[发明专利]一种基于SIFT算法的侧扫声呐图像匹配方法

说明书

本发明公开了一种基于SIFT算法的侧扫声呐图像匹配方法：构建尺度空间；检测DOG尺度空间极值点；除去DOG局部曲率非常不对称的像素；SIFT特征点矢量生成；计算SIFT特征点矢量距离；SIFT特征点匹配。本发明在传统的SIFT算法基础之上对SIFT的特征点的矢量生成和SIFT的矢量距离进行改进，降低特征维度且用街区距离与棋盘距离的现行组合提到欧氏距离，节省计算特征时的计算量。

技术领域

本发明涉及一种侧扫声呐图像的特征提取算法，更具体的说，是涉及一种基于SIFT算法的侧扫声呐图像匹配方法。

背景技术

同步定位与构图(Simultaneous Localization and Mapping，SLAM)方法是定位与导航研究领域之一，SLAM地图构建中环境信息的获取和表示成为实现其完全自主导航的关键因素。随着海洋产业的发展，SLAM技术逐渐应用到水下航行器的自主导航当中，但当前水下航行器利用SLAM方法都是基于侧扫声呐图像的特征提取的，将水下航行器收集到的对环境的感知信息用侧扫获取的声呐图像表示出来，从中提取更为抽象的集合特征。但是由于水下环境的复杂性以及采集到的声呐图像的低分辨率，计算量成为一个很大的问题。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于SIFT算法的侧扫声呐图像匹配方法，主要应用于侧扫图像的处理，由于侧扫声呐图像分辨率低、目标特征少等缺点往往对其进行点特征提取，在此过程中本方法在传统的SIFT算法基础之上对SIFT的特征点的矢量生成和SIFT的矢量距离进行改进，降低特征维度且用街区距离与棋盘距离的现行组合提到欧氏距离，节省计算特征时的计算量。

本发明的目的是通过以下技术方案实现的。

本发明的基于SIFT算法的侧扫声呐图像匹配方法，包括以下步骤：

第一步：构建尺度空间

将一幅获得的水下侧扫声呐图像的尺度空间L(x,y,σ)定义为：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)

其中，G(x,y,σ)是尺度可变高斯函数，I(x，y)为侧扫声呐图像；

其中，(x,y)是空间坐标，代表侧扫声呐图像的像素位置；σ表示尺度空间因子；

通过对两个相邻高斯尺度空间图像相减，得到一个DOG的响应的高斯差分图像D(x,y,σ)，差分图像函数D(x,y,σ)则表示为：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)

＝L(x,y,kσ)-L(x,y,σ) (3)

其中，k为正整数；

第二步：检测DOG尺度空间极值点

每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；

第三步：除去DOG局部曲率非常不对称的像素；

第四步：SIFT特征点矢量生成

以检测到的特征点为中心取8*8的窗口，将窗口划分为4个2*2的子区域，在每个子区域计算12个方向上的梯度方向直方图，这样一共生成2*2*12＝48维特征向量，再对其进行归一化处理；

第五步：计算SIFT特征点矢量距离

采用街区距离与棋盘距离的线性组合来代替欧式距离，街区距离与棋盘距离的线性表示为：