基于矢量約束的著降位置檢測用隨機特征點選取方法

基于矢量約束的著降位置檢測用隨機特征點選取方法
【專利摘要】本發明公開了一種基于矢量約束的著降位置檢測用隨機特征點選取方法，包括步驟：一、著降區域圖像獲取及同步上傳；二、著降區域圖像處理，過程如下：201、初始采樣時刻著降區域圖像處理；202、下一個采樣時刻著降區域圖像處理，包括步驟：Harris角點提取、Harris角點匹配、SIFT特征提取、SIFT特征點匹配、特征點融合、特征點組合生成和最優特征點組合篩選；203、返回步驟202，對下一個采樣時刻著降區域圖像進行處理。本發明方法步驟簡單、設計合理且實現方便、實時性強、使用效果好，能簡便、快速從未知著降區域圖像提取的特征點中選取位姿估計用的特征點，能有效提高位姿估計精度。
【專利說明】
基于矢量約束的著降位置檢測用隨機特征點選取方法
技術領域
[0001] 本發明屬于視覺導航技術領域，尤其是涉及一種基于矢量約束的著降位置檢測用 隨機特征點選取方法。
【背景技術】
[0002] 無人機在執行營救、搜索等任務時，面臨著降區地形未知、復雜且無地面輔助導航 設備引導的緊急著陸問題。由于慣性導航存在累計誤差、GPS易受干擾等問題，使無人機在 復雜未知環境著降時存在巨大安全隱患。視覺相對導航具有設備簡單、信息量大、隱蔽性 強、自主性好等優點，在無人機自主著陸/著艦、空中自主加油及航天器交匯對接等領域都 有廣泛應用。視覺相對導航以其自主性強、無源、引導精度高等優點，使得基于視覺引導無 人機著艦技術成為國內外一個重要研究領域。并且，利用計算機視覺技術引導無人機在未 知環境自主著陸是目前的一個研究熱點和難點。其中，如何準確估計出無人機與著降區的 相對位姿參數是保證無人機能夠最終安全著陸的一個關鍵步驟。
[0003] 相比于在已知著降區進行相對位姿估計，無人機在未知著降區進行相對位姿參數 估計時主要存在以下兩個難題:一是用以求解位姿方程的特征點地理坐標無法事先標定， 因此如何在線標定特征點的地理坐標是一個難題;二是未知著降區提取的特征點數量多、 隨機性強，如何選取進行位姿估計的特征點使位姿估計精度高，實時性好也是一個難題。

【發明內容】

[0004] 本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于矢量 約束的著降位置檢測用隨機特征點選取方法，其方法步驟簡單、設計合理且實現方便、實時 性強、使用效果好，能簡便、快速從未知著降區域圖像提取的特征點中選取位姿估計用的特 征點，能有效提尚位姿估計精度。
[0005] 為解決上述技術問題，本發明采用的技術方案是：一種基于矢量約束的著降位置 檢測用隨機特征點選取方法，其特征在于，該方法包括以下步驟：
[0006] 步驟一、著降區域圖像獲取及同步上傳:采用圖像采集設備且按照預先設計的采 樣頻率fQ獲取著降區域的圖像，并將所獲取著降區域圖像同步傳送至處理器進行處理;所 述圖像采集設備與所述處理器相接;其中，30Hz ;
[0007] 步驟二、著降區域圖像處理:采用所述處理器對各采樣時刻所獲取的著降區域圖 像進行處理，過程如下：
[0008] 步驟201、初始采樣時刻著降區域圖像處理:采用所述處理器對初始采樣時刻所述 圖像采集設備獲取的著降區域圖像進行處理，包括以下步驟：
[0009] 步驟2011、HarriS角點提取：調用Harris角點檢測模塊提取出當前所處理著降區 域圖像的特征點，所提取的特征點為Harr i s角點；
[0010] 步驟2012、SIFT特征提取：調用SIFT特征提取模塊對當前所處理著降區域圖像進 行SIFT特征提取，提取出當前所處理著降區域圖像的特征點，所提取的特征點為SIFT特征 占 .
[0011] 步驟202、下一個采樣時刻著降區域圖像處理:采用所述處理器對下一個采樣時刻 所述圖像采集設備獲取的著降區域圖像進行處理，包括以下步驟：
[0012] 步驟2021、Harris角點提取:按照步驟2011中所述的方法，提取出當前所處理著降 區域圖像的Harris角點；
[0013]步驟2022、HarriS角點匹配:調用相關系數計算模塊，對當前所處理著降區域圖像 的各Harr is角點與上一個采樣時刻獲取的著降區域圖像的各Harris角點分別進行相關系 數計算，并根據相關系數計算結果找出所有相互匹配的Harris角點；
[0014] 所有相互匹配的Harris角點組成Harris角點集合；
[0015] 步驟2023、SIFT特征提取:按照步驟2012中所述的方法，提取出當前所處理著降區 域圖像的SIFT特征點；
[0016] 步驟2024、SIFT特征點匹配:調用歐氏距離計算模塊，對當前所處理著降區域圖像 的各SIFT特征點與上一個采樣時刻獲取的著降區域圖像的各SIFT特征點之間的歐式距離 分別進行計算，并根據歐式距離計算結果找出所有相互匹配的SIFT特征點；
[0017] 所有相互匹配的SIFT特征點組成SIFT特征點集合；
[0018] 步驟2025、特征點融合:調用所述歐氏距離計算模塊，對步驟2022中所述Harris角 點集合中的各Harr i s角點與步驟2024中所述SIFT特征點集合中的各Harr i s角點之間的歐 式距離分別進行計算，并根據歐式距離計算結果，從所述Harris角點集合中找出與所述 SIFT特征點集合中任一個SIFT特征點之間的歐式距離小于T1的所有Harris角點；
[0019] 本步驟中所找出的Harr i S角點與所述SIFT特征點集合中的SIFT特征點均為初選 特征點，且本步驟中所找出的所有Harr i s角點與所述SIFT特征點集合中的所有SI FT特征點 組成初始特征點集合；
[0020] 其中，T1為預先設定的特征點融合判斷閾值且Tl>3;
[0021] 步驟2026、特征點組合生成，包括以下步驟：
[0022]步驟20261、初選特征點選取：調用初選特征點選取模塊，從步驟2025中所述初始 特征點集合中找出矢量模值小于|的所有初始特征點作為初選特征點;本步驟中找出的所 有初選特征點組成初選特征點集合；
[0023]步驟一中所述著降區域為圓形;其中，R〇為當前所處理著降區域圖像上長度為R的 直線上的像素點數量，R為當前所處理著降區域圖像上著降區域的半徑；
[0024]當前所處理著降區域圖像上著降區域的中心點，記作點0;點0的坐標，記作(uo， vo)；
[0025] 所述初始特征點集合中的第i個初始特征點，記作點P1;其中，i為正整數且i = l、 2、3、…、I，I為所述初始特征點集合中初始特征點的總數量；APi的矢量模值，記作d^cU為 向量&丨的模；
[0026] 步驟20262、矢量角計算：調用矢量角計算模塊，對所述初選特征點集合中各初選 特征點的矢量角分別進行計算；
[0027] 其中，所述初選特征點集合中第j個初選特征點，記作點P'b當前所處理著降區域 圖像上點P ' j的坐標，記作(Uj，Vj);點P ' j的矢量角記作ω j,
且0彡 ω j < 2π; j為正整數且j = 1、2、3、…、J，J所述初選特征點集合中初選特征點的總數量；
[0028]步驟20263、特征點組合生成：調用特征點組合生成模塊對步驟20261中所述初選 特征點集合中的J個所述初選特征點分別進行處理，并生成J個特征點組合；
[0029] 其中，調用所述特征點組合生成模塊對所述初選特征點集合中第j個初選特征點 進行處理時，過程如下：
[0030] 步驟20263-1、第一個再選特征點選取:從所述初選特征點集合中選出點P'j，并將 點Ρ?作為第一個再選特征點；
[0031] 步驟20263-2、第二個再選特征點選取:從此時所述初選特征點集合中剩余的所述 初選特征點中選出矢量角最接近％-|的一個所述初選特征點，作為第二個再選特征點；
[0032] 步驟20263-3、下一個再選特征點選取:從此時所述初選特征點集合中剩余的所述 初選特征點中選出矢量角最接近％ 的一個所述初選特征點，作為下一個再選特征點；
[0033] 其中，c〇s為上一個所選取再選特征點的矢量角；
[0034] 步驟20263-4、m-3次重復步驟20263-3,直至選出m個再選特征點；所選出的m個所 述再選特征點組成一個特征點組合，該特征點組合記作特征點組合Qj;
[0035] 其中，m為正整數且m>5;
[0036] 步驟2027、最優特征點組合篩選，過程如下：
[0037]步驟20271、矢量角均分度歸一化處理：先調用矢量角均分度計算模塊，對步驟 20263中所獲得J個所述特征點組合的矢量角均分度分別進行計算;再調用矢量角均分度歸 一化處理模塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量角均分度歸 一化處理值;其中，特征點組合％的矢量角均分度，記作％ 個所述特征點組合的矢量角均 分度中，數值最大的矢量角均分度記作〃-，數值最小的矢量角均分度記作;
[0038] 其中，對特征點組合^的矢量角均分度％進行計算之前，先將特征點組合^中!11個 所述再選特征點的矢量角從大到小進行排列，并獲得特征點組合的矢量角集合;所述特 征點組合h的矢量角集合中第h個矢量角，記作ω 'h;其中，h為正整數且h=l、2、…、m;
[0039] 特征點組合^的矢量角均分度歸一化處理值記作取《 :

[0040] 步驟20271、矢量模值均值歸一化:先調用矢量模值均值計算模塊，對步驟20263中 所獲得J個所述特征點組合的矢量模值均值分別進行計算;再調用矢量模值均值歸一化處 理模塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量模值均值歸一化處 理值；
[0041 ]其中，特征點組合Qj的矢量模值均值記作冗 ，d'h為特征點 組合中第h個再選特征點的矢量模值;J個所述特征點組合的矢量角均分度中，數值最大 的矢量模值均值記作\，數值最小的矢量模值均值記作^
[0042]特征點組合Qj的矢量模值均值歸一化處理值，
[0043]步驟20273、優先值計算：調用優先值計算模塊，對步驟20263中所獲得J個所述特 征點組合的優先值分別進行計算；
[0044] 其中，特征點組合Qj的優先值記作W(j)，且#(6)；
[0045] 步驟20274、最優特征點組合選取:調用最優特征點組合選取模塊，從步驟20263中 所獲得J個所述特征點組合中選出最優特征點組合，所選出的最優特征點組合為J個所述特 征點組合中優先值最小的一個所述特征點組合;所述最優特征點組合中的m個所述再選特 征點為選取的當前所處理著降區域圖像的特征點；
[0046]步驟203、返回步驟202，對下一個采樣時刻所述圖像采集設備所獲取的著降區域 圖像進行處理。
[0047]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是:步驟一中 所述的f〇 = FHz，其中F為正整數且10彡F彡30。
[0048]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2025 中特征點融合完成后，還需調用地理坐標標定模塊對所述初始特征點集合中各初始特征點 的地理坐標進行標定，過程如下：
[0049]步驟2025-1、地理坐標系原點選取:從所述初始特征點集合中找出與點0之間歐式 距離最近的一個所述初始特征點，作為地理坐標系原點；所述地理坐標系原點的地理坐標 為(〇,〇);
[0050] 步驟2025-2、其余初始特征點地理坐標確定:根據步驟2025-1中所述地理坐標系 原點的像素位置和地理坐標，對所述初始特征點集合中其余初始特征點的地理坐標分別進 行確定。
[0051] 上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是:步驟一中 所獲取著降區域圖像的分辨率為moXno,所述圖像采集設備的水平視場角為α且其垂直視場 角為β;
[0052] 步驟2025-2中所述的其余初始特征點中第m'個所述初始特征點的地理坐標，記作 (Xm，，ym，）；第m'個所述初始特征點的像素坐標記作(u m，，vm，），步驟2025-1中所述地理坐標系 原點的像素坐標記作(UCT，vo'），
[0053] 其中，xm，= Δ um，Xre_h(7); Δ uV =Um-uo,；
[0057]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2022 中進行Harr is角點匹配時，過程如下：
[0058]步驟20221、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像 進行匹配:調用Harris角點匹配模塊對當前所處理著降區域圖像的各Harris角點分別進行 處理，并匹配得出當前所處理著降區域圖像的各Harris角點的匹配特征點；
[0059]其中，調用所述Harris角點匹配模塊對當前所處理著降區域圖像的任一個Harris 角點進行處理時，先調用所述相關系數計算模塊對該Harris角點與上一個采樣時刻所獲取 著降區域圖像的各Harris角點分別進行相關系數計算，并從上一個采樣時刻所獲取著降區 域圖像的Harris角點中找出一個與該Harris角點相關系數最大的Harris角點作為匹配特 征點；
[0060] 步驟20222、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像 進行匹配:從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像進行匹配： 調用所述Harris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像各Harris角點分別 進行處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各Harris角點的匹配特征 占 .
[0061] 其中，調用所述Harris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任 一個Harr i s角點進行處理時，先調用所述相關系數計算模塊對該Harr i s角點與當前所處理 著降區域圖像的各Harris角點分別進行相關系數計算，并從當前所處理著降區域圖像的 Harr i s角點中找出一個與該Harr i s角點相關系數最大的Harr i s角點作為匹配特征點； [0062] 步驟20223、相互匹配的Harris角點選取:根據步驟20221和步驟20222中的匹配結 果，采用所述處理器從當前所處理著降區域圖像的Harris角點和上一個采樣時刻所獲取著 降區域圖像的Harr i s角點中，找出所有Harr i s角點匹配對;每個所述Harri s角點匹配對中 均包括當前所處理著降區域圖像的一個Harris角點和上一個采樣時刻所獲取著降區域圖 像的一個Harr i s角點，每個所述Harr i s角點匹配對中的兩個所述Harr i s角點互為匹配特征 占 .
[0063] 本步驟中，所找出的所有Harris角點匹配對組成所述Harris角點集合。
[0064]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2024 中進行SIFT特征點匹配時，過程如下:步驟20221中從上一個采樣時刻所獲取著降區域圖像 的Harris角點中找出一個與該Harris角點相關系數最大的Harris角點后，將所找出的 Harris角點作為待判定Harris角點；之后，所述處理器還需調用差值比較模塊并根據預先 設定的相關系數判斷閾值T2，對所述待判定Harri s角點進行判斷，當該Harr i s角點與所述 待判定Harr i s角點的相關系數大于T 2時，判斷為所述待判定Harr i s角點為該Harr i s角點的 匹配特征點；否則，判斷為該Harris角點無匹配特征點;其中，T2 = 0.3~0.6;
[0065] 步驟20222中從當前所處理著降區域圖像的Harris角點中找出一個與該Harris角 點相關系數最大的Harr i s角點后，將所找出的Harr i s角點作為待判定Harr i s角點；之后，所 述處理器還需調用差值比較模塊并根據預先設定的相關系數判斷閾值T2,對所述待判定 Harr i s角點進行判斷：當該Harri s角點與所述待判定Harri s角點的相關系數大于T2時，判 斷為所述待判定Harri s角點為該Harri s角點的匹配特征點；否則，判斷為該Harr i s角點無 匹配特征點。
[0066]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2024 中進行SIFT特征點匹配時，過程如下：
[0067]步驟20241、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像 進行匹配：調用SIFT特征點匹配點匹配模塊，對當前所處理著降區域圖像的各SIFT特征點 分別進行處理，并匹配得出當前所處理著降區域圖像的各SIFT特征點的匹配特征點；
[0068]其中，調用所述SIFT特征點匹配模塊對當前所處理著降區域圖像的任一個SIFT特 征點進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與上一個采樣時刻所獲取 著降區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得 出的所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐 式距離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得 出的比值小于T3時，從上一個采樣時刻所獲取著降區域圖像的SIFT特征點中找出一個與該 SIFT特征點之間歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不 小于T3時，判斷為該SIFT特征點無匹配特征點；
[0069]其中T3為預先設定的歐式距離判斷閾值且T3 = 1.2~1.6;
[0070]步驟20242、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像 進行匹配:調用所述SIFT特征點匹配點匹配模塊，對上一個采樣時刻所獲取著降區域圖像 的各SIFT特征點分別進行處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各SIFT 特征點的匹配特征點；
[0071]其中，調用所述SIFT特征點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任 一個SIFT特征點進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與當前所處理 著降區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得 出的所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐 式距離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得 出的比值小于T3時，從當前所處理著降區域圖像的SIFT特征點中找出一個與該SIFT特征點 之間歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不小于T3時，判 斷為該SIFT特征點無匹配特征點；
[0072] 步驟20243、相互匹配的SIFT特征點選取:根據步驟20241和步驟20242中的匹配結 果，采用所述處理器從當前所處理著降區域圖像的SIFT特征點和上一個采樣時刻所獲取著 降區域圖像的SIFT特征點中，找出所有SIFT特征點匹配對;每個所述SIFT特征點匹配對中 均包括當前所處理著降區域圖像的一個SIFT特征點和上一個采樣時刻所獲取著降區域圖 像的一個SIFT特征點，每個所述SIFT特征點匹配對中的兩個所述SIFT特征點互為匹配特征 占 .
[0073]本步驟中，所找出的所有SIFT特征點匹配對組成所述SIFT特征點集合。
[0074]上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2025 中所述的T1 =4~6;
[0075]步驟2025中進行特征點融合時，調用特征點融合處理模塊對由先至后所述SIFT特 征點集合中的各SIFT特征點分別進行融合處理，過程如下：
[0076] 步驟20251、第一個SIFT特征點融合處理:先調用所述歐氏距離計算模塊，計算得 出所述Harr i s角點集合中各Harr i s角點與該SIFT特征點之間的歐式距離;再采用所述處理 器，從所述Harr i s角點集合中選出與該SIFT特征點之間的歐式距離小于T1的所有Harr i s角 點;所選出的Harris角點為所述初始特征點；
[0077] 步驟20252、下一個SIFT特征點融合處理:先調用所述歐氏距離計算模塊，計算得 出此時所述Harr i s角點集合中剩余的各Harr i s角點與該SI FT特征點之間的歐式距離;再采 用所述處理器，從此時所述Harr i s角點集合剩余的Harr i s角點中選出與該SIFT特征點之間 的歐式距離小于T1的所有Harris角點;所選出的Harris角點為所述初始特征點；
[0078] 步驟20253、多次重復步驟20252,直至完成所述SIFT特征點集合中所有SIFT特征 點的融合處理過程。
[0079] 上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟 20263-3中進行下一個再選特征點選取之前，還需先將此時所述初選特征點集合中剩余的 各初選特征點的矢量角均增加2JT。
[0080] 上述基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征是：步驟2011 中調用所述Harris角點檢測模塊提取出當前所處理著降區域圖像的特征點時，所提取的 Harr i s角點為亞像素級精度的角點。
[0081 ]本發明與現有技術相比具有以下優點：
[0082] 1、方法步驟簡單且實現方便，投入成本較低。
[0083] 2、使用操作簡便，采用處理器能自動、同步完成特征點選取過程，實時性好。
[0084] 3、方法設計合理，同步完成特征點選取的同時，還能完成特征點地理坐標標定過 程，具體過程如下：首先從連續兩幀圖像（即相鄰兩個采樣時刻所獲取的著降區域圖像）中 提取亞像素級Harris角點以及SIFT特征點并分別進行匹配，然后將兩種特征點進行融合； 再根據像素分辨率、相機視場角及無人機高度等信息推算出每個特征點的地理坐標，從而 實現特征點的在線標定;隨后，在引入矢量角均分度、矢量模值均值以及矢量模值最大三項 約束指標基礎上制定了一種基于矢量約束的特征點選取方法。
[0085] 4、使用效果好，具有抗干擾能力強、實時性好且易于實現等優點，工程上易于實 現，對基于視覺的無人機在未知環境中安全著降具有重要的指導意義。本發明以無人機未 知環境中自主安全著降為研究背景，與傳統的基于合作目標的相對位姿估計方法相比，為 無人機在未知環境中進行相對位姿估計提供一種新思路和新方法，能為真實無人機視覺未 知環境自主著降時的相對位姿估計提供地面數據的前期驗證以及前期數據優化與性能改 進工作，實施方便、靈活，具有發展前景以及工程應用價值。因而，本發明方法步驟簡單、設 計合理且實現方便、使用效果好，為在未知環境中如何選取特征點進行相對位姿準確、魯棒 估計提供一種有效方法，能為未知環境中進行相對位姿準確、魯棒估計提供可靠基礎；同 時，能實現各特征點的地理坐標在線標定，因而能有效解決無人機在未知著降區進行相對 位姿參數估計時存在的用以求解位姿方程的特征點地理坐標無法事先標定和如何選取進 行位姿估計的特征點使位姿估計精度高且實時性好這兩個難題。
[0086] 綜上所述，本發明方法步驟簡單、設計合理且實現方便、實時性強、使用效果好，能 簡便、快速從未知著降區域圖像提取的特征點中選取位姿估計用的特征點，能有效提高位 姿估計精度。
[0087] 下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。
【附圖說明】
[0088]圖1為本發明的方法流程框圖。
【具體實施方式】
[0089] 如圖1所示的一種基于矢量約束的著降位置檢測用隨機特征點選取方法，包括以 下步驟：
[0090] 步驟一、著降區域圖像獲取及同步上傳:采用圖像采集設備且按照預先設計的采 樣頻率fQ獲取著降區域的圖像，并將所獲取著降區域圖像同步傳送至處理器進行處理;所 述圖像采集設備與所述處理器相接;其中，30Hz ;
[0091] 步驟二、著降區域圖像處理:采用所述處理器對各采樣時刻所獲取的著降區域圖 像進行處理，過程如下：
[0092] 步驟201、初始采樣時刻著降區域圖像處理:采用所述處理器對初始采樣時刻所述 圖像采集設備獲取的著降區域圖像進行處理，包括以下步驟：
[0093]步驟2011、HarriS角點提取：調用Harris角點檢測模塊提取出當前所處理著降區 域圖像的特征點，所提取的特征點為Harr i s角點；
[0094] 步驟2012、SIFT特征提取：調用SIFT特征提取模塊對當前所處理著降區域圖像進 行SIFT特征提取，提取出當前所處理著降區域圖像的特征點，所提取的特征點為SIFT特征 占 .
[0095] 步驟202、下一個采樣時刻著降區域圖像處理:采用所述處理器對下一個采樣時刻 所述圖像采集設備獲取的著降區域圖像進行處理，包括以下步驟：
[0096] 步驟2021、Harris角點提取:按照步驟2011中所述的方法，提取出當前所處理著降 區域圖像的Harris角點；
[0097]步驟2022、HarriS角點匹配:調用相關系數計算模塊，對當前所處理著降區域圖像 的各Harr is角點與上一個采樣時刻獲取的著降區域圖像的各Harris角點分別進行相關系 數計算，并根據相關系數計算結果找出所有相互匹配的Harris角點；
[0098] 所有相互匹配的Harris角點組成Harris角點集合；
[0099] 步驟2023、SIFT特征提取:按照步驟2012中所述的方法，提取出當前所處理著降區 域圖像的SIFT特征點；
[0100] 步驟2024、SIFT特征點匹配:調用歐氏距離計算模塊，對當前所處理著降區域圖像 的各SIFT特征點與上一個采樣時刻獲取的著降區域圖像的各SIFT特征點之間的歐式距離 分別進行計算，并根據歐式距離計算結果找出所有相互匹配的SIFT特征點；
[0101] 所有相互匹配的SIFT特征點組成SIFT特征點集合；
[0102] 步驟2025、特征點融合:調用所述歐氏距離計算模塊，對步驟2022中所述Harris角 點集合中的各Harr i s角點與步驟2024中所述SIFT特征點集合中的各Harr i s角點之間的歐 式距離分別進行計算，并根據歐式距離計算結果，從所述Harris角點集合中找出與所述 SIFT特征點集合中任一個SIFT特征點之間的歐式距離小于T1的所有Harris角點；
[0103] 本步驟中所找出的Harr i S角點與所述SIFT特征點集合中的SIFT特征點均為初選 特征點，且本步驟中所找出的所有Harr i s角點與所述SIFT特征點集合中的所有SI FT特征點 組成初始特征點集合；
[0104] 其中，T1為預先設定的特征點融合判斷閾值且T1多3;
[0105] 步驟2026、特征點組合生成，包括以下步驟：
[0106] 步驟20261、初選特征點選取：調用初選特征點選取模塊，從步驟2025中所述初始 特征點集合中找出矢量模值小于^的所有初始特征點作為初選特征點;本步驟中找出的所 有初選特征點組成初選特征點集合；
[0107] 步驟一中所述著降區域為圓形;其中，Ro為當前所處理著降區域圖像上長度為R的 直線上的像素點數量，R為當前所處理著降區域圖像上著降區域的半徑；
[0108] 當前所處理著降區域圖像上著降區域的中心點，記作點0;點0的坐標（即像素坐 標），記作(UQ，V0);
[0109] 所述初始特征點集合中的第i個初始特征點，記作點P1;其中，i為正整數且i = l、 2、3、…、I，I為所述初始特征點集合中初始特征點的總數量；APi的矢量模值，記作d^cU為 向量辦的模；
[0110] 步驟20262、矢量角計算：調用矢量角計算模塊，對所述初選特征點集合中各初選 特征點的矢量角分別進行計算； 其中，所述初選特征點集合中第j個初選特征點，記作點P、；當前所處理著降區域 圖像上點P ' j的坐標（即像素坐標），記作（u j，v j );點P ' j的矢量角記作ω j，
，且0彡ω」< 231; j為正整數且j = 1、2、3、…、J，J所述初選特征點集 合中初選特征點的總數量；
[0112] 步驟20263、特征點組合生成：調用特征點組合生成模塊對步驟20261中所述初選 特征點集合中的J個所述初選特征點分別進行處理，并生成J個特征點組合；
[0113] 其中，調用所述特征點組合生成模塊對所述初選特征點集合中第j個初選特征點 進行處理時，過程如下：
[0114]步驟20263-1、第一個再選特征點選取:從所述初選特征點集合中選出點P '」，并將 點Ρ?作為第一個再選特征點；
[0115]步驟20263-2、第二個再選特征點選取:從此時所述初選特征點集合中剩余的所述 初選特征點中選出矢量角最接近螞-f的一個所述初選特征點，作為第二個再選特征點； [0116]步驟20263-3、下一個再選特征點選取:從此時所述初選特征點集合中剩余的所述 初選特征點中選出矢量角最接近_貧的一個所述初選特征點，作為下一個再選特征點；
[0117] 其中，c〇s為上一個所選取再選特征點的矢量角；
[0118] 步驟20263-4、m-3次重復步驟20263-3,直至選出m個再選特征點；所選出的m個所 述再選特征點組成一個特征點組合，該特征點組合記作特征點組合Qj;
[0119] 其中，m為正整數且m>5;
[0120] 步驟2027、最優特征點組合篩選，過程如下：
[0121] 步驟20271、矢量角均分度歸一化處理：先調用矢量角均分度計算模塊，對步驟 20263中所獲得J個所述特征點組合的矢量角均分度分別進行計算;再調用矢量角均分度歸 一化處理模塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量角均分度歸 一化處理值;其中，特征點組合Qj的矢量角均分度，記作％ ;.J個所述特征點組合的矢量角均 分度中，數值最大的矢量角均分度記作數值最小的矢量角均分度記作?Wn;
[0122] 其中，對特征點組合^的矢量角均分度，進行計算之前，先將特征點組合^中!11個 所述再選特征點的矢量角從大到小進行排列，并獲得特征點組合的矢量角集合;所述特 征點組合h的矢量角集合中第h個矢量角，記作ω 'h;其中，h為正整數且h=l、2、…、m;
[0123] 特征點組合％的矢量角均分度歸一化處理值記作，
[0124] 步驟20271、矢量模值均值歸一化:先調用矢量模值均值計算模塊，對步驟20263中 所獲得J個所述特征點組合的矢量模值均值分別進行計算;再調用矢量模值均值歸一化處 理模塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量模值均值歸一化處 理值；
[0125] 其中，特征點組合Qj的矢量模值均值記作瓦;，
'h為特征點 組合中第h個再選特征點的矢量模值;J個所述特征點組合的矢量角均分度中，數值最大 的矢量模值均值記作^_，數值最小的矢量模值均值記作;
[0126] 特征點組合Qj的矢量模值均值歸一化處理值，
[0127] 步驟20273、優先值計算：調用優先值計算模塊，對步驟20263中所獲得J個所述特 征點組合的優先值分別進行計算；
[0128] 其中，特征點組合Qj的優先值記作W(j)，且#"=廣+#> (6)；
[0129] 步驟20274、最優特征點組合選取:調用最優特征點組合選取模塊，從步驟20263中 所獲得J個所述特征點組合中選出最優特征點組合，所選出的最優特征點組合為J個所述特 征點組合中優先值最小的一個所述特征點組合;所述最優特征點組合中的m個所述再選特 征點為選取的當前所處理著降區域圖像的特征點；
[0130]步驟203、返回步驟202，對下一個采樣時刻所述圖像采集設備所獲取的著降區域 圖像進行處理。
[0131] 本實施例中，步驟20263-3中當此時所述初選特征點集合中剩余的所述初選特征 點中選出矢量角最接近M 的初選特征點的數量為多個時，取矢量模值最小的初選特征 點作為再選特征點。
[0132] 實際使用過程中，步驟一中所述的fQ = raz，其中F為正整數且10彡F彡30。
[0133] 本實施例中，F = 24Hz。實際使用時，可根據具體需要，對F的取值大小進行相應調 整。
[0134] 本實施例中，所述圖像采集設備為帶有數據采集卡的攝像機。
[0135] 并且，所述圖像采集設備每秒內完成F次采樣。
[0136] 本實施例中，步驟2011中調用所述Harris角點檢測模塊提取出當前所處理著降區 域圖像的特征點時，所提取的Harris角點為亞像素級精度的角點。
[0137] 本實施例中，步驟2011中調用所述Harris角點檢測模塊提取出當前所處理著降區 域圖像的特征點時，所采用的Harris算子為Ri = Det(Mi)-ki XTr2(Mi) (11);公式（11)中， ;公式（12)中，G(s)為高斯模板;Ix和Iy分別為x方向和y方向
的梯度；?表示卷積；公式（11)中，Det為矩陣的行列式;Tr表示矩陣的跡山為經驗值，1^一 般0.04-0.06之間。
[0138] 實際操作過程中，通過擬合Harris角點響應函數能使所提取Harris角點精度達到 亞像素級。為此，利用二次多項式來擬合公式（11)中的Ri: Ri (X，y) =a〇+aix+a2y+a3X2+a4xy+ a5y2(13)，公式（13)中，a〇、ai、'"、a5為待定系數，在已檢測出的角點（xo，yo)取相鄰的8個點， 構成大小為3X3的擬合窗口，從而可以得到9個方程，利用最小二乘法求解這個超定方程。 由于亞像素級角點（x，y)對應的是二次多項式的極大值點。因此，函數RKxj)在擬合曲面 的極值點應滿足公式(14):
[0139] 求解公式(14)，能得到亞像素級坐標X和y，求解公式如下：
[0140]實際使用過程中，步驟2011中調用所述Harris角點檢測模塊提取出當前所處理著 降區域圖像的特征點時，也可以采用其它常規的Harris角點檢測算法提取Harris角點。
[0141] 本實施例中，步驟2022中進行Harris角點匹配時，過程如下：
[0142] 步驟20221、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像 進行匹配:調用Harris角點匹配模塊對當前所處理著降區域圖像的各Harris角點分別進行 處理，并匹配得出當前所處理著降區域圖像的各Harris角點的匹配特征點；
[0143] 其中，調用所述Harris角點匹配模塊對當前所處理著降區域圖像的任一個Harris 角點進行處理時，先調用所述相關系數計算模塊對該Harris角點與上一個采樣時刻所獲取 著降區域圖像的各Harris角點分別進行相關系數計算，并從上一個采樣時刻所獲取著降區 域圖像的Harris角點中找出一個與該Harris角點相關系數最大的Harris角點作為匹配特 征點；
[0144] 步驟20222、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像 進行匹配:從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像進行匹配： 調用所述Harris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像各Harris角點分別 進行處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各Harris角點的匹配特征 占 .
[0145] 其中，調用所述Harris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任 一個Harr i s角點進行處理時，先調用所述相關系數計算模塊對該Harr i s角點與當前所處理 著降區域圖像的各Harris角點分別進行相關系數計算，并從當前所處理著降區域圖像的 Harr i s角點中找出一個與該Harr i s角點相關系數最大的Harr i s角點作為匹配特征點；
[0146] 步驟20223、相互匹配的Harris角點選取:根據步驟20221和步驟20222中的匹配結 果，采用所述處理器從當前所處理著降區域圖像的Harris角點和上一個采樣時刻所獲取著 降區域圖像的Harr i s角點中，找出所有Harr i s角點匹配對;每個所述Harri s角點匹配對中 均包括當前所處理著降區域圖像的一個Harris角點和上一個采樣時刻所獲取著降區域圖 像的一個Harr i s角點，每個所述Harr i s角點匹配對中的兩個所述Harr i s角點互為匹配特征 占 .
[0147] 本步驟中，所找出的所有Harris角點匹配對組成所述Harris角點集合。
[0148] 由上述內容可知，由于匹配是帶有方向性的，步驟2022中進行Harris角點匹配時， 采用的是雙向匹配方法。
[0149] 實際使用時，步驟2022中進行Harris角點匹配時，也可以采用單向匹配方法。其 中，采用單向匹配方法進行Harris角點匹配時，僅完成步驟20221即可，并將當前所處理著 降區域圖像的各Harris角點和步驟20221中匹配出的所有匹配特征點組成所述Harris角點 集合。
[0150]本實施例中，對當前所處理著降區域圖像與上一個采樣時刻所獲取著降區域圖像 的Harris角點進行匹配時，先按照步驟20221中的方法，調用所述相關系數計算模塊計算得 出當前所處理著降區域圖像的每個Harris角點與上一個采樣時刻所獲取著降區域圖像的 各Harris角點的相關系數，相關窗口的中心在兩幅圖像（即當前所處理著降區域圖像與上 一個采樣時刻所獲取著降區域圖像)中分別位于點pr和點W處，其中點Pr為當前所處理著 降區域圖像的一個Harris角點，點qj，為上一個采樣時刻所獲取著降區域圖像的一個Harris 角點。設IKxj)和I2(x，y)分別表示當前所處理著降區域圖像與上一個采樣時刻所獲取著 降區域圖像中像素點在( x，y)處的灰度值。
[0151]本實施例中，所述相關系數計算模塊計算相關系數的歸一化互相關函數C(Pl，，
其中，C(pr ,qj，）的數值越大，說明點pr和點qj1兩個角點相關程度越高，C(pr ,qj，）的取值范 圍為[_1，1 ]。
[0152] 本實施例中，步驟2024中進行SIFT特征點匹配時，過程如下：步驟20221中從上一 個采樣時刻所獲取著降區域圖像的Harris角點中找出一個與該Harris角點相關系數最大 的Harr i s角點后，將所找出的Harr i s角點作為待判定Harr i s角點；之后，所述處理器還需調 用差值比較模塊并根據預先設定的相關系數判斷閾值T2,對所述待判定Harris角點進行判 斷，當該Harris角點與所述待判定Harr is角點的相關系數大于T2時，判斷為所述待判定 Harr i s角點為該Harr i s角點的匹配特征點；否則，判斷為該Harr i s角點無匹配特征點；其 中，Τ2 = 0·3 ~0.6;
[0153] 步驟20222中從當前所處理著降區域圖像的Harris角點中找出一個與該Harris角 點相關系數最大的Harr i s角點后，將所找出的Harr i s角點作為待判定Harr i s角點；之后，所 述處理器還需調用差值比較模塊并根據預先設定的相關系數判斷閾值T2,對所述待判定 Harr i s角點進行判斷：當該Harri s角點與所述待判定Harri s角點的相關系數大于T2時，判 斷為所述待判定Harri s角點為該Harri s角點的匹配特征點；否則，判斷為該Harr i s角點無 匹配特征點。
[0154] 本實施例中，T2 = 0.5。
[0155] 實際使用時，可根據具體需要，對Τ2的取值大小進行相應調整。Τ2為0.3~0.6中的 一個數值。
[0156] 由上述內容，步驟2022中進行Harris角點匹配時，先對當前所處理著降區域圖像 的任一個Harris角點，均從上一個采樣時刻所獲取著降區域圖像的Harris角點中尋找與其 相關性最大（即相關程度最大或相關系數數值最大）的Harris角點；然后，對上一個采樣時 亥 1J所獲取著降區域圖像的的任一個Harri s角點，均從當前所處理著降區域圖像的Harri s角 點中尋找與其相關性最大的Harris角點；當雙向匹配搜尋到的相關性最大的Harris角點彼 此對應（即互為匹配特征點)且相關系數大于設定閾值T2時，即認為是一對匹配的Harris角 點，
[0157] 實際使用時，所述相關系數計算模塊進行相關系數計算時，也可以采用其它常規 的相關系數計算算法。
[0158] 綜上，步驟2021和步驟2022中完成相鄰兩個采樣時刻所獲取著降區域圖像的 Harr i s角點提取及匹配過程。
[0159] 眾所周知，SIFT特征具有尺度、旋轉以及光照不變性，且SIFT特征向量豐富，在光 滑區域也能產生較豐富的SIFT特征點。本實施例中，步驟2012中調用SIFT特征提取模塊對 當前所處理著降區域圖像進行SIFT特征提取時，提取原理及步驟如下：
[0160] 第1步、尺度空間極值點檢測：
[0161] 假設所述著降區域圖像由I(x，y)來表示，（x，y)為著降區域圖像的像素位置(即像 素坐標），則該圖像的尺度空間1可以定義為:以1，7,〇)=6(1，7,〇)\1(1，7)(17);公式（17) 中，L(x，y， 〇)表示圖像的尺度空間，〇為空間尺度因子，G(x，y，〇)為尺度可變的高斯函數，且
[0162] 為了有效地在尺度空間檢測出穩定的特征點，SIFT算法（即SIFT特征提取模塊)采 用高斯差分(Difference of Gaussian，DoG)函數檢測局部特征點。它是歸一化高斯拉普拉 斯算子(Laplacian of Gaussian，LoG)的近似，定義為兩個鄰近的不同尺度的高斯核函數 的差分:D(x，y，〇) = (G(x，y，k〇)-G(x，y，〇)) X I(x，y)=L(x，y，k〇)-L(x，y，〇)(19);將每個 采樣點與它同尺度的8個相鄰點以及上下相鄰尺度對應的9X2個點共26個點進行比較，以 確保在尺度空間和二維圖像空間都檢測到極值點，如果這個采樣點是極大值點或極小值 點，就認為它是在該尺度下的一個特征點;然后，通過擬合三維二次函數進一步精確確定特 征點的位置和尺度，同時去除對比度低的特征點和不穩定的邊緣點，以增強匹配穩定性、提 高抗噪能力。
[0163]第2步、特征點方向的確定：
[0164] 以特征點為中心的鄰域窗口內采樣，用梯度方向直方圖統計鄰域像素的梯度方 向；然后，分別將直方圖的最高峰值點和超過峰值80 %的峰值作為特征點的主方向和輔方 向。
[0165] 特征點梯度方向9(x，y)與幅值m'（x，y)，分別如式(20)和式(21)所示：
[0167] m' (x,y) = [(L(x+l ,y,0)-L(x-l ,y,0))2+(L(x,y+l ,0)-L(x,y-l ,σ))]1/2 (21)；
[0168] 第3步、特征描述符構造：
[0169] 在構造特征描述符時，首先將坐標軸旋轉為特征點方向，以確保方向不變性。然后 以該特征點為中心，選取16 X 16的窗口區域來描述特征點，按照4 X 4的方式將該區域劃分 為16個子區域，并且在每個子區域上計算0°、45°、90°、135°、180°、225°、270°和315°這八個 方向的梯度累加直方圖；通過這16個子區域一共可以得到128個數據，這個1 X 128的向量就 被定義為一個特征點的描述符。
[0170]實際使用時，步驟2012中調用SIFT特征提取模塊對當前所處理著降區域圖像進行 SIFT特征提取時，也可以采用其它常規的SIFT特征提取算法。
[0171] 本實施例中，步驟2024中進行SIFT特征點匹配時，過程如下：
[0172]步驟20241、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像 進行匹配：調用SIFT特征點匹配點匹配模塊，對當前所處理著降區域圖像的各SIFT特征點 分別進行處理，并匹配得出當前所處理著降區域圖像的各SIFT特征點的匹配特征點；
[0173] 其中，調用所述SIFT特征點匹配模塊對當前所處理著降區域圖像的任一個SIFT特 征點進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與上一個采樣時刻所獲取 著降區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得 出的所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐 式距離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得 出的比值小于T3時，從上一個采樣時刻所獲取著降區域圖像的SIFT特征點中找出一個與該 SIFT特征點之間歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不 小于T3時，判斷為該SIFT特征點無匹配特征點；
[0174] 其中T3為預先設定的歐式距離判斷閾值且T3 = l.2~1.6;
[0175] 步驟20242、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像 進行匹配:調用所述SIFT特征點匹配點匹配模塊，對上一個采樣時刻所獲取著降區域圖像 的各SIFT特征點分別進行處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各SIFT 特征點的匹配特征點；
[0176] 其中，調用所述SIFT特征點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任 一個SIFT特征點進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與當前所處理 著降區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得 出的所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐 式距離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得 出的比值小于T3時，從當前所處理著降區域圖像的SIFT特征點中找出一個與該SIFT特征點 之間歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不小于T3時，判 斷為該SIFT特征點無匹配特征點；
[0177] 步驟20243、相互匹配的SIFT特征點選取:根據步驟20241和步驟20242中的匹配結 果，采用所述處理器從當前所處理著降區域圖像的SIFT特征點和上一個采樣時刻所獲取著 降區域圖像的SIFT特征點中，找出所有SIFT特征點匹配對;每個所述SIFT特征點匹配對中 均包括當前所處理著降區域圖像的一個SIFT特征點和上一個采樣時刻所獲取著降區域圖 像的一個SIFT特征點，每個所述SIFT特征點匹配對中的兩個所述SIFT特征點互為匹配特征 占 .
[0178] 本步驟中，所找出的所有SIFT特征點匹配對組成所述SIFT特征點集合。
[0179] 由上述內容可知，由于匹配是帶有方向性的，步驟2024中進行SIFT特征點匹配時， 采用的是雙向匹配方法。
[0180]實際使用時，步驟2024中進行SIFT特征點匹配時，也可以采用單向匹配方法。其 中，采用單向匹配方法進行SIFT特征點匹配時，僅完成步驟20241即可，并將當前所處理著 降區域圖像的各SIFT特征點和步驟20221中匹配出的所有匹配特征點組成所述SIFT特征點 集合。
[0181] 綜上，步驟2024中進行SIFT特征點匹配時，對當前所處理著降區域圖像的任一個 SIFT特征點，先從上一個采樣時刻所獲取著降區域圖像的SIFT特征點中找出與該SIFT特征 點歐氏距離最近的兩個SIFT特征點，如果次進距離與最近距離的比值小于設定閾值T3,則 認為該對SIFT特征點為匹配點，否者認為是不匹配點.
[0182] 本實施例中，T3 = 1.5。
[0183] 實際使用時，可根據具體需要，對Τ3的取值大小進行相應調整。并且，Τ3為1.2~ 1.6中的一個數值。
[0184] 綜上，步驟2023和步驟2024中完成相鄰兩個采樣時刻所獲取著降區域圖像的SIFT 特征點提取及匹配過程。
[0185] 實際使用時，步驟2025中所述的T1 =4~6。
[0186] 本實施例中，T1 = 5。
[0187] 實際使用時，可根據具體需要，對T1的取值大小進行相應調整。并且，T1為4~6中 的一個數值。
[0188] 本實施例中，步驟2025中進行特征點融合時，調用特征點融合處理模塊對由先至 后所述SIFT特征點集合中的各SIFT特征點分別進行融合處理，過程如下：
[0189] 步驟20251、第一個SIFT特征點融合處理:先調用所述歐氏距離計算模塊，計算得 出所述Harr i s角點集合中各Harr i s角點與該SIFT特征點之間的歐式距離;再采用所述處理 器，從所述Harr i s角點集合中選出與該SIFT特征點之間的歐式距離小于T1的所有Harr i s角 點;所選出的Harris角點為所述初始特征點；
[0190] 步驟20252、下一個SIFT特征點融合處理:先調用所述歐氏距離計算模塊，計算得 出此時所述Harr i s角點集合中剩余的各Harr i s角點與該SI FT特征點之間的歐式距離;再采 用所述處理器，從此時所述Harr i s角點集合剩余的Harr i s角點中選出與該SIFT特征點之間 的歐式距離小于T1的所有Harris角點;所選出的Harris角點為所述初始特征點；
[0191] 步驟20253、多次重復步驟20252,直至完成所述SIFT特征點集合中所有SIFT特征 點的融合處理過程。
[0192] 由上述內容可知，步驟2025中進行特征點融合時，由于SIFT特征點提取的是圖像 中穩定的特征點，特征點往往集中在平滑區；而Harris角點往往提取的是灰度變化較大的 邊緣點，因此為了保證位姿估計時有較為豐富且分布均勻的特征點，本發明采用步驟2025 中的特征點融合方法，步驟如下：以當前所處理著降區域圖像中提取的每個待匹配的SIFT 特征點作為基準點，判斷是否有亞像素級Harris角點與該基準點間的歐式距離小于設定閾 值T1:如果有則將該亞像素級Harris角點加入到所述SIFT特征點集合中，形成新的特征點 集(即所述初始特征點集合）；如果沒有，則判斷下一個SIFT特征點，從而實現兩種特征點的 融合，生成融合特征點。
[0193] 實際使用過程中，所采用的Harris角點和SIFT特征點的提取及匹配方法也可以采 用2015年的《航空學報》期刊，第36卷第2期中第596-604頁公開的亞像素級Harris角點、 SIFT特征點提取的方法以及這兩種特征點采用的融合方法，作者為馬旭、程詠梅、郝帥、陳 克喆、王濤等。
[0194] 本實施例中，步驟2025中特征點融合完成后，還需調用地理坐標標定模塊對所述 初始特征點集合中各初始特征點的地理坐標進行標定，過程如下：
[0195] 步驟2025-1、地理坐標系原點選取:從所述初始特征點集合中找出與點0之間歐式 距離最近的一個所述初始特征點，作為地理坐標系原點；所述地理坐標系原點的地理坐標 為(〇,〇);
[0196] 步驟2025-2、其余初始特征點地理坐標確定:根據步驟2025-1中所述地理坐標系 原點的像素位置和地理坐標，對所述初始特征點集合中其余初始特征點的地理坐標分別進 行確定。
[0197] 本實施例中，步驟一中所獲取著降區域圖像的分辨率為moXno,所述圖像采集設備 (具體是攝像機)的水平視場角為α且其垂直視場角為β;
[0198] 步驟2025-2中所述的其余初始特征點中第m '個所述初始特征點的地理坐標，記作 (Xm，，ym，）；第m'個所述初始特征點的像素坐標記作(u m，，vm，），步驟2025-1中所述地理坐標系 原點的像素坐標記作(UCT，vo'），
[0199] 其中，xm，= Δ um' Xre_h(7); Δ uV =Um-uo,；
[0203] 其中，H為上一個采樣時刻無人機距離所述著降區域的高度，即上一個采樣時刻所 獲取著降區域圖像拍攝時無人機距離所述著降區域的高度。
[0204] 本實施例中，步驟一中所述著降區域為無人機的著降區域，Η為無人機距離所述著 降區域的高度。
[0205] 上述公式(8)和公式（10)根據小孔成像原理直接得出。本實施例中，上一個采樣時 刻所獲取著降區域圖像為著降高度Η時（即無人機距離著降區域地面高度為Η時)攝像機拍 攝的著降區域圖像，保持無人機水平方向和垂直方向不變，下降高度為A Η時，拍攝的著降 區域圖像為當前所處理著降區域圖像;對應的第m'個所述初始特征點的水平像素偏差記為 Δ u V，垂直像素偏差記為Δ Vm，，水平地理位移記為Δ tx，垂直地理位移記為Δ ty。
[0206] 因而，對第m '個所述初始特征點的標定地理坐標時，由于地理坐標系原點的地理 坐標已標定，由于地理坐標系原點處初始特征點的像素位置與其余初始特征點的像素偏移 位置已知，因而利用公式 Δ tx = Xm' = Δ Um' Xre_h (7)和 Δ ty = ym' = Δ vm' Xre_v(9)，便 能求得其余初始特征點的相對于地理坐標系原點的地理坐標偏差，其中AuV和Δ Vm，分別 表示某一特征點距離地理坐標原點的水平和垂直方向的像素偏差，進而實現其余特征點地 理坐標的標定。
[0207] 本實施例中，步驟2025-1中進行地理坐標系原點選取時，當所述初始特征點集合 中與點0之間歐式距離最近的所述初始特征點的數量為多個時，選取橫坐標最小的一個所 述初始特征點作為地理坐標系原點。
[0208] 由于無人機在降落過程中，隨著圖像尺度變化參與解算的特征點可能存在出視野 或是點丟失的情況，同時著降區域內也可能出現新的特征點。本實施例中，通過按照步驟二 中所述的方法對當前采樣時刻獲取的當前所處理著降區域圖像進行處理，獲得實時的所述 初選特征點集合，從而能有效確保位姿估計的精度，實時性非常好。
[0209] 本發明中，矢量約束所采用的三項約束指標分為矢量角均分度、矢量模值均值和 矢量模值最大值。其中，矢量角均分度這一指標用于描述特征點在平移坐標系中矢量角的 均分程度，當多個相鄰特征點之間的矢量夾角越接近，其矢量角均分度越小。矢量模值均值 這一指標用于描述特征點在平移坐標系中矢量模值的平均值。矢量模值最大值這一指標用 于描述特征點在平移坐標系中矢量模值中的最大值。
[0210] 本實施例中，步驟20261中點0為著降區域中心點在著降區域圖像上的投影點，記 作0(uQ，VQ);點P'偽著降區域內與著降區域中心點高度一致的一個點在著降區域圖像上的 投影點且其為一個初選特征點，點P ' j的坐標記作Pi (Ui，Vi)，向量〇/;(也稱矢量〇/__;)的矢量 模值和矢量角也稱為點Ρ?的矢量模值和矢量角；點Ρ?的矢量模值和矢量角分別為按照公
[0211]其中，矢量模值最大值記作dmax，且dmaX = max(dj)(23)，dmax為所述初選特征點集合 中各初選特征點的矢量模值的最大值。
[0212] 本實施例中，基于矢量約束的隨機特征點選取方法包括步驟2026和步驟2027兩個 步驟。
[0213] 其中，步驟2026中完成特征點組合生成，步驟2027中完成矢量約束歸一化與最優 值計算。
[0214] 本實施例中，步驟2026中進行特征點組合生成時，通過對最大矢量模值和矢量角 均分度進行約束來提取滿足要求的特征點組合。
[0215] 其中，步驟20261中進行初選特征點選取時，采用最大矢量模值進行約束。具體方 法是:從步驟2025中所述初始特征點集合中找出矢量模值小于f的所有初始特征點作為初 選特征點。
[0216] 由于矢量角均分度對相對位姿估計精度有較大影響，為保證矢量角均分度盡量 小，本發明還需采用對矢量角均分度進行進一步約束，具體是按照步驟20263中所述的方法 選取所述再選特征點。這樣，步驟2026中選出的再選特征點為位姿估計用的解算特征點。 [0 217] 本實施例中，步驟20263-4中所述的m = 6。
[0218] 實際使用時，可根據具體需要，對m的取值大小進行相應調整。并且，m為不小于5的 一個數值。
[0219] 本實施例中，按照步驟20263-1至步驟20263-3中所述的方法，遍歷所述初選特征 點集合中的J個所述初選特征點，并生成J個特征點組合;并按照公式(2)和公式(4)分別計 算出各特征點組合的矢量模值和矢量模值均值。
[0220] 本實施例中，步驟20263-3中進行下一個再選特征點選取之前，還需先將此時所述 初選特征點集合中剩余的各初選特征點的矢量角均增加2JT。
[0221] 最后，按照步驟2027中完成矢量約束歸一化與最優值計算后，最優特征點組合，并 以最優特征點組成中的各特征點（即再選特征點)作為解算特征點，來估計無人機的位置與 姿態。
[0222] 以上所述，僅是本發明的較佳實施例，并非對本發明作任何限制，凡是根據本發明 技術實質對以上實施例所作的任何簡單修改、變更以及等效結構變化，均仍屬于本發明技 術方案的保護范圍內。
【主權項】
1. 一種基于矢量約束的著降位置檢測用隨機特征點選取方法，其特征在于，該方法包 括W下步驟： 步驟一、著降區域圖像獲取及同步上傳:采用圖像采集設備且按照預先設計的采樣頻 率fo獲取著降區域的圖像，并將所獲取著降區域圖像同步傳送至處理器進行處理;所述圖 像采集設備與所述處理器相接;其中，時《30化； 步驟二、著降區域圖像處理:采用所述處理器對各采樣時刻所獲取的著降區域圖像進 行處理，過程如下： 步驟201、初始采樣時刻著降區域圖像處理:采用所述處理器對初始采樣時刻所述圖像 采集設備獲取的著降區域圖像進行處理，包括W下步驟： 步驟2011、Harris角點提取：調用化rris角點檢測模塊提取出當前所處理著降區域圖 像的特征點，所提取的特征點為化rris角點； 步驟2012、SIFT特征提取：調用SIFT特征提取模塊對當前所處理著降區域圖像進行 SIFT特征提取，提取出當前所處理著降區域圖像的特征點，所提取的特征點為SIFT特征點； 步驟202、下一個采樣時刻著降區域圖像處理:采用所述處理器對下一個采樣時刻所述 圖像采集設備獲取的著降區域圖像進行處理，包括W下步驟： 步驟2021、化rris角點提取:按照步驟2011中所述的方法，提取出當前所處理著降區域 圖像的化rris角點； 步驟2022、化rris角點匹配:調用相關系數計算模塊，對當前所處理著降區域圖像的各 化rris角點與上一個采樣時刻獲取的著降區域圖像的各化rris角點分別進行相關系數計 算，并根據相關系數計算結果找出所有相互匹配的化rris角點； 所有相互匹配的Harris角點組成Harris角點集合； 步驟2023、SIFT特征提取:按照步驟2012中所述的方法，提取出當前所處理著降區域圖 像的SIFT特征點； 步驟2024、SIFT特征點匹配:調用歐氏距離計算模塊，對當前所處理著降區域圖像的各 SIFT特征點與上一個采樣時刻獲取的著降區域圖像的各SIFT特征點之間的歐式距離分別 進行計算，并根據歐式距離計算結果找出所有相互匹配的SIFT特征點； 所有相互匹配的SIFT特征點組成SIFT特征點集合； 步驟2025、特征點融合:調用所述歐氏距離計算模塊，對步驟2022中所述化rri S角點集 合中的各化rr i S角點與步驟2024中所述SIFT特征點集合中的各化rr i S角點之間的歐式距 離分別進行計算，并根據歐式距離計算結果，從所述化rris角點集合中找出與所述SIFT特 征點集合中任一個SIFT特征點之間的歐式距離小于T1的所有化rris角點； 本步驟中所找出的化rri S角點與所述SIFT特征點集合中的SIFT特征點均為初選特征 點，且本步驟中所找出的所有化rris角點與所述SIFT特征點集合中的所有SIFT特征點組成 初始特征點集合； 其中，T1為預先設定的特征點融合判斷闊值且Τ1>3; 步驟2026、特征點組合生成，包括W下步驟： 步驟20261、初選特征點選取:調用初選特征點選取模塊，從步驟2025中所述初始特征 點集合中找出矢量模值小于^的所有初始特征點作為初選特征點;本步驟中找出的所有初 選特征點組成初選特征點集合； 步驟一中所述著降區域為圓形;其中，Ro為當前所處理著降區域圖像上長度為R的直線 上的像素點數量，R為當前所處理著降區域圖像上著降區域的半徑； 當前所處理著降區域圖像上著降區域的中屯、點，記作點0;點0的坐標，記作(u〇，v〇); 所述初始特征點集合中的第i個初始特征點，記作點Pi;其中，i為正整數且i = l、2、 3、…、I，I為所述初始特征點集合中初始特征點的總數量；點Pi的矢量模值，記作di;di為向 量雨的模； 步驟20262、矢量角計算：調用矢量角計算模塊，對所述初選特征點集合中各初選特征 點的矢量角分別進行計算； 其中，所述初選特征點集合中第j個初選特征點，記作點P'j;當前所處理著降區域圖像 上點P ' j的坐標，記作(Uj，vj);點P ' j的矢量角記作ω ;，且0《ω j < 化;j為正整數且j = l、2、3、…、J，J所述初選特征點集合中初選特征點的總數量； 步驟20263、特征點組合生成：調用特征點組合生成模塊對步驟20261中所述初選特征 點集合中的J個所述初選特征點分別進行處理，并生成J個特征點組合； 其中，調用所述特征點組合生成模塊對所述初選特征點集合中第j個初選特征點進行 處理時，過程如下： 步驟20263-1、第一個再選特征點選取:從所述初選特征點集合中選出點P ' j，并將點P ' j 作為第一個再選特征點； 步驟20263-2、第二個再選特征點選取:從此時所述初選特征點集合中剩余的所述初選 特征點中選出矢量角最接近的一個所述初選特征點，作為第二個再選特征點； 步驟20263-3、下一個再選特征點選取:從此時所述初選特征點集合中剩余的所述初選 特征點中選出矢量角最接近％-I的一個所述初選特征點，作為下一個再選特征點； 其中，Ws為上一個所選取再選特征點的矢量角； 步驟20263-4、m-3次重復步驟20263-3,直至選出m個再選特征點；所選出的m個所述再 選特征點組成一個特征點組合，該特征點組合記作特征點組合Qj; 其中，m為正整數且m>5; 步驟2027、最優特征點組合篩選，過程如下： 步驟20271、矢量角均分度歸一化處理:先調用矢量角均分度計算模塊，對步驟20263中 所獲得J個所述特征點組合的矢量角均分度分別進行計算;再調用矢量角均分度歸一化處 理模塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量角均分度歸一化處 理值；其中，特征點組合如的矢量角均分度，記作w, ;J個所述特征點組合的矢量角均分度 中，數值最大的矢量角均分度記作，數值最小的矢量角均分度記作^^,。； 其中，對特征點組合^的矢量角均分度進行計算之前，先將特征點組合^中!!!個所述 再選特征點的矢量角從大到小進行排列，并獲得特征點組合^的矢量角集合;所述特征點 組合Gh的矢量角集合中第h個矢量角，記作ω 'h;其中，h為正整數且h=l、2、…、m;特征點組合化的矢量角均分度歸一化處理值記作初w，且步驟20271、矢量模值均值歸一化:先調用矢量模值均值計算模塊，對步驟20263中所獲 得J個所述特征點組合的矢量模值均值分別進行計算;再調用矢量模值均值歸一化處理模 塊對J個所述特征點組合分別進行處理，獲得各特征點組合的矢量模值均值歸一化處理值； 其中，特征點組合屯的矢量模值均值記作六，且，d'h為特征點組合 Qj中第h個再選特征點的矢量模值;J個所述特征點組合的矢量角均分度中，數值最大的矢 量模值均值記作品。t，數值最小的矢量模值均值記作而U。; ； 特征點組合化的矢量模值均值歸一化處理值，記巧步驟20273、優先值計算：調用優先值計算模塊，對步驟20263中所獲得J個所述特征點 組合的優先值分別進行計算； 其中，特征點組合A的優先值記作ww，且步驟20274、最優特征點組合選取:調用最優特征點組合選取模塊，從步驟20263中所獲 得J個所述特征點組合中選出最優特征點組合，所選出的最優特征點組合為J個所述特征點 組合中優先值最小的一個所述特征點組合;所述最優特征點組合中的m個所述再選特征點 為選取的當前所處理著降區域圖像的特征點； 步驟203、返回步驟202,對下一個采樣時刻所述圖像采集設備所獲取的著降區域圖像 進行處理。2. 按照權利要求1所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其特 征在于:步驟一中所述的fo = FHz，其中F為正整數且10《F《30。3. 按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其 特征在于:步驟2025中特征點融合完成后，還需調用地理坐標標定模塊對所述初始特征點 集合中各初始特征點的地理坐標進行標定，過程如下： 步驟2025-1、地理坐標系原點選取:從所述初始特征點集合中找出與點0之間歐式距離 最近的一個所述初始特征點，作為地理坐標系原點;所述地理坐標系原點的地理坐標為(0， 0); 步驟2025-2、其余初始特征點地理坐標確定:根據步驟2025-1中所述地理坐標系原點 的像素位置和地理坐標，對所述初始特征點集合中其余初始特征點的地理坐標分別進行確 定。4. 按照權利要求3所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其特 征在于:步驟一中所獲取著降區域圖像的分辨率為moXno,所述圖像采集設備的水平視場角 為曰且其垂直視場角為β; 步驟2025-2中所述的其余初始特征點中第m'個所述初始特征點的地理坐標，記作Um'， ym'）；第m'個所述初始特征點的像素坐標記作(Um'，Vm'），步驟2025-1中所述地理坐標系原點 的像素坐標記作(U0'，vo'）， 其中，Xm' = A um' Xre_h(7); Δ u V =Um'-u〇' ； re_h為水平方向地面分辨率月（8);其中Η為著降高度； ym' = Δ Vm' Xre_V(9) ; Δ Vm' =Vm'-VO' ； re_v為垂直方向地面分辨率月（1 0) b5. 按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其 特征在于:步驟2022中進行化rris角點匹配時，過程如下： 步驟20221、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像進行 匹配：調用化rris角點匹配模塊對當前所處理著降區域圖像的各化rris角點分別進行處 理，并匹配得出當前所處理著降區域圖像的各化rris角點的匹配特征點； 其中，調用所述化rris角點匹配模塊對當前所處理著降區域圖像的任一個化rris角點 進行處理時，先調用所述相關系數計算模塊對該化rris角點與上一個采樣時刻所獲取著降 區域圖像的各化rris角點分別進行相關系數計算，并從上一個采樣時刻所獲取著降區域圖 像的化rr i S角點中找出一個與該化rr i S角點相關系數最大的化rr i S角點作為匹配特征點； 步驟20222、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像進行 匹配:從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像進行匹配：調用 所述化rris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像各化rris角點分別進行 處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各化rris角點的匹配特征點； 其中，調用所述化rris角點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任一個 化rris角點進行處理時，先調用所述相關系數計算模塊對該化；rris角點與當前所處理著降 區域圖像的各化rris角點分別進行相關系數計算，并從當前所處理著降區域圖像的化rris 角點中找出一個與該化rr i S角點相關系數最大的化rr i S角點作為匹配特征點； 步驟20223、相互匹配的化rris角點選取:根據步驟20221和步驟20222中的匹配結果， 采用所述處理器從當前所處理著降區域圖像的化rris角點和上一個采樣時刻所獲取著降 區域圖像的化rr i S角點中，找出所有化rr i S角點匹配對;每個所述化rri S角點匹配對中均 包括當前所處理著降區域圖像的一個化rris角點和上一個采樣時刻所獲取著降區域圖像 的一個化rriS角點，每個所述化rriS角點匹配對中的兩個所述化rr iS角點互為匹配特征 占 . '?、、， 本步驟中，所找出的所有Harr i S角點匹配對組成所述Harr i S角點集合。6. 按照權利要求5所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其特 征在于：步驟2024中進行SIFT特征點匹配時，過程如下：步驟20221中從上一個采樣時刻所 獲取著降區域圖像的化rris角點中找出一個與該化；rris角點相關系數最大的化；rris角點 后，將所找出的化rris角點作為待判定化rris角點；之后，所述處理器還需調用差值比較模 塊并根據預先設定的相關系數判斷闊值T2,對所述待判定化rris角點進行判斷，當該 化r r i S角點與所述待判定化rr i S角點的相關系數大于T2時，判斷為所述待判定化rr i S角點 為該化rris角點的匹配特征點；否則，判斷為該化rris角點無匹配特征點；其中，Τ2 = 0.3~ 0.6; 步驟20222中從當前所處理著降區域圖像的化rris角點中找出一個與該化rris角點相 關系數最大的化rr i S角點后，將所找出的化rr i S角點作為待判定化rr i S角點；之后，所述處 理器還需調用差值比較模塊并根據預先設定的相關系數判斷闊值T2,對所述待判定化rris 角點進行判斷：當該化rr i S角點與所述待判定化rr i S角點的相關系數大于T 2時，判斷為所 述待判定化rr i S角點為該化rr i S角點的匹配特征點；否則，判斷為該化rr i S角點無匹配特 征點。7.按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其 特征在于:步驟2024中進行SIFT特征點匹配時，過程如下： 步驟20241、從當前所處理著降區域圖像向上一個采樣時刻所獲取著降區域圖像進行 匹配:調用SIFT特征點匹配點匹配模塊，對當前所處理著降區域圖像的各SIFT特征點分別 進行處理，并匹配得出當前所處理著降區域圖像的各SIFT特征點的匹配特征點； 其中，調用所述SIFT特征點匹配模塊對當前所處理著降區域圖像的任一個SIFT特征點 進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與上一個采樣時刻所獲取著降 區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得出的 所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐式距 離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得出的 比值小于T3時，從上一個采樣時刻所獲取著降區域圖像的SIFT特征點中找出一個與該SIFT 特征點之間歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不小于 T3時，判斷為該SIFT特征點無匹配特征點； 其中T3為預先設定的歐式距離判斷闊值且T3 = 1.2~1.6; 步驟20242、從上一個采樣時刻所獲取著降區域圖像向當前所處理著降區域圖像進行 匹配:調用所述SIFT特征點匹配點匹配模塊，對上一個采樣時刻所獲取著降區域圖像的各 SIFT特征點分別進行處理，并匹配得出上一個采樣時刻所獲取著降區域圖像的各SIFT特征 點的匹配特征點； 其中，調用所述SIFT特征點匹配模塊對上一個采樣時刻所獲取著降區域圖像的任一個 SIFT特征點進行處理時，先調用所述歐氏距離計算模塊對該SIFT特征點與當前所處理著降 區域圖像的各SIFT特征點之間的歐式距離分別進行計算;再調用排序模塊，將計算得出的 所有歐式距離值由小到大進行排序;再調用比值計算模塊計算得出排序后的第二個歐式距 離值與第一個歐式距離值之間的比值，并判斷計算得出的比值是否小于T3:當計算得出的 比值小于T3時，從當前所處理著降區域圖像的SIFT特征點中找出一個與該SIFT特征點之間 歐式距離最近的SIFT特征點作為匹配特征點；否則，當計算得出的比值不小于T3時，判斷為 該SIFT特征點無匹配特征點； 步驟20243、相互匹配的SIFT特征點選取:根據步驟20241和步驟20242中的匹配結果， 采用所述處理器從當前所處理著降區域圖像的SIFT特征點和上一個采樣時刻所獲取著降 區域圖像的SIFT特征點中，找出所有SIFT特征點匹配對;每個所述SIFT特征點匹配對中均 包括當前所處理著降區域圖像的一個SIFT特征點和上一個采樣時刻所獲取著降區域圖像 的一個SIFT特征點，每個所述SIFT特征點匹配對中的兩個所述SIFT特征點互為匹配特征 占 . 本步驟中，所找出的所有SIFT特征點匹配對組成所述SIFT特征點集合。8. 按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其 特征在于:步驟2025中所述的Τ1= 4~6; 步驟2025中進行特征點融合時，調用特征點融合處理模塊對由先至后所述SIFT特征點 集合中的各SIFT特征點分別進行融合處理，過程如下： 步驟20251、第一個SIFT特征點融合處理:先調用所述歐氏距離計算模塊，計算得出所 述化rris角點集合中各化rris角點與該SIFT特征點之間的歐式距離;再采用所述處理器， 從所述化rris角點集合中選出與該SIFT特征點之間的歐式距離小于T1的所有化rris角點； 所選出的Harr i S角點為所述初始特征點； 步驟20252、下一個SIFT特征點融合處理：先調用所述歐氏距離計算模塊，計算得出此 時所述化rris角點集合中剩余的各化rris角點與該SIFT特征點之間的歐式距離;再采用所 述處理器，從此時所述化rri S角點集合剩余的化rri S角點中選出與該SIFT特征點之間的歐 式距離小于T1的所有化rris角點;所選出的化rris角點為所述初始特征點； 步驟20253、多次重復步驟20252,直至完成所述SIFT特征點集合中所有SIFT特征點的 融合處理過程。9. 按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法，其 特征在于:步驟20263-3中進行下一個再選特征點選取之前，還需先將此時所述初選特征點 集合中剩余的各初選特征點的矢量角均增加化。10. 按照權利要求1或2所述的基于矢量約束的著降位置檢測用隨機特征點選取方法， 其特征在于:步驟2011中調用所述Harris角點檢測模塊提取出當前所處理著降區域圖像的 特征點時，所提取的化rris角點為亞像素級精度的角點。
【文檔編號】G06K9/46GK106096621SQ201610388927
【公開日】2016年11月9日
【申請日】2016年6月2日 公開號201610388927.6, CN 106096621 A, CN 106096621A, CN 201610388927, CN-A-106096621, CN106096621 A, CN106096621A, CN201610388927, CN201610388927.6
【發明人】郝帥
【申請人】西安科技大學