[发明专利]一种基于全局运动估计的自适应室内视觉定位方法

说明书

技术领域

本发明属于图像处理领域。涉及一种利用计算机技术、数字图像处理技术和光学技术实现室内视觉定位的方法。具体涉及一种基于全局运动估计的自适应室内视觉定位方法，通过对摄像头摄取视频图像的自动分析，判断摄像头的位移大小和方向。

背景技术

室内是人类活动最密集的场所，因此对于室内位置服务的研究具有重要意义。由于室内环境存在多径、非视距、复杂多变等特点，GPS信号很微弱甚至接收不到，因此室内不能应用像GPS等广泛用于室外的定位技术。基于视觉的室内定位技术因其设备简单，能克服室内多变的环境，而成为近年来室内定位技术研究的焦点。而全局运动估计算法是影响视觉定位技术的重要因素。

根据运动矢量场获取方式的不同，全局运动估计算法可划分为三类：一是基于像素的方法，二是基于特征的方法，三是基于分块的方法。对于全局运动估计，国际上已有相当多的学者做了大量的研究工作。Ye等利用基于像素相关和直方图统计的方法，得到出现概率最高的全局运动参数，但是由于像素噪声的大量存在，这种方法得到的运动参数误差比较大。Barfoot采用SIFT特征匹配法解决了三维运动估计问题，但要依靠预先放置的路标等参照物，而且速度较慢。Li提出了基于背景提取来提高全局运动估计精度和速度的算法，但没有考虑全局运动估计的实时性，算法计算量依然比较大。近年来，对于很多全局运动估计方法，一个主要的问题是计算量较大，导致参数估计速度慢，因而限制了它们的应用，难以满足定位的需要，提高实时性成为一个首要的问题。

发明内容

为了减少全局运动估计的计算量，提高估计速度，本发明提出一种基于全局运动估计的自适应室内视觉定位方法，通过对摄像头摄取视频图像的自动分析，判断摄像头的位移大小和方向。

为了实现上述目的，本发明采取如下技术方案：首先以改进的最小亮度变化快速角点检测算法(Minimum Intensity Change，MIC)和SURF(Speed Up Robust Features)算法为基础进行特征点的提取和匹配，运用Kalman滤波估计每次匹配图像的重叠区域；然后只在重叠区域上进行特征点的检测和匹配，用全局运动估计方法计算出序列图像中连续两幅图像的偏移量，以提高该方法的实时性；最后根据匹配结果用六参数仿射模型估计出摄像头的位移大小和方向，在上位机界面实时绘制出摄像头真实移动轨迹，并根据设定的无线信标信息对绘制的轨迹进行校正。

一种基于全局运动估计的自适应室内视觉定位方法，依次包括下述步骤：

步骤1，摄像头采集地面图像信息，得到当前帧和参考帧图像，对图像进行自适应平滑滤波预处理，然后把彩色图像转换成灰度图像。

步骤2，在Kalman滤波算法能够准确预测重叠区域前需要进行M次匹配。如果两幅图像成功匹配的次数小于M次，则在原图上执行步骤3；如果大于M次，进而在重叠区域执行步骤3。

M值越大精度越高，但计算量越大，实验表明M＝5时满足精度要求。

Kalman滤波算法具体方法如下所示：

(1)读入当前匹配之前的五次匹配数据：X轴和Y轴偏移量；

(2)由Kalman滤波算法的状态预测方程得到当前匹配的重叠区域：(X轴和Y轴偏移量)；

(3)根据预测出的X轴和Y轴偏移量进行优化。

如果X轴或Y轴的偏移量过大，可能是由于预测误差所导致，以至于两幅图像的重叠区域过小，找不到匹配点或成功匹配点数太少，需要强制配置一个比较适当的重叠区域；如果X轴或Y轴的偏移量过小，在两幅图像匹配时，可能会产生大量的信息冗余，需要强制配置一个比较适当的重叠区域。

(4)输出X轴和Y轴偏移量。

步骤3，用改进MIC算法提取特征点。

改进MIC算法使用了USAN(Univalve Segment Assimilating Nucleus)的概念，采用8邻域线性插值法简单地判断所提取的特征点是不是角点，方法如下：

如果R>T，则认为当前点为角点。其中，R＝min(r_L，r_H，r_F，r_I),H,F,I，L、H、F、I为正方形模板边界上的点，如图3所示，r_L，r_H，r_F，r_I表示为模板内任意方向的角点响应函数，T为设定的阈值。

步骤4，根据步骤3得到的特征点，分别对每一个特征点用SURF算法进行特征点主方向的确定。