基于K‑means聚类算法的导航图像匹配过滤方法与流程

本发明涉及自主定位和导航技术，尤其涉及一种基于K-means聚类算法的导航图像匹配过滤方法。

背景技术：

移动终端是指具有图像识别功能的定位和导航设备，例如移动机器人、汽车、无人机等，在其运动过程中，需要完成避障、定位、地图构建、路径规划等一系列操作。移动终端在自身位置不确定和未知环境中运动时，需要逐步构建周围环境的地图，同时参考其位置和姿态，运用此地图进行自主定位和导航。

近年来随着计算机视觉技术的发展以及计算机运算能力的增强，基于视觉传感器的同时定位与地图创建技术(Simultaneous Localization And Mapping,SLAM)受到了广泛的重视。SLAM是指移动终端在一个未知的环境中，从一个未知的位置开始，通过对环境的观测，递增地构建环境地图，同时运用环境地图实现移动终端定位的一个过程。

在移动终端SLAM系统中，地图建模以及地图匹配都是以环境中的路标为基础的。可靠的路标能够简化SLAM中的数据关联问题，不可靠的路标容易导致错误的数据关联，最终导致整个SLAM系统发散。因此，如何利用图像特征的检测与匹配获得高质量的路标，关系到SLAM算法的鲁棒性。图像特征可分为点特征、直线特征、以及边缘、轮廓等特征。相比其他特征，点特征具有对遮挡相对鲁棒，识别性好，提取速度快等特点。因此，点特征的检测与匹配直接关系到移动终端SLAM系统的鲁棒性。

目前，常用的基于点特征的图像匹配方法主要包括以下几个步骤：图像的特征提取、特征匹配、误匹配点检测、获取高精度的匹配点。经过图像特征提取和匹配后的点对通常存在大量的误匹配的现象。现有的误匹配点检测技术可以分为3类：基于函数拟合的方法、基于统计模型的方法、基于图的方法。基于函数拟合的方法是根据图像的大小、几何变形情况选择合适的函数模型，然后使用最小二乘法求解函数的系数；基于图的方法是在局部区域内使用匹配点的分布和邻域关系来进行误匹配点检测，其主要包括GTM(graphtransformation matching)及其改进方法；基于统计模型的方法主要包括刚性图像匹配的距离比方法和RANSAC方法。距离比方法假设所有正确匹配点对的距离比形成一个类，通过统计距离比的直方图来确定满足最多数量匹配点的类中心，距离类中心较远的匹配点就是误匹配点。RANSAC则通过不断采样若干匹配点来迭代估算给定模型的最优模型参数(对应最多数量的正确匹配点)，不满足最优模型参数的匹配点就是需要检测的误匹配点。

但是，上述几种方法存在以下几点不足：(1)基于函数拟合的方法中误匹配检测的精度完全依赖于该方法获得的拟合模型。如果存在误差较大的异常点时，会导致拟合的模型误差较大。(2)基于图的方法存在如果具有相同图结构的误匹配点则无法正确区分、变形比较大的图像容易产生误判的缺点，而且在实际应用中当匹配点较多时，因迭代次数过多导致算法速度较慢。(3)基于统计模型的方法中距离比方法对于弹性图像匹配无法剔除所有误匹配点，而且如果匹配点较多时，会导致计算速度较慢；如果存在多个模型时，RANSAC算法通常无法使用。

技术实现要素：

为了克服现有技术的不足，本发明实施例提供一种基于K-means聚类算法的导航图像匹配过滤方法。通过K-means聚类算法剔除误匹配点对，可以提高SLAM系统的计算速度，减少SLAM系统的负担；同时能够修正移动终端的测量误差，实现坐标位置的校准，实时的获得精确的匹配点，提高图像匹配的准确率，提升导航路径的精确度，最终提高移动终端导航的准确率。

具体的，本发明实施例提供了一种基于K-means聚类算法的导航图像匹配过滤方法，包括：第一步骤：移动终端通过摄像头获取运动过程的图像；第二步骤：对于摄像头获取的图像提取特征点；第三步骤：通过匹配所提取图像的特征点获得匹配点对；第四步骤：利用K-means聚类算法剔除误匹配点对，获得精确的匹配点对。

优选地，在进行所述第二步骤前进行图像的预处理。

图像预处理包括图像降采样、灰度化处理、直方图均衡化。

优选地，所述第二步骤采用ORB算法从所获取的图像中提取特征点。

优选地，所述第三步骤计算每个特征点的汉明距离，获得匹配的特征点对。

优选地，所述第四步骤利用K-means聚类算法剔除误匹配点对，包括：

第一步，设根据第三步骤获得n个所述匹配点对，计算每个匹配点对的坐标差值；

第二步，采用K-means聚类算法对差值进行分类，将差值划分到第一差值集合和第二差值集合；

第三步，当所述第一差值集合和第二差值集合的差值个数相差大于a*n时，差值个数多的集合为正确配对集合；否则，方差较小的集合为正确配对集合。

优选地，所述第二步中通过K-means聚类算法将差值进行分类的过程如下：

(1)任意选择两个不同的差值作为第一差值集合和第二差值集合的初始聚类中心；

(2)分别计算其他差值到第一差值集合和第二差值集合的聚类中心的欧氏距离，将该差值划分到距离它最近的差值集合，作为该差值集合的一个成员；

(3)重新计算第一差值集合和第二差值集合中差值的均值，作为该差值集合新的聚类中心；

(4)当任意差值到其所属差值集合聚类中心的距离之和不能再减小时，聚类结束，否则返回所述(2)。

优选地，所述第三步中a的值在0.05和0.2之间。

优选地，所述第四步骤利用K-means聚类算法剔除误匹配点对后，使用RANSAC算法再次剔除误匹配点对，得到更为精确的匹配点对。

本发明实施例中，具有以下有益效果：通过基于K-means聚类算法的导航图像匹配过滤方法，一方面可以提高SLAM系统的计算速度，减少SLAM系统的负担；另一方面，还可以稳定、实时的获得高精确的匹配点，对坐标位置进行较准，提高图像匹配的准确率，提升导航路径的精确度，最终提高移动终端定位及地图构建的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为基于K-means聚类算法的导航图像匹配过滤方法的流程图。

图2为ORB算法提取特征点的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明克服前述现有技术的不足，利用K-means聚类算法剔除误匹配点对，获得精确的匹配点对，实现坐标位置的校准，提高图像匹配的准确率，提升导航路径的精确度，进而提高移动终端导航的准确率。

下面将更具体的描述本发明的具体实施例。

图1展示了本发明实现导航图像匹配过滤的整体流程，该流程包含了导航图像匹配过滤所需的各个主要步骤。

具体地说，本发明实施例提供了一种基于K-means聚类算法的导航图像匹配过滤方法，包括：

第一步骤：移动终端通过摄像头获取运动过程中的图像；例如，获取的图像是移动终端运动经过的局部环境的图像；而且，优选地将摄像头安装在机器人的正前方以方便拍摄前方的环境图像。

第二步骤：对于摄像头获取的图像提取特征点；

第三步骤：通过匹配所提取图像的特征点获得匹配点对；

第四步骤：利用K-means聚类算法剔除误匹配点对，获得精确的匹配点对。

移动终端通过摄像头获取运动过程中的图像时，可能会受到周围环境噪声的干扰，使得图像处理的信息量加大，不仅会影响图像特征点的提取，还会影响后续运算的速度。因此，优选地，在第一步骤结束之后，第二步骤开始之前，对获取的图像进行预处理，减少周围环境噪声的干扰，减少需处理的信息量，提高后续运算的速度，为下一步提取特征点做好准备。

优选地，图像预处理包括以下内容：

(1)图像降采样

首先对采集到的图像进行降采样处理，减小需处理图像的尺寸，在实际操作中，将图像的长和宽变为原来的1/2。

(2)灰度化处理

灰度化处理是将彩色图像转化成为灰度图像的过程。由移动终端通过摄像头采集路标的彩色图像，将图像降采样得到的图像利用公式(1)转化为灰度图像，减少光照变化的影响。

Gray＝0.229R+0.587G+0.114B (1)

(3)直方图均衡化

直方图均衡化利用图像直方图对图像对比度进行调整。对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，扩展像原取值的动态范围，提高图像对比度和灰度色调的变化，使图像更加清晰。

由于常用的图像特征提取方法有SURF、SIFT、ORB特征提取，其中ORB算法速度比SURF、SIFT要快一个数量级，具有巨大的计算速度优势。因此，优选地，采用ORB算法从所获取的图像中提取特征点。

图2示意性地展示了ORB算法从所获取的图像中提取特征点的具体步骤，包括：

(1)使用FAST特征点检测方法求得特征点。

(2)FAST的特征点分配方向生成OFAST特征点。

(3)利用分配的方向生成有向BRIEF描绘子。

(4)贪婪算法筛选出固定个数的高区分度的有向BRIEF描绘子即为ORB描绘子。

由于从ORB算法从所获取的图像中提取特征点得到的ORB描绘子是二进制码串，优选地，计算特征点的汉明距离，获得匹配点对。通过使用汉明距离来度量ORB描绘子的相似度。汉明距离对两个字符串进行异或运算，并统计结果为1的个数，即汉明距离。通过计算每个特征点的汉明距离，得到匹配的特征点对，并将其作为后文的K-means聚类算法的输入。

对于第四步骤利用K-means聚类算法剔除误匹配点对，可通过以下几步完成：

第一步，设根据第三步骤获得n个所述匹配点对，计算每个匹配点对的坐标差值；

第二步，采用K-means聚类算法对差值进行分类，将差值划分到第一差值集合和第二差值集合；

第三步，当所述第一差值集合和第二差值集合的差值个数相差大于a*n时，差值个数多的集合为正确配对集合；否则，方差较小的集合为正确配对集合。

其中，对于第二步采用K-means聚类算法对差值进行分类，其分类的基本思想是图像中所有正确匹配点对应该具有固定差值，而错误匹配点对差值则相对较远，因此可以将正确匹配的点可以分为一类，误匹配的点可以分为另外一类。简而言之，正确匹配和错误匹配具有聚类特性。

具体步骤如下：

(1)任意选择两个不同的差值作为第一差值集合和第二差值集合的初始聚类中心；

(2)分别计算其他差值到第一差值集合和第二差值集合的聚类中心的欧氏距离，将该差值划分到距离它最近的差值集合，作为该差值集合的一个成员；

(3)重新计算第一差值集合和第二差值集合中差值的均值，作为该差值集合新的聚类中心；

(4)当任意差值到其所属差值集合聚类中心的距离之和不能再减小时，聚类结束，否则返回所述(2)。

优选地，所述第三步中a的取值在0.05和0.2之间。

为了剔除更多误匹配点对，获得更为精确的匹配点对，优选地，在所述第四步骤利用K-means聚类算法剔除误匹配点对后，使用RANSAC算法再次剔除误匹配点对，得到更为精确的匹配点对。RANSAC通过不断采样若干匹配点来迭代估算给定模型的最优模型参数(对应最多数量的正确匹配点)，不满足最优模型参数的匹配点对就是误匹配点对。过滤此误匹配点对即可得到更为精确的匹配点对。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。