[發(fā)明專利]一種無(wú)標(biāo)識(shí)三維注冊(cè)算法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810228293.7
• 申請(qǐng)日: 2018-03-16
• 公開(kāi)（公告）號(hào): CN108416846A
• 公開(kāi)（公告）日: 2018-08-17
• 發(fā)明（設(shè)計(jì)）人: 王一帆;陳鋼;張煜;孫漢旭
• 申請(qǐng)（專利權(quán)）人: 北京郵電大學(xué)
• 主分類(lèi)號(hào): G06T19/00
• 分類(lèi)號(hào): G06T19/00;G06F17/50;G06K9/46;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種無(wú)標(biāo)識(shí)三維注冊(cè)算法，其特征在于，所述方法包括：

依據(jù)圖像的特征點(diǎn)及特征點(diǎn)鄰域的紋理特征，改進(jìn)特征向量的構(gòu)建方式；

依據(jù)特征點(diǎn)及改進(jìn)的特征向量，設(shè)計(jì)一種訓(xùn)練樣本集的構(gòu)建方法；

依據(jù)訓(xùn)練樣本集，構(gòu)建隨機(jī)森林分類(lèi)器，利用分類(lèi)器的匹配結(jié)果，計(jì)算出相機(jī)位姿，完成模型的疊加顯示。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述改進(jìn)特征向量的構(gòu)建方式至少包括：

(1)利用SURF特征提取算法獲得特征點(diǎn)集

SURF算法通過(guò)Hessian矩陣來(lái)確定特征點(diǎn)的位置，Hessian矩陣如下所示：

其中(x,y)為圖像中像素點(diǎn)的坐標(biāo)，Hessian矩陣的判別式為：

當(dāng)Hessian矩陣的判別式取得局部極大值時(shí)，判定當(dāng)前點(diǎn)是比周?chē)徲騼?nèi)其他點(diǎn)更亮或更暗的點(diǎn)，由此來(lái)定位特征點(diǎn)的位置，對(duì)目標(biāo)圖像中的每一個(gè)像素點(diǎn)進(jìn)行上述處理，得到圖像的特征點(diǎn)集KP，kp_i(i＝1,2,…,n)為特征點(diǎn)集KP中的第i個(gè)特征點(diǎn)；

(2)利用SURF算法與LBP算法獲得特征向量集

SURF算法基于Hessian矩陣和harr小波特征計(jì)算獲得特征點(diǎn)kp_i的特征向量，用表示，該向量對(duì)光照變化和尺度變化有較強(qiáng)的魯棒性，但對(duì)于旋轉(zhuǎn)變化，視角變化的魯棒性較差；

LBP算法通過(guò)對(duì)像素和它局部周?chē)袼剡M(jìn)行對(duì)比獲得每個(gè)像素點(diǎn)的編碼值，以特征點(diǎn)為kp_i中心，取20×20像素的鄰域，統(tǒng)計(jì)該鄰域內(nèi)所有像素點(diǎn)的LBP值，得到LBP特征向量，用表示，該向量具有旋轉(zhuǎn)不變性和光照不變性，將特征點(diǎn)kp_i的SURF特征向量sfd_i與LBP特征向量lfd_i結(jié)合起來(lái)，得到特征向量fd_i，如下所示：

對(duì)每一個(gè)特征點(diǎn)kp_i進(jìn)行上述處理，得到圖像的特征向量集FD，如下所示：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述訓(xùn)練樣本集的構(gòu)建方法至少包括：

(1)利用仿射變換公式獲得模板圖像集合

利用仿射變換公式對(duì)目標(biāo)圖像進(jìn)行處理，直至訓(xùn)練集擁有足夠數(shù)量的樣本，樣本中應(yīng)包含不同尺度、不同角度下的模板圖像，仿射變換公式如下：

得到模板圖像集合IM，im_i(i＝1,…,m)為IM中的第i副圖像，im₁表示未經(jīng)過(guò)仿射變換的原始模板圖像；

(2)篩選出重復(fù)性較高的特征點(diǎn)，獲得訓(xùn)練樣本集

將im₁分別基于SURF特征向量和LBP特征向量與im_j(j＝2,3,…,m)進(jìn)行特征點(diǎn)的匹配，定義變量表示特征點(diǎn)kp_i是否在圖像im₁和圖像im_j中正確匹配，的計(jì)算公式如下所示：

不同圖像間正確匹配的特征點(diǎn)不盡相同，需要篩選出重復(fù)性高的特征點(diǎn)，以此提高訓(xùn)練樣本集的質(zhì)量，用R_i表示特征點(diǎn)kp_i的重復(fù)性，其計(jì)算公式如下所示：

其中m表示圖像集合IM中圖像的個(gè)數(shù)，當(dāng)R_i大于80％，認(rèn)為特征點(diǎn)kp_i具有較高的重復(fù)性，將特征點(diǎn)kp_i和特征向量fd_i加入訓(xùn)練樣本集，對(duì)im₁中的每個(gè)特征點(diǎn)進(jìn)行篩選，得到訓(xùn)練樣本集T。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述三維注冊(cè)至少包括：

對(duì)訓(xùn)練樣本集T進(jìn)行有放回的抽樣，隨機(jī)選取約2/3的樣本作為決策樹(shù)的訓(xùn)練樣本集T'，一共從訓(xùn)練樣本集T中產(chǎn)生N個(gè)訓(xùn)練樣本集T'；接著從m₁+m₂維特征向量中任意選取k(k≤m₁+m2)個(gè)特征，一般取為了使每棵決策樹(shù)都包含surf特征和lbp特征，從特征向量的前m₁維中隨機(jī)選取m₁k/m₁+m₂個(gè)特征，從特征向量的后m₂維中隨機(jī)選取m₂k/m₁+m₂個(gè)特征，構(gòu)成最終的訓(xùn)練樣本集T”；最后基于上述每個(gè)訓(xùn)練樣本集T”構(gòu)建一棵決策樹(shù)，具體的構(gòu)建方式如下：

首先，計(jì)算當(dāng)前訓(xùn)練樣本集T”的信息熵，如下所示：

其中N為訓(xùn)練樣本集T”中的類(lèi)別總數(shù)，P_n(n＝1,2,…,N)為第n類(lèi)樣本所占的比例，然后計(jì)算按照某個(gè)特征對(duì)訓(xùn)練樣本集T”劃分的信息熵，如下所示：

其中A_k為第k個(gè)特征，設(shè)A_k有L個(gè)可能的取值，將特征取值相同的樣本劃分為一個(gè)分支節(jié)點(diǎn)，可以劃分出L個(gè)分支節(jié)，D^l表示第l(l＝1,2,…,L)個(gè)分支節(jié)點(diǎn)中訓(xùn)練樣本所構(gòu)成的集合，|D^l|表示第l分支節(jié)點(diǎn)中樣本的個(gè)數(shù)，|D|表示訓(xùn)練樣本集T”中樣本的個(gè)數(shù)，接著計(jì)算按特征A_k劃分的信息增益，如下所示：

最后，計(jì)算按特征值A(chǔ)_k劃分的信息增益率，如下所示：

選擇信息增益率較大的特征進(jìn)行劃分，在得到的分支節(jié)點(diǎn)上采取同樣的策略進(jìn)行節(jié)點(diǎn)分裂，直到某個(gè)節(jié)點(diǎn)只包含同一類(lèi)別的樣本或者特征取值不可再分，重復(fù)上述步驟，在N個(gè)訓(xùn)練樣本集T”上建立N棵決策樹(shù)，將這些決策樹(shù)組合在一起，就構(gòu)成了隨機(jī)森林分類(lèi)器，利用隨機(jī)森林分類(lèi)器實(shí)現(xiàn)圖像之間的特征點(diǎn)匹配，根據(jù)匹配的特征點(diǎn)對(duì)，結(jié)合成熟的相機(jī)標(biāo)定技術(shù)，可以得到相機(jī)當(dāng)前的位姿，進(jìn)而疊加顯示虛擬模型，完成三維注冊(cè)流程。