一種雙目圖像中顯著性目標的距離測量方法
【技術領域】
[0001] 本發明涉及一種雙目圖像中目標的距離測量方法，尤其涉及一種雙目圖像中顯著 性目標的距離測量方法，屬于圖像處理技術領域。
【背景技術】
[0002] 距離信息在交通圖像處理當中主要應用于為汽車的控制系統提供安全判斷。在智 能汽車的研宄過程中，傳統的目標測量方法是利用特定波長雷達或激光對目標進行測距。 與雷達和激光相比，視覺傳感器具有價格上的優勢，同時視角也更加開闊。并且利用視覺傳 感器在測量目標距離的同時，能判斷出目標的具體內容。
[0003] 但是目前的交通圖像信息相對繁雜，傳統的目標距離測量算法很難在復雜圖像中 得到理想結果，由于無法找到圖像中顯著性目標而是全局檢測，使得處理速度較慢并增加 了很多的無關數據，使得算法無法滿足實際應用要求。
【發明內容】
[0004] 本發明的目的是提出一種雙目圖像中顯著性目標的距離測量方法，以解決現有的 目標距離測量方法處理速度慢的問題。
[0005] 本發明所述的一種雙目圖像中顯著性目標的距離測量方法，是按照以下步驟實現 的：步驟一、利用視覺顯著性模型對雙目圖像進行顯著性特征提取，并標出種子點和背景 點，具體包括：
[0006] 步驟一、利用視覺顯著性模型對雙目圖像進行顯著性特征提取，并標出種子點和 背景點，具體包括：
[0007] 步驟一一、首先進行預處理，對雙目圖像進行邊緣檢測，生成雙目圖像的邊緣圖； 步驟一二、利用視覺顯著性模型對雙目圖像進行顯著性特征提取，生成顯著性特征圖；
[0008] 步驟一三、根據顯著性特征圖找出圖中灰度值最大像素點，標記為種子點；并以種 子點為中心的25X25的窗口內遍歷像素，找出像素點的灰度值小于0. 1的且距離種子點最 遠的像素點標記為背景點；
[0009] 步驟二、對雙目圖像建立加權圖；
[0010] 利用經典高斯權函數對雙目圖像建立加權圖：
[0011] Wti =e~p(8r8i)1 (l)
[0012] 其中，Wu表示頂點i和頂點j之間的權值，g1表示頂點i的亮度，g」表示頂點j的 亮度，0是自由參數，e為自然底數；
[0013] 通過下式求出加權圖的拉普拉斯矩陣L :
[0014]
【主權項】
1. 一種雙目圖像中顯著性目標的距離測量方法，其特征在于所述方法包括以下步驟： 步驟一、利用視覺顯著性模型對雙目圖像進行顯著性特征提取，并標出種子點和背景 點，具體包括： 步驟一一、首先進行預處理，對雙目圖像進行邊緣檢測，生成雙目圖像的邊緣圖； 步驟一二、利用視覺顯著性模型對雙目圖像進行顯著性特征提取，生成顯著性特征 圖； 步驟一三、根據顯著性特征圖找出圖中灰度值最大像素點，標記為種子點；并以種子點 為中心的25X25的窗口內遍歷像素，找出像素點的灰度值小于0. 1的且距離種子點最遠的 像素點標記為背景點； 步驟二、對雙目圖像建立加權圖； 利用經典高斯權函數對雙目圖像建立加權圖：
其中，表示頂點i和頂點j之間的權值，g1表示頂點i的亮度，g^表示頂點j的亮 度，0是自由參數，e為自然底數； 通過下式求出加權圖的拉普拉斯矩陣L:
其中，Lu為拉普拉斯矩陣L中對應頂點i到j的元素，di為頂點i與周圍點權值的和，
步驟三、利用步驟一中的種子點和背景點和步驟二中的加權圖，通過隨機游走圖像分 割算法將雙目圖像中的顯著性目標分割出來； 步驟三一、將雙目圖像的像素點根據步驟一標記出的種子點和背景點分出兩類集合， 即標記點集合VM與未標記點集合V"，拉普拉斯矩陣L根據VjPV"，優先排列標記點然后再 排列非標記點；其中，所述L分成LM、L"、B、BT四部分，則將拉普拉斯矩陣表示如下：
其中，LM為標記點到標記點的拉普拉斯矩陣，1^為非標記點到非標記點的拉普拉斯矩 陣，B和BT分別為標記點到非標記點和非標記點到標記點的拉普拉斯矩陣； 步驟三二、根據拉普拉斯矩陣和標記點求解組合狄利克雷積分D[x]; 組合狄利克雷積分公式如下：
其中，x為加權圖中頂點到標記點的概率矩陣，\和x」分別為頂點i和j到標記點的 概率； 根據標記點集合VM與未標記點集合Vu，將x分為xM和x。兩部分，xM為標記點集合VM對 應的概率矩陣，Xu為未標記點集合￥"對應的概率矩陣；將式（4)分解為：
對于標記點s，設定ms，如果任意頂點i為s，則= 1，否則=0，對D[xu]針對乂1]求 微分，得到式（5)極小值的解即為標記點s的狄利克雷概率值：
其中，表示頂點i首次到達標記點s的概率； 根據通過組合狄利克雷積分求出的<，按照式（7)進行閾值分割，生成分割圖：
其中，Si為某一頂點i在分割圖中對應位置的像素大小； 其中，所述分割圖中亮度為1的像素點表示為圖像中的顯著性目標，亮度為〇的即為背 景； 步驟三三、將分割圖與原圖像對應的像素相乘，生成目標圖，即提取出分割出的顯著性 目標，公式如下： ti=si?Ii(8) 其中，&為目標圖T的某一頂點i的灰度值，Ii為輸入圖像1(〇)對應位置i的灰度 值； 步驟四、通過SIFT算法將顯著性目標單獨進行關鍵點匹配； 步驟四一、將目標圖建立高斯金字塔，對濾波后的圖像兩兩求差得到DOG圖像，DOG圖 像定義為D(x，y, 〇)，求取公式如下： D(x,y, 〇) = (G(x,y,k〇)-G(x,y, 〇))*T(x,y) (9) =C(x,y,k〇 )-C(x,y, 〇 ) 其中，
為一個變化尺度的高斯函數，P，q表示高斯模板 的維度，（x，y)為像素點在高斯金字塔圖像中的位置，〇是圖像的尺度空間因子，k表示 某一具體尺度值，C(x,y, 〇 )定義為G(x,y, 〇 )與目標圖T(x,y)的卷積，即C(x,y, 〇 )= G(x,y, 〇 )*T(x,y)； 步驟四二、在相鄰的DOG圖像中求出極值點，通過擬合三維二次函數確定極值點的位 置和尺度作為關鍵點，并根據Hessian矩陣對關鍵點進行穩定性檢測以消除邊緣響應，具 體如下： (一）對尺度空間DOG通過進行泰勒展開求其曲線擬合D(X):
其中，X=(X，y，〇)T，D為曲線擬合，對式（10)求導并令其為0,得到極值點的偏移量 式（11):
為去除低對比度的極值點，將式（11)代入公式（10)，得到式（12):
若式（12)的值大于0.03,保留該極值點并獲取該極值點的精確位置和尺度，否則丟 棄； (二）通過關鍵點處的Hessian矩陣篩選消除不穩定的關鍵點； 利用Hessian矩陣特征值之間的比率計算曲率； 根據關鍵點鄰域的曲率判斷邊緣點； 曲率的比率設置為10,大于10則刪除，反之，則保留，保留下來的則是穩定的關鍵點； 步驟四三、利用關鍵點鄰域16X16的窗口的像素為每個關鍵點指定方向參數； 對于在DOG圖像中檢測出的關鍵點，梯度的大小和方向計算公式如下：
其中，C為關鍵點所在的尺度空間，m為關鍵點的梯度大小，0為所求點的梯度方向； 以關鍵點為中心，在周圍區域劃定一個16X16鄰域，求出其中像素點的梯度大小和梯度方 向，使用直方圖來統計這個鄰域內點的梯度；直方圖的橫坐標為方向，將360度分為36份， 每份是10度對應直方圖當中的一項，直方圖的縱坐標為梯度大小，對應為相應梯度方向的 點的大小進行相加，其和作為縱坐標的大小；主方向定義為梯度大小最大為hm的區間方 向，通過梯度大小在〇8*hm之上的區間作為主方向的輔助向，以增強匹配的穩定性； 步驟四四、建立描述子表述關鍵點的局部特征信息 首先在關鍵點周圍的坐標旋轉為關鍵點的方向； 然后選取關鍵點周圍16X16的窗口，在鄰域內分為16個4X4的小窗口，在4X4的小 窗口中，計算其相對應的梯度的大小和方向，并用一個8個bin的直方圖來統計每一個小窗 口的梯度信息，通過高斯加權算法對關鍵點