一种面向月面导航的自适应的地标选取方法
【技术领域】
[0001] 本发明用于视觉导航系统，特别适应于在Gl^s信号微弱甚至没有的情况下，利用 该地标选取方法来辅助导航。
【背景技术】
[0002] 在月球导航过程中，由于惯导系统存在累积误差，因此需要结合视觉导航的方法 来修正误差。在运一过程中，一个合适的地标的选择将有助于提高视觉导航的精度。
[0003] 在目前的无人机导航定位中，通过会采用人工设置地标的形式来定位无人机的位 置。也有不少相关论文阐述自然地标的选择。一般通过对相邻两帖的图像进行匹配，根据 匹配情况采用已经设计好的评价函数进行评价，依据评价结果来选取合适的地标。
[0004] 现有的识别方法存在的缺陷：地标的大小无法做到自适应，地标选取过程中无法 达到实时。
【发明内容】
[0005] 为了克服已有面向月面导航的地标选取方法的自适应能力较差、实时性较差的不 足，本发明提供一种自适应能力较好、实时性良好的面向月面导航的自适应的地标选取方 法。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 一种面向月面导航的自适应的地标选取方法，所述地标选取方法包括如下步骤：
[0008] 1)利用SiftGPU算法进行sift特征点的提取；
[0009] 2)进行特征点的降采样；
[0010] 3)采用自适应的DBSCAN聚类算法对第二步操作后的特征点进行聚类，过程如下：
[0011] 3. 1)根据每个特征点的最短距离分布，来获取聚类算法的初始化参数e ;
[0012] 3. 2)建立一种新的数据结构，该数据结构为一种二维数组，二维数组中的每一个 元素存放一个一维数组的指针，若没有对应的一维数组则存放NU化指针。
[0013]对于每一个数据点计算其在所述数据结构的表格中的位置，其中每一格的宽度高 度均为e，假如当前位置非空，则将当前点加到当前位置保存的数组的末端，直到所有数据 点均已经分配完毕；
[0014] 采用非递归的方式进行DBSCAN算法的实现，得到多个候选的地标；
[0015] 4)通过对相邻两帖图像进行匹配，获取当前地标中正确匹配上的特征点M，W及 所有地标中匹配上特征点最多的Mm。、和检测到的特征点数A，利用如下评价函数函数来获 取得分Score最高的地标为选取的地标；
阳〇17] 其中，Ci、C2为系数。
[001引进一步，所述步骤3. 2)中，采用非递归的方式进行DBSCAN算法的过程为：设置两 个指针pl，p2,分别指向开始操作的数据点W及末端的数据点；假设当前点为核屯、点，将核 屯、点W及领域内的点都加入队列中，pi移动，对第二个点进行操作，如果第二个点是核屯、点 则将其领域内的点加入队列，p2移动至末端。否则pi继续移动，直到pi=p2时一个类产 生，选取未被操作过的点，重复该过程。
[0019] 更进一步，所述步骤3. 1)中，特征点最短距离分布情况计算如下：
[0020] 对于每一个d维的特征点，首先求解每一维度上的最大值W及最小值：
[0023] l?k?d
[0024] 其中，m,表示第k维的最小值，Mk表示第k维的最大值，If表示第i个点第k维 的值，N为特征点的数目；
[00对构建d维的（Mk-nik+1)的表格S，将每一个点放置在对应的单元格中，即对于一个 二维点P(x，y); W26] 对于每一个点进行最短距离捜索，首先获取当前点在表格S中的位置location(X，y)，通过求解当前位置到达运8个点的最短距离来获取当前点的最短距离 (MinDis)，location(x-l,y-l)、location(x-l,y)、location(x-l,y+l)location(x,y-l)、 location(X,y)、location(x,y+ 1)、location(x+ 1,y-1)、location(x+1,y)、 location(x+l，y+l)，如果运八个点都不存在则范围向外扩散，当遇到存在的点时，则能找 到当前点到其他点的最短距离，时间复杂度可W记为〇(脚；
[0027] 通过对所有点的最短距离进行升序排序，选取位于序列95%位置的距离作为之后 聚类算法的初始化参数。
[0028] 再进一步，所述步骤2)中，利用K-dTree运种数据结构W及边界特征点去除方法 进行sift特征点的降采样，首先去除位于图像边缘10%范围内的特征点，如果此时特征点 数量少于1000,则不进行K-dtree特征点降采样，否则利用该结构删除距离当前点最近的 几个特征点，删除的数目由特征点总数除W1000获得，倘若特征点数小于1000则结束。
[0029] 本发明的技术构思为：传统的DBSCAN算法对初始化参数敏感且无法针对实际的 点分布进行自适应的聚类。同时一般的地标选取算法通常都要使用一个固定大小的patch 对图片进行遍历，运个过程通常非常费时，而且对于特征点分布相对稀疏的情况下，很难找 到一个固定大小的patch使之在所有情况下都能达到理想的效果。本文通过结合对DBSCAN 算法进行改进，使得聚类的过程满足实时性，同时产生的候选patch大小达到自适应，最后 利用已有的评价函数选取最后的patch作为地标。同时考虑到特征点分布在图像边缘较为 集中，使得无法得到一个合适的patch,本文通过去除图像上下左右边缘10%宽度的特征 点，对剩余的特征点进行算法测试，得到了较为理想的结果。
[0030] 本发明的有益效果主要表现在：适应能力较好、实时性良好。
【附图说明】
[0031] 图1是数据结构的示意图。
[0032] 图2是大小自适应的地标选取方法的效果示意图。
【具体实施方式】
[0033] 下面结合附图对本发明作进一步描述。
[0034] 参照图1和图2, 一种面向月面导航的自适应的地标选取方法，包括如下步骤：
[0035] 1)利用SiftGPU算法进行sift特征点的提取，SiftGPU是利用GPU加速后的Sift 算法，详细情况在http: //www.CS.unc.edu/~ccwu/siftRDu/网站上有介绍。效果女日图 2(a)所示。
[0036] 2)利用K-dTree运种数据结构W及边界特征点去除方法进行sift特征点的降采 样，首先去除位于图像边缘10%范围内的特征点，如果此时特征点数量少于1000,则不进 行K-dtree特征点降采样，否则利用该结构删除距离当前点最近的几个特征点（数目由特 征点总数除W1000获得）倘若特征点数小于1000,算法结束。效果如图2(b)所示。
[0037] 3)针对特征点的分布情况，进行每个特征点的最短距离计算，其时间复杂度 〇(脚，依据最后得到的距离分布情况，来对DBSCAN聚类算法的参数进行估计。效果如图 2(c)所示。
[0038] 特征点最短距离分布情况计算如下：
[0039] 对于每一个d维的特征点，首先求解每一维度上的最大值W及最小值：
[0042]l?k?d
[00创其中，nik表示第k维的最小值，Mk表示第k维的最大值，If表示第i个点第k维 的值，N为特征点的数目。 W44] 构建d维的（Mk-nik+1)的表格S，将每一个点放置在对应的单元格中。即对于一个 二维点P(x，y)。
[0045] 对于每一个点进行最短距离捜索（假设为二维点），首先获取当前点在表格S 中的位置location(x，y)，通过求解当前位置到达运8个点的最短距离来获取当前点 的最短足巨离（MinDi