[发明专利]全景辅助泊车系统的图像配准方法

权利要求书

1.一种全景辅助泊车系统的图像配准方法，其特征在于，包括以下步骤：(1)采集基准图与待配准图的图像数据；(2)分别对步骤(1)所采集到的基准图和配准图的图像数据依次进行直方图均衡、高斯平滑滤波预处理；(3)分别采用Harris角点提取法对经过步骤(2)所述预处理的基准图和配置图进行特征点选取，并将获取到的特征点对应的角点坐标分别存储；(4)采用Taylor多项式对步骤(3)所提取到的待配准图像的特征点进行亚像素校正，并将获取到的亚像素校正特征点存储；(5)首先在基准图上选取欧式距离大于50像素的特征点作为候选角点，接着在每一个基准图特征点的位置，搜索其对应匹配图的特征点坐标的欧式距离为50像素内的亚像素校正特征点，完成基准图与待配准图的粗匹配；(6)首先采用Canny算子分别对经过步骤(5)所述粗匹配的基准图以及待配准图进行边缘提取二值化，然后采用部分Hausdorff距离算法进行基准图与待匹配图的精确匹配；(7)采用仿射变换模型对经过步骤(6)所述精确匹配后的待匹配图像点进行空间变换处理，获取待匹配图各图像点相对应的仿射变换坐标；(8)将步骤(7)获取到的待匹配图各图像点相对应的仿射变换坐标与步骤(6)中经过精确匹配的基准图进行融合处理，以输出配准图像。

2.根据权利要求1所述全景辅助泊车系统的图像配准方法，其特征在于，步骤(3)所述的Harris角点提取法为：

A)、首先使用模板窗口在原图像上移动，该模板窗口为高斯窗或矩形窗，接着将模板窗口取得的原图像生成2*2的图像二阶导数自相关矩阵C(x,y):C(x,y)=G(s)⊗IxIxIyIxIyIy]]>其中，G(s)为高斯模板，I_x为该点在x方向的梯度，I_y为该点在y方向的梯度；

B)、求取C(x，y)的特征值λ₁、λ₂，并建立度量函数R₁：

R₁＝det(C)-k(trace(C))²；其中det(C)＝λ₁λ₂，trace(C)＝λ₁+λ₂，k＝0.04；

C)、再建立度量函数R₂：R₂＝min(λ₁，λ₂)，求取平均值R：R＝(R₁+R₂)/2

D)、选取阈值Y：Y＝(R_1max+R_2max)/20，其中R_1max、R_2max分别为度量函数R₁、R₂的最大值；

E)、判断R与Y的关系，如果R＞Y，则为角点，否则不为角点。

3.根据权利要求1所述全景辅助泊车系统的图像配准方法，其特征在于，步骤(6)所述的精确匹配包括以下步骤：①、计算图像的局部梯度函数M和边缘方向函数O：使用2x2的模板作为二维高斯函数的x和y方向偏微分的一阶近似，则局部梯度函数边缘方向函数O(x，y)＝arctan(G_y/G_x)；②、对梯度进行非极大抑制：首先，将每个像素点的8邻域分为4个编号为0-3的扇形区域，其中，0号扇形区域的梯度方向为：-22.5°～22.5°和-157.5°～157.5°，1号扇形区域的梯度方向为：22.5°～67.5°和-157.5°～-112.5°，2号扇形区域的梯度方向为：67.5°～112.5°和-112.5°～-67.5°，3号扇形区域的梯度方向为：112.5°～157.5°和-67.5°～-22.5°；接着，设中心区域像素为S[i，j]，将其分别与0-3号扇形区域的两个像素梯度值进行比较，若S[i，j]的梯度值不比这两个像素的梯度值大，则令S[i，j]＝0，将S[i，j]存储于N(i，j)中，N(i，j)则为非极大抑制后的图像；③、使用两个阈值T1和T2对N(i，j)做阈值处理，其中T1＜T2，值大于T2的边缘像素称为强边缘像素点，则该点为边缘点，T1和T2之间的边缘像素称为弱边缘像素点，再根据边缘连通性进一步判断其是否为边缘点；如果弱边缘像素点的邻接像素中有边缘点，则认为该弱边缘像素点也为边缘点，否则，认为该点为非边缘点；获取到的基准图与待配准图的边缘图像点分别存入A，B两个点集中；④、H_k，l(A，B)为部分Hausdorff距离：H_k，l(A，B)＝max(h_k(A，B)，h_l(B，A))，表示A到B点集的距离按照从小到大的顺序排列，其中序号为k的距离为h_k(A，B)，同样B到A点集从小到大序号为l的距离为h_l(B，A)；其中k＝<f₁×p>，0≤f₁≤1；l＝<f₂×q>，0≤f₂≤1；1≤k≤p，1≤l≤q，p，q分别为k，l的最大值，||a-b||表示AB点集中某点a到某点b的距离；⑤、沿二值化图像边缘，构建小区域子图像坐标集，分别求取部分Hausdorff距离，选取f₁，f₂为0.8，部分hausdorff距离小于阈值τ时的两图中心的角点认为是匹配点，其中，τ＝3。