰

        (新疆大學(xué)電氣工程學(xué)院,烏魯木齊 830000)

        0 引言

        同步定位與建圖(Simultaneous Localization and Mapping,SLAM)技術(shù)因無(wú)人駕駛、機(jī)器人等應(yīng)用而逐步走入大眾視野。作為機(jī)器人底層技術(shù),通過(guò)傳感器對(duì)周圍環(huán)境信息進(jìn)行采集,并進(jìn)行實(shí)時(shí)定位與建圖,是當(dāng)前機(jī)器人研究領(lǐng)域的重要研究方向[1-2]。其中,采用視覺(jué)傳感器的視覺(jué)SLAM技術(shù)由于具有更低的成本及更好的普適性而成為當(dāng)前的研究熱點(diǎn)。基于特征點(diǎn)的視覺(jué)SLAM算法,特征點(diǎn)提取的均勻度和提取速率將直接影響SLAM位姿估計(jì)效果。

        LOWE[3]提出了尺度不變特征變換(SIFT)算法,該算法具有尺度、旋轉(zhuǎn)、亮度不變性,具有較高的精度,但其計(jì)算量大、運(yùn)行時(shí)間長(zhǎng),不適合實(shí)時(shí)SLAM;BAY等[4]提出了加速魯棒特征(SURF)算法,該算法性能優(yōu)于SIFT算法并具有更快的速度,但仍需要較長(zhǎng)時(shí)間構(gòu)建描述子,實(shí)時(shí)性較差,不具備構(gòu)建SLAM系統(tǒng)的條件;RUBLEE等[5]提出了定向FAST角點(diǎn)與旋轉(zhuǎn)BRIEF描述(Oriented FAST and Rotated BRIEF,ORB)算法,該算法基于加速段檢驗(yàn)特征(FAST)角點(diǎn)和rBRIEF(rotation-aware BRIEF)描述子,具有非??斓挠?jì)算速度,并具備旋轉(zhuǎn)不變性及描述子,但該算法提取的特征點(diǎn)存在嚴(yán)重的局部密集現(xiàn)象,在相機(jī)發(fā)生高速移動(dòng)的情況下,易發(fā)生跟蹤丟失;MUR-ARTAL等[6-7]提出了基于四叉樹(shù)的ORB特征均勻(QORB)算法,與傳統(tǒng)ORB算法相比,其主要優(yōu)勢(shì)在于提取的特征點(diǎn)更加均勻;MAIR等[8]提出了加速段檢驗(yàn)的自適應(yīng)通用角點(diǎn)檢測(cè)(Adaptive and Generic Accelerated Segment Test,AGAST)算法,該算法是對(duì)FAST算法的一種改進(jìn),主要提升了速度與亮度變化下的魯棒性,但沒(méi)有解決尺度不變性;TANG等[9]提出的幾何關(guān)聯(lián)網(wǎng)絡(luò)2代(Geometric Correspondence Network v2,GCNv2)算法是一種基于深度學(xué)習(xí)的特征提取算法,實(shí)時(shí)性較高,但對(duì)硬件平臺(tái)有較高要求;柴江龍等[10]提出變尺度因子的改進(jìn)ORB算法,提高特征點(diǎn)提取效率,但未對(duì)特征點(diǎn)進(jìn)行均勻化,特征點(diǎn)較為集中;禹鑫燚等[11]提出改進(jìn)的ORB均勻化特征提取方法,采用四叉樹(shù)方法進(jìn)行特征點(diǎn)均勻化,但所用四叉樹(shù)結(jié)構(gòu)較為傳統(tǒng),實(shí)時(shí)性較差。

        基于以上分析,為了實(shí)現(xiàn)特征點(diǎn)提取的均勻化,改善特征點(diǎn)的局部聚集問(wèn)題,避免冗余點(diǎn)對(duì)位姿估計(jì)的影響,同時(shí)具有較高的特征點(diǎn)提取速率,擁有更高的實(shí)時(shí)性,提出一種改進(jìn)的AGAST特征提取算法。通過(guò)對(duì)圖像構(gòu)建高斯金字塔,實(shí)現(xiàn)特征點(diǎn)尺度不變性,采用四叉樹(shù)方法對(duì)AGAST算法提取的特征點(diǎn)進(jìn)行管理,實(shí)現(xiàn)特征點(diǎn)在圖像上的均勻分布,根據(jù)期望特征點(diǎn)數(shù)限制每層金字塔相應(yīng)四叉樹(shù)深度,減少冗余特征點(diǎn),提高整體運(yùn)行效率。

        1 改進(jìn)的AGAST算法

        AGAST算法屬于FAST角點(diǎn)檢測(cè)算法的一種改進(jìn),具有更高的特征點(diǎn)提取速率和更好的場(chǎng)景適應(yīng)性。但同時(shí),該算法并沒(méi)有實(shí)現(xiàn)尺度及旋轉(zhuǎn)不變性,同時(shí)不生成描述子,無(wú)法進(jìn)行特征點(diǎn)匹配。本文采用四叉樹(shù)方法實(shí)現(xiàn)對(duì)AGAST特征點(diǎn)的均勻化提取,通過(guò)對(duì)輸入圖像構(gòu)建圖像金字塔,在構(gòu)建的圖像金字塔上逐層提取特征點(diǎn)并進(jìn)行四叉樹(shù)管理;采用灰度質(zhì)心法對(duì)每個(gè)特征點(diǎn)計(jì)算方向,提供特征點(diǎn)的旋轉(zhuǎn)不變描述;對(duì)每個(gè)最終選定的特征點(diǎn)生成與該點(diǎn)匹配的Brief描述子,為特征匹配提供支持。

        1.1 特征點(diǎn)提取

        FAST特征檢測(cè)算法是當(dāng)前特征點(diǎn)視覺(jué)SLAM方法中提取效率較高的算法[12]。AGAST特征檢測(cè)算法是針對(duì)FAST的一種改進(jìn)算法,具有更快的速度,在復(fù)雜場(chǎng)景圖像中有更好的表現(xiàn)[13]。如圖1所示,F(xiàn)AST算法將像素“p”與bresenham圓上的16個(gè)像素點(diǎn)進(jìn)行比較,選擇周圍半徑為3。若在bresenham圓上的16個(gè)像素點(diǎn)中存在連續(xù)的Num個(gè)像素,其灰度值與p點(diǎn)灰度值差的絕對(duì)值不小于所設(shè)定的閾值t,則認(rèn)為該點(diǎn)為特征點(diǎn),一般取Num=12。

        圖1 特征點(diǎn)檢測(cè)Fig.1 Feature point detection

        作為FAST算法的改進(jìn),AGAST算法提供了一種更詳細(xì)的配置空間,它采用“非較亮”與“非較暗”對(duì)原配置空間進(jìn)行擴(kuò)展。采用以下概念:Sn→x表示n→x的像素對(duì)于核n的狀態(tài),分配如下

        (1)

        AGAST算法通過(guò)在擴(kuò)展的結(jié)構(gòu)空間中尋找最優(yōu)決策樹(shù),結(jié)合加速分割算法,提高了特征點(diǎn)提取速率,如圖2所示。其中:小圓圈為當(dāng)前特征提取區(qū)域的像素,不同顏色表示像素之間的差異,白色為差異最小,黑色為差異最大;線條表示計(jì)算過(guò)程中連接關(guān)系。

        圖2 自適應(yīng)分割Fig.2 Adaptive segmentation

        通過(guò)在滿二叉構(gòu)型的樹(shù)中尋找最優(yōu)樹(shù)的方法,根據(jù)當(dāng)前圖像信息進(jìn)行決策樹(shù)動(dòng)態(tài)分配,提高提取效率,可以動(dòng)態(tài)適應(yīng)場(chǎng)景。AGAST算法提取的特征點(diǎn)可重用性高、較為穩(wěn)定,有利于提高位姿估計(jì)精度。

        1.2 四叉樹(shù)均勻化

        AGAST算法依然是角點(diǎn)檢測(cè)算法,同F(xiàn)AST算法類似,其提取的特征點(diǎn)依然存在一定程度的局部密集情況,為了使所提取的特征點(diǎn)更加均勻地分布于整幅圖像上,為后續(xù)的匹配操作提供更好的數(shù)據(jù)支撐,本文選用四叉樹(shù)方法對(duì)特征點(diǎn)提取過(guò)程進(jìn)行均勻化操作。

        通過(guò)對(duì)同一幅圖像提取不同的空間尺度信息,得到圖像局部和全局尺度上的一系列多分辨率圖像集合,構(gòu)建高斯金字塔,再對(duì)每一層進(jìn)行AGAST角點(diǎn)檢測(cè),從而解決AGAST算法本身沒(méi)有尺度不變特性的問(wèn)題。算法流程如圖3所示。

        圖3 算法流程Fig.3 Flow chart of the algorithm

        具體計(jì)算過(guò)程如下。

        1)為了實(shí)現(xiàn)特征的尺度不變性,對(duì)輸入的圖像進(jìn)行高斯金字塔構(gòu)建,此處選取金字塔層數(shù)為8。

        2)對(duì)圖像進(jìn)行初始結(jié)構(gòu)劃分,首先以邊長(zhǎng)30像素的正方形作為初始劃分的依據(jù),同時(shí)根據(jù)輸入圖像的實(shí)際分辨率,計(jì)算劃分后的行數(shù)與列數(shù),即

        c=w/30

        (2)

        式中:c為所求列數(shù);w為圖像橫向分辨率。由于實(shí)際視覺(jué)傳感器多為矩形,根據(jù)所得行數(shù)與列數(shù)分別計(jì)算網(wǎng)格的高和寬,即

        W=round(w/c)

        (3)

        式中,W為劃分網(wǎng)格寬度。劃分后,遍歷所有網(wǎng)格進(jìn)行特征點(diǎn)提取;若在某一個(gè)網(wǎng)格中無(wú)法提取到特征點(diǎn),則對(duì)起始閾值Tinit進(jìn)行降低,直到降低至預(yù)設(shè)的最低閾值Tmint。此處取Tinit=20,Tmint=10。

        3)步驟2)中所獲取的特征點(diǎn)存在局部密集現(xiàn)象,這些點(diǎn)之間位置接近、描述相似,稱為冗余特征點(diǎn)。使用四叉樹(shù)方法對(duì)特征點(diǎn)進(jìn)行管理,獲取均勻化特征提取結(jié)果。

        初始化節(jié)點(diǎn)O,將圖像分為4個(gè)區(qū)域,獲得初始四叉樹(shù)結(jié)構(gòu),稱為4個(gè)子節(jié)點(diǎn);對(duì)每個(gè)子節(jié)點(diǎn)內(nèi)的特征點(diǎn)數(shù)量進(jìn)行統(tǒng)計(jì),若子節(jié)點(diǎn)內(nèi)特征點(diǎn)數(shù)量大于1,則對(duì)該子節(jié)點(diǎn)繼續(xù)進(jìn)行分割;若子節(jié)點(diǎn)內(nèi)特征點(diǎn)數(shù)量小于1,則對(duì)該子節(jié)點(diǎn)進(jìn)行保存,稱為父節(jié)點(diǎn)。對(duì)各子節(jié)點(diǎn)不斷分割,直到父節(jié)點(diǎn)數(shù)量達(dá)到所設(shè)定的預(yù)期特征點(diǎn)數(shù)量,則停止分割。如圖4所示。

        圖4 四叉樹(shù)特征點(diǎn)管理Fig.4 Feature point management by quadtree

        根據(jù)預(yù)期提取特征點(diǎn)數(shù),由設(shè)定的金字塔層數(shù)和尺度因子可計(jì)算得到每層相應(yīng)的預(yù)期特征點(diǎn)數(shù)。通過(guò)預(yù)期特征點(diǎn)數(shù),對(duì)四叉樹(shù)深度進(jìn)行限制,即

        (4)

        式中:Dl為四叉樹(shù)分割深度;l為第l層金字塔;F為預(yù)期特征點(diǎn)數(shù);s為尺度因子。

        通過(guò)對(duì)四叉樹(shù)深度進(jìn)行限制,避免了四叉樹(shù)過(guò)度分割,可降低冗余點(diǎn)的產(chǎn)生,提高運(yùn)行效率。

        1.3 特征點(diǎn)方向及描述子計(jì)算

        同F(xiàn)AST特征點(diǎn)相同,AGAST特征提取算法不具備旋轉(zhuǎn)不變性,為了解決這個(gè)問(wèn)題,采用灰度質(zhì)心法對(duì)經(jīng)過(guò)篩選的特征點(diǎn)進(jìn)行角度計(jì)算,增加旋轉(zhuǎn)描述。

        特征點(diǎn)方向計(jì)算過(guò)程如下。

        1)選取特征點(diǎn),以該點(diǎn)為中心的圖像塊B的矩mp q為

        (5)

        式中:pq為矩的階數(shù)的系數(shù);x和y為圖像塊B中像素點(diǎn)坐標(biāo);I(x,y)為此像素點(diǎn)(x,y)處的灰度值。

        2)由該點(diǎn)的矩mp q可得到該點(diǎn)的質(zhì)心C的坐標(biāo)為

        (6)

        式中:m00為圖像塊0階矩;m01和m10分別為圖像塊關(guān)于x軸與y軸的1階矩。

        (7)

        通過(guò)以上步驟得到特征點(diǎn)方向,實(shí)現(xiàn)特征點(diǎn)的旋轉(zhuǎn)不變性。

        為實(shí)現(xiàn)特征匹配,需要為特征點(diǎn)匹配相應(yīng)描述子,BRIEF描述子[14]的核心思想是對(duì)選定的某一個(gè)特征點(diǎn),選取該特征點(diǎn)的鄰域P,在鄰域P內(nèi)選取n個(gè)點(diǎn)對(duì),并對(duì)各點(diǎn)對(duì)之間的灰度值進(jìn)行比較,進(jìn)而轉(zhuǎn)化為二進(jìn)制字符串,每個(gè)特征點(diǎn)均有相對(duì)應(yīng)的二進(jìn)制字符串,即為此特征點(diǎn)的描述子。由于在構(gòu)造時(shí)只考慮到單個(gè)像素處的像素值,因此對(duì)噪聲較為敏感,使用數(shù)字平滑技術(shù)對(duì)圖像進(jìn)行處理。通過(guò)高斯濾波方法對(duì)鄰域P進(jìn)行處理,可降低噪聲干擾,提高描述子的穩(wěn)定性和可重復(fù)性。

        1)選取的特征點(diǎn)為中心、大小為S×S的鄰域P(S取31);

        2)對(duì)鄰域P進(jìn)行高斯濾波,取標(biāo)準(zhǔn)差σ1=2,窗口大小為9×9;

        3)在鄰域P內(nèi)共選取n個(gè)點(diǎn)對(duì)N(x,y),并定義τ為

        (8)

        式中,p(x)為x點(diǎn)的像素值大小,綜合性能及效果考慮,選取n=256;

        4)在選取n對(duì)特征點(diǎn)之后,對(duì)選取的每個(gè)特征點(diǎn)進(jìn)行計(jì)算,將256個(gè)結(jié)果從最低位到最高位依次排列成字符串fnd(p),即

        (9)

        最終得到一個(gè)256位的二進(jìn)制字符串,即為選定特征點(diǎn)的描述子。

        根據(jù)特征點(diǎn)的描述子,選擇漢明距離作為度量,實(shí)現(xiàn)特征點(diǎn)初次匹配,獲得初始匹配集。對(duì)某特征點(diǎn),選取與漢明距離最短的一個(gè)特征點(diǎn)形成匹配對(duì),遍歷所有特征點(diǎn),得到匹配對(duì)集合。

        由于噪聲等干擾因素存在,獲取的粗匹配集中不可避免地存在一些錯(cuò)誤匹配的情況。采用隨機(jī)一致性檢測(cè)(RANSAC)來(lái)剔除錯(cuò)誤匹配對(duì)。對(duì)于一個(gè)包含錯(cuò)誤數(shù)據(jù)的集合,RANSAC算法將其中的數(shù)據(jù)分為“內(nèi)點(diǎn)”與“外點(diǎn)”,通過(guò)估算該數(shù)據(jù)集合的數(shù)學(xué)模型,剔除其中的錯(cuò)誤數(shù)據(jù)“外點(diǎn)”,保留“內(nèi)點(diǎn)”,實(shí)現(xiàn)數(shù)據(jù)集的優(yōu)化篩選。

        2 實(shí)驗(yàn)分析

        為驗(yàn)證采用四叉樹(shù)改進(jìn)的均勻化AGAST算法(QAGAST算法)的優(yōu)越性,使用AGAST,QORB特征提取算法,在Mikolajczyk特征檢測(cè)評(píng)估數(shù)據(jù)集下的4組圖像對(duì)算法進(jìn)行評(píng)估。分別對(duì)提取速率及特征點(diǎn)均勻化程度進(jìn)行比較,如圖5所示。

        圖5 測(cè)試圖集Fig.5 Test atlas

        本實(shí)驗(yàn)在Ubuntu 16.04操作系統(tǒng),CPU i5-10600KF-4.1 GHz,32 GiB內(nèi)存條件下完成。

        2.1 提取速率實(shí)驗(yàn)

        使用AGAST,QORB,QAGAST特征提取算法對(duì)Boat,Graf,Bikes,Trees 4組數(shù)據(jù)集圖像進(jìn)行特征提取,設(shè)定預(yù)期提取特征點(diǎn)數(shù)為1000。

        使用每點(diǎn)提取耗時(shí)來(lái)對(duì)特征點(diǎn)提取速率進(jìn)行衡量,如表1所示。

        表1 特征點(diǎn)提取耗時(shí)Table 1 Time cost of feature point extraction μs

        從表1可以看出,在4組對(duì)比實(shí)驗(yàn)中,改進(jìn)后的QAGAST算法提取相較于未進(jìn)行均勻化處理及方向、描述子計(jì)算的AGAST算法需要更長(zhǎng)的計(jì)算時(shí)間,但提取速率優(yōu)于QORB算法。

        將QAGAST算法與QORB算法的5組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行繪制得到如圖6所示提取耗時(shí)對(duì)比情況,圖中,縱坐標(biāo)為算法提取單個(gè)特征點(diǎn)的平均耗時(shí)。

        圖6 提取耗時(shí)對(duì)比Fig.6 Comparison of extraction time cost

        如圖6所示,在4組圖像中,QAGAST算法相比于QORB算法,每個(gè)特征點(diǎn)提取速率分別快24.01%,4.27%,10.10%,9%,平均提取速率提高12.31%。

        由上述實(shí)驗(yàn)可以看出,相較于QORB算法,改進(jìn)后的QAGAST算法具有更高的特征點(diǎn)提取速率,證明其高效性。

        2.2 均勻度實(shí)驗(yàn)

        (10)

        式中,L為均勻度指數(shù),該數(shù)值越低,則表示均勻度越好。

        使用上述4個(gè)圖像測(cè)試組分別對(duì)AGAST算法、QORB算法、QAGAST算法進(jìn)行均勻度對(duì)比實(shí)驗(yàn),如圖7所示。

        圖7 均勻度對(duì)比實(shí)驗(yàn)Fig.7 Homogenization comparison experiment

        統(tǒng)計(jì)圖像數(shù)據(jù),并使用均勻度評(píng)價(jià)函數(shù)進(jìn)行計(jì)算,得到如表2所示均勻度指數(shù)。

        表2 均勻度指數(shù)Table 2 Homogenization index

        通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以看出,采用了改進(jìn)四叉樹(shù)均勻化處理的QAGAST算法,在特征點(diǎn)提取均勻度上較未改進(jìn)的AGAST算法提升47.12%,較傳統(tǒng)四叉樹(shù)算法的QORB算法提升7.8%。

        2.3 特征匹配實(shí)驗(yàn)

        傳統(tǒng)特征點(diǎn)提取算法僅采用漢明距離進(jìn)行特征匹配,存在較多誤匹配情況,較多的匹配對(duì)數(shù)量也會(huì)對(duì)算法效率造成影響。為了實(shí)現(xiàn)更精確的特征匹配,采用RANSAC算法對(duì)特征匹配進(jìn)行篩選,可以有效剔除錯(cuò)誤匹配對(duì),保留正確匹配對(duì),降低在SLAM位姿估計(jì)時(shí)的誤差。通過(guò)使用QAGAST算法、QORB算法及AGAST算法對(duì)Boat圖像進(jìn)行特征匹配實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖8所示。

        圖8 特征匹配實(shí)驗(yàn)Fig.8 Feature matching experiment

        通過(guò)RANSAC算法實(shí)現(xiàn)了對(duì)特征匹配對(duì)的篩選,獲得了準(zhǔn)確度較高的匹配對(duì)集合。

        3 結(jié)束語(yǔ)

        本文針對(duì)特征點(diǎn)提取中存在的特征點(diǎn)局部密集問(wèn)題,提出了一種改進(jìn)的AGAST特征提取算法。通過(guò)對(duì)AGAST算法進(jìn)行高斯金字塔構(gòu)建,實(shí)現(xiàn)特征點(diǎn)的尺度不變性;使用四叉樹(shù)方法對(duì)特征點(diǎn)進(jìn)行管理,實(shí)現(xiàn)了均勻度較高的特征點(diǎn)分布;根據(jù)不同預(yù)期特征點(diǎn)數(shù)和金字塔層數(shù),對(duì)四叉樹(shù)深度進(jìn)行限制,減少了冗余點(diǎn),提高了提取效率。通過(guò)與QORB算法進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果表明,QAGAST算法特征點(diǎn)提取速率提高12.31%、均勻度提高了7.8%。采用RANSAC算法有效剔除了錯(cuò)誤匹配,獲取精確匹配集。實(shí)驗(yàn)數(shù)據(jù)表明所提算法具有一定的優(yōu)越性。

        猜你喜歡
        四叉樹(shù)均勻度特征提取
        低播量下雜交稻產(chǎn)量形成對(duì)種植均勻度的響應(yīng)
        作物研究(2023年2期)2023-05-28 13:44:14
        均勻度控制不佳可致肉種雞晚產(chǎn)
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        基于WebGL的三維點(diǎn)云可視化研究
        基于四叉樹(shù)的高效梯度域圖像融合
        Bagging RCSP腦電特征提取算法
        錦綸長(zhǎng)絲染色均勻度判色新方法
        基于四叉樹(shù)網(wǎng)格加密技術(shù)的混凝土細(xì)觀模型
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        基于四叉樹(shù)的改進(jìn)型RFID防碰撞算法
        成 人 网 站 免 费 av| 一二三区无线乱码中文在线 | 7777色鬼xxxx欧美色妇| 欧美人妻精品一区二区三区| 亚洲一区二区自拍偷拍| 中文字幕一区二区三区6| 欧美xxxxx高潮喷水| 欧美在线 | 亚洲| 亚洲精品国产一二三无码AV| 日韩av最新在线地址| 亚洲中文字幕人妻久久| 又长又大又粗又硬3p免费视频| 999精品全免费观看视频| 久久蜜桃一区二区三区| 日本强伦姧人妻一区二区| 中文成人无码精品久久久不卡| 国产无套视频在线观看香蕉| 亚洲视频观看一区二区| 男吃奶玩乳尖高潮视频| 中国丰满熟妇av| 欧洲国产精品无码专区影院| av中文字幕在线直播| 一本精品99久久精品77| 精品国产a∨无码一区二区三区| 亚洲每天色在线观看视频| 亚洲国产精品久久无人区| 日韩人妻无码精品久久久不卡| 国产精品偷伦视频免费手机播放| 亚洲一区二区女优视频| 尤物yw午夜国产精品视频| 国产亚洲精品aaaaaaa片| www.五月激情| 国产91精品在线观看| 人人妻人人狠人人爽天天综合网| 国产精品毛片无遮挡高清| av免费在线手机观看| 伊人久久综合无码成人网| 精品专区一区二区三区| 亚洲视频免费在线观看| 午夜福利试看120秒体验区| 亚洲伊人久久成人综合网|