申请/专利权人：东北农业大学

申请日：2022-11-23

公开（公告）日：2024-04-02

公开（公告）号：CN115861555B

主分类号：G06T17/05

分类号：G06T17/05;G06T7/13;G06T5/70;G06T5/73;G06T5/20;G06V10/50;G06V10/74

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.04.14#实质审查的生效;2023.03.28#公开

摘要：本发明提供一种基于自然特征的增强现实地图空间匹配方法及移动设备,属于地图识别技术领域，本发明利用了边缘检测结果参与关键点计算与挑选，根据关键点与地图县界界线的位置关系设置权重，计算每个关键点总价值，价值较高的关键点继续进行特征点提取，价值较低的关键点可忽略，此方法不仅可以减少运算量，而且可以减少地图中地名地址、街道、河流等细小、繁琐、重复性较强的数据对总体界线识别造成的混淆干扰，弱化了易受影响区域对整体识别率的影响。本发明针对矢量底图数据能够实施有效地提取特征点，匹配结果的精准度明显提高，能够较好适用于地图数据识别场景。

主权项：1.一种基于自然特征的增强现实地图空间匹配方法，其特征在于，方法步骤如下：步骤一：首先对参考地图图像和待匹配地图图像进行图像预处理操作，首先使用双边滤波的方法去除地图数据中清晰度低且内容冗杂的噪声数据；然后使用直方图均衡化的方法减少图像的灰度级别，增强局部对比度；接着对图像边缘进行增强处理和锐化处理，更清晰地显示地图界线数据；最后选取地图中信息分布均匀且丰富的地区进行地图局部提取处理，具体步骤如下：步骤一一：使用双边滤波的方法去除地图数据中影响特征点提取的信息，双边滤波器使用二维高斯函数生成距离模板，使用一维高斯函数生成值域模板，距离模板系数的生成公式如下： 其中,k,l为模板窗口的中心坐标点；i,j为模板窗口的其他系数的坐标点，σd为生成距离模板系数的二维高斯函数的标准差；值域模板系数的生成公式如下： 其中，fi,j和fk,l分别表示图像在坐标点i,j和坐标点k,l处的像素值，σr为生成值域模板系数的一维高斯函数的标准差；将上述两个模板相乘就得到了双边滤波器的模板： 步骤一二：使用直方图均衡化的方法减少图像的灰度级别，进行图像增强；直方图均衡化的灰度值hv的计算公式如公式4所示， 其中，cdfv为累积分布函数值，cdfmin为累积分布函数最小值，M和N分别代表了图像的长宽像素个数，而L’则是灰度级数，步骤一三：对地图数据进行图像边缘增强的方法以更清晰地显示地图界线；步骤一四：选取地图中信息分布均匀且丰富的地区进行地图局部提取处理，设定地图信息阈值，舍弃地图中大于该阈值的地图信息，最终获取到数据量分布均匀的地图信息；步骤二：使用基于SIFT算法改进的特征点提取方法进行地图数据特征点提取，步骤具体如下；步骤二一：基于Canny算子进行边缘检测，提取地图中的外围界线数据；步骤二二：尺度空间构建，对参考地图图像和待匹配地图图像分别进行尺度变换，获得多尺度空间中的图像表示序列，提取尺度空间中主轮廓，并以此作为特征向量，实现关键点提取；步骤二三：在获取的空间内进行极值点检测，对每个像素点与周围所有的相邻点进行比较，选取范围内的极大值和极小值，获取的局部极值点即为关键点；步骤二四：对每个极值点采用三维二次函数拟合，然后对函数求极值从而精确确定关键点的位置和尺度，尺度空间函数在极值点处泰勒展开，求其导数并将其值设为0，得到的极值公式如下： 其中，为关键点极值，是极值点的偏移量，D是尺度空间函数在关键点取值矩阵，DT是D的转置矩阵，ei’为第i’个关键点的位置权重，即根据关键点与地图县界界线位置关系设置的权重,范围为0-1，越靠近界线，权重越大，关键点极值越大，当公式中关键点极值认为该关键点极值与位置权重均较低，该关键点极值不符合要求，属于错误极值点，该关键点被剔除；步骤二五：对获取的关键点确定特征方向，这个关键点方向信息需要对图像角度和旋转具有不变性，以保证后续特征匹配的准确性和效率，方向信息是通过计算每个关键点的梯度来实现的，任一关键点的梯度幅值mx,y如公式6所示： 其中，L为关键点所在的尺度空间值；梯度方向θx,y如公式7所示： 首先计算以关键点为中心的领域内所有点位的梯度方向，然后将这些梯度方向归一化到36个方向内，每个方向代表10度范围；然后分别计算落在每个方向域内的关键点个数，由此生成梯度方向直方图，梯度方向直方图中y值最大的方向作为当前关键点的主方向；然后对关键点进行描述，生成参考地图图像和待匹配地图图像的中心特征点描述子，方法具体如下：以关键点为中心取16*16的256个小窗格，每个小格代表关键点和邻域点所在尺度空间的一个像素，根据公式6和7求得每个小格的梯度幅值和方向，箭头方向即为梯度方向，箭头长度即为梯度幅值，然后使用高斯加权计算，然后将像素16*16的格子分成16个像素4*4的子区域，每个子区域计算8个方向的梯度方向直方图，形成一个种子点，这个试验区共有16个种子点，每个种子点有8个方向向量信息，这个4*4*8共128维的特征向量，就是中心特征点描述子，即图像的特征点，判断两个特征点之间的关系是根据128维特征向量的关系来判断的；步骤三：取出参考地图图像中的某个特征点，然后在待匹配地图图像中找到与其欧氏距离最近的两个特征点，分别计算该特征点与对应特征点的最近欧氏距离和次近欧式距离，其中，两个特征点之间的欧氏距离计算公式为： 其中，dij为两个特征点之间的欧氏距离，dil和djj是特征分量，dN是两点之间最近距离，ds是次近距离，t为设置的给定阈值，如果最近的距离除以次近的距离小于阈值，则初步接受这一对匹配点，同样的方法获取所有特征点的相似性，然后结合步骤二四中根据关键点与地图县界界线位置关系设置的权重，通过加权方式计算整体相似度，弱化易受影响区域对识别准确性的影响，图像整体相似度的计算公式如公式9所示： 其中，si’为第i’个关键点的相似率；待匹配地图图像与参考地图图像中界线数据越相似，则识别率越高，根据整体相似度确定图像匹配度；步骤四：用RANSAC算法来估计参考地图图像和待匹配地图图像之间的变换矩阵，并去除不符合该变换矩阵的异常点对，消除误匹配，最终确定正确的匹配点。

全文数据：

权利要求：

百度查询： 东北农业大学 基于自然特征的增强现实地图空间匹配方法及移动设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD