[發明專利]一種基于MTLBP-Li-KAZE-R-RANSAC的機器人運動監測視覺信息融合方法

有效

• 申請號: 202010976289.6
• 申請日: 2020-09-16
• 公開（公告）號: CN112085117B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 王松;胡燕祝;李家樂
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/74;G06V10/75;G06V10/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于MTLBP-Li-KAZE-R-RANSAC的機器人運動監測視覺信息融合方法，其特征在于：(1)確定中心元素LBP值；(2)確定每一子區域內的8維描述向量；(3)計算兩個描述向量之間的近似歐式距離；(4)進行圖像的匹配點對，確定圖像間投影變換的參數矩陣；(5)對剩下的特征點對進行dv操作；(6)確定采樣迭代次數；(7)確定似然比；(8)確定最佳閾值；具體包括以下八個步驟：

步驟一：確定中心元素的LBP值LBP(x_c,y_c)：

在視覺信息中確定一定大小的像素鄰域，設定一組閾值g_i(i＝0,1,2,…,n)，以中心像素與周圍鄰域像素之差的絕對值|i_p-i_c|，與g_i比較，當|i_p-i_c|大于設定閾值時，則位置標記為1，否則標記為0，比較后，順時針排列得到的二進制數，得到該中心像素的LBP值LBP(x_c,y_c)：

式中，(x_c,y_c)、i_c是中心像素的位置和灰度值，p、i_p為中心像素鄰域內的采樣點和灰度值，符號函數

步驟二：確定每一子區域內的m維描述向量d：

確定機器人運動監測視覺信息的特征點，以特征點為圓心，尺度參數為σ_i，取半徑為12σ_i的圓形區域作為特征點鄰域，對其進行核為2.5σ_i的高斯加權，然后將其劃分為5個圓環子區域，寬度為4σ_i，有σ_i重疊環；之后確定每一子區域的m維描述向量d：

d＝(∑L_x,∑L_y,∑|L_x|,∑|L_y|,∑L_xx,∑L_yy,∑|L_xx|,∑|L_yy|)；

式中，L_x，L_y，L_xx，L_yy分別為濾波視覺信息圖像L的一階與二階微分，|L_x|，|L_y|，|L_xx|，|L_yy|為對應的絕對值；

生成n個m維子向量，經過歸一化，最終得到n×m維的特征向量；

步驟三：計算兩個描述向量之間的近似歐式距離L₂(x,y)：

首先，在m×n維空間中，計算兩向量間的街區距離L₁(x,y)：

接著計算兩向量間的棋盤距離L_∞：

確定兩向量間的近似歐式距離L₂：

L₂＝α(L₁+L_∞)；

在上述式子中，x，y分別表示兩個同維度的向量，i為向量中的第i維，表達式中的α為一個與維度相關的實數，α的表達式為：

式中，m×n是向量維數；

步驟四：進行圖像的匹配點對，確定兩圖像間投影變換的轉換關系H：

式中，a₁、a₂、a₄、a₅是表示特征匹配點對內兩個特征點的尺度變換和旋轉變換比例的數值，a₃、a₆表示特征匹配點對內兩個特征點的平移距離，a₇和a₈為水平方向和豎直方向的形變量，a₉為常數值1；在圖像的匹配過程中，從I對預匹配點對中隨機選取n對初始匹配點對，在選取的點對中，需每個圖像中任意n-1個點不在一條直線上；

步驟五：對剩下I-n對特征點(a_i,a′_i)進行dv操作：

dv＝D(a′_i,Ha_i)；

其中，若dv小于閾值T，則認為該特征匹配對為內點，否則為外點，設當前最佳估計內點數目N_i為0，比較當前內點數目，若大于N_i則當前轉換關系H為當前最佳矩陣估計，更新N_i的值；

步驟六：確定采樣迭代次數N：

假設至少有一次采樣的n對點均為內點的概率為p，ε為一次采樣為誤匹配點對的概率，S是每次迭代使用的匹配點對數目，當ε未知的時候，在計算過程中動態估計ε和N的值，當迭代次數達到N后，保留變換H和當前的內點集，并停止迭代；

步驟七：確定似然比λ_i：

遍歷所選擇的數據集中的數據，計算約束條件下似然函數的最大值和無約束條件下似然函數的最大值，之后確定似然比λ_i：

式中，i為數據總數，x_r為數據集中的數據，H_g為假設模型為正確，H_b為假設模型為錯誤；

通過λ_i與閾值E比較，確定數據集中的數據是否與模型匹配；若λ_i大于閾值E,則模型被認為不精確，舍棄后繼續檢測下一個樣本點；

步驟八：確定最佳閾值H^*：

式中，m_s為模型檢測每個樣本所花費的平均時間，p(1|H_g)為隨機選取一個點以匹配當前模型的概率，p(1|H_b)為隨機選取一個點不滿足當前模型的概率，設：