[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

本發明涉及基于MTLBP?Li?KAZE?R?RANSAC的機器人運動監測視覺信息融合方法，是一種對國防軍事和民用領域機器人運動監測的的分布式視覺信息融合的方法，屬于目標跟蹤領域，其特征在于采用如下步驟：(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。本發明相較于傳統的識別方法有著高精度、高效率、低延時的特點，大大提高目標識別的速度。對于錯誤數據的識別和剔除有著較為準確的判斷，提高精確信息的置信度，獲得更準確的識別結果。

技術領域

本發明涉及目標跟蹤領域，主要是一種國防軍事和民用領域中機器人運動監測的分布式視覺信息的融合方法。

背景技術

目標識別追蹤，在無人駕駛，國防軍事等領域有著重要的應用實踐，對于傳統的目標追蹤通常是利用紅外或其它機器視覺手段標記出目標對應的關鍵點或關鍵部分，然后通過對關鍵點標志的檢測，或者測標志在空間中的位置或者其動態背景的變換，結合RANSAC算法從而實現對于目標物體的追蹤，但是由于旋轉角度或者光線背景的變化、目標物體由遠及近的狀態變化導致的其形態大小的改變，容易導致關鍵點或關鍵部分的丟失或變化，或者在獲取目標信息的數據集時，容易產生大量異常數據需要從中剔除，不然極其容易導致對于目標的跟蹤失敗。并且由于實時的數據獲取需要采樣大量的數據模型，傳統的系統處理速度達不到實時性的要求，從而產生識別延遲，亦對于目標物體的追蹤容易失敗。對于以上問題，擬提出一種基于MTLBP和Li-KAZE以及R-RANSAC算法的視覺信息融合方法，來改善和解決以上的不足，從而達到高精度、高效率、低延時的目的。

此種方法針對圖像的尺度變換、仿射變換等幾何變換有著較為準確的識別，MTLBP算子在同尺度不同角度上紋理特征提取，增加特征點的來源，提高模型泛化力。Li-KAZE算子具有尺度不變特性和旋轉不變特性，在圖像特征點提取中具有較好的效果。獲取的關鍵幀通過圖像特征點匹配后，采用R-RANSAC算法對錯誤的匹配點進行剔除，提高算法到的精確度，保證視覺信息的準確性。本方法相較于傳統方法有著較為準確匹配識別率和實時性。

發明內容

針對上述現有技術中存在的問題，本發明要解決的技術問題是提供一種基于MTLBP-Li-KAZE-R- RANSAC的機器人運動監測視覺信息融合方法，其具體流程如圖1所示。

技術方案實施步驟如下：

(1)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，則該位置標記為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

(2)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：