随机蕨 ferns 算法.docVIP

【摘要】 为实现光电成像末端制导中的自适应目标初始化,针对末端制导景象匹配中图像存在尺度、旋转、灰度和3D视角差异,及传统方法运算量较大的问题,基于随机蕨分类器构造了一种新的景象匹配算法。算法首先利用基准图像进行分类器训练,然后基于该分类器对实时图像进行特征匹配。为剔除误匹配特征对,对初始匹配特征对中的对应区域分别进行尺度不变特征变换(SIFT)特征描述,基于马氏距离准则进行误匹配特征对剔除。根据顺序抽样一致性算法(PROSAC)对剩余的匹配特征对估计两图像的外极几何关系,最终根据外极几何关系求得目标在实时图像中的位置和尺寸信息。仿真结果表明,该算法能够在光电成像末端制导过程中实现稳定的目标初始化,在极端条件下的稳定性优于原随机蕨分类器算法。 1引言 由于基准图像与实时图像在成像设备，拍摄时间、拍摄角度、拍摄高度和方向等方面的不同，两图像在尺度、旋转角、灰度及3D视角方面均可能有较大差异，这种情况下的景象匹配属于宽基线图像匹配问题。 近年来，宽基线图像匹配算法不断涌现，大多沿袭了Schmid等构造的理论框架，通常分为四步:1}提取稳定的局部特征;2)对特征进行不变性描述;3)特征匹配;4)基于外极几何约束，求得两图像间的对应关系。较经典的有Harris仿射不变性特征(Harris-affine )、尺度不变性特征变换(S IFT)、快速稳健性特征(SURF)]和最稳定极值区域(MSER)等。这些算法为获取特征的各种不变性，运算量较大，难以满足实时性，MSER虽然能够满足实时性，但对图像模糊和尺度差异的稳健性较差。在成像环境较复杂且对运算量要求严格的图像模式识别领域，上述宽基线图像匹配算法均不适用。为降低运算量，Lepetit等把宽基线图像匹配视为分类问题，将运算量较大的部分转移到分类器训练过程中，构造了一种名为随机蕨( Random ferns)的非层次结构特征，基于朴素贝叶斯分类算法对局部图像进行快速识别。目前该方法己被用于增强现实和同时定位与地图创建等方面。 通过对基准图像进行随机的仿射变换模拟目标在任意视角条件下的成像，以获得大量的训练样本，从中提取稳定的角点来构造随机蕨，通过训练得出基于随机蕨的朴素贝叶斯分类器(简称随机蕨分类器)以实现快速稳定的宽基线图像匹配，求得最终的目标初始信息。 3基于随机蕨的朴素贝叶斯分类 31算法思想 设基准图像中的特征点数为H，将以特征点k为中心的局部区域patchk所有可能的视图情况均归为一类，将各特征区域所属的类用Ci，i=1，...，H表示。则可将查找实时图像中特征点kinput在基准图像上的对应特征点视为对patchkinput的分类问题。 设fj，j=1，...，N为基于patchkinput的二元特征集，则patchkinput的所属类别为 （1） 式中C为表示类的随机变量，由贝叶斯公式可得 （2） 设先验概率P(C）为均匀分布，（2)式分母部分与类别无关，则(1)式可简化为 设patchkinput的尺寸为L x L,(取L = 32)，则二元特征fj的值取决于patchkinput中在分类器训练时随机生成的两像素位置dj1和dj2的灰度大小Idj1和Idj2比较的结果，即 由于fj的形式很简单，因此需要有足够多的特征以确保实现正确分类，取N≈300，即随机选取300对像素位置进行灰度大小比较，则对(3)式中联合分布概率的完整表达形式的求解需要的存储量为Hx2的N次方字节。为降低存储量，并保证fj之间具有足够的相关性，将fj分为M组，每组包含S = N/M个二元特征，并假设不同组的二元特征之间相互独立，组内二元特征之间具有相关性，将这些组定义为蕨特征(Ferns}，则(3)式中的条件概率可以近似为 （5） 式中表示第m个蕨，表示范围是1，...，N的随机函数。则patchkinput的所属类别为 要对(6)式进行求解，只需估计每个蕨Fm和类Ci的类条件概率P(Fm|C=Ci)。与(3)式相比，(6)式的存储量为M*2的s次方字节，取M=40，s=11，在保证算法具有较高性能的同时，每一类只需8 *10的4次方字节的存储量，远小于N = 440时2的N次方字节的运算量，有利于工程实现。 32分类器训练 3 2 1训练集建立 为使分类器对图像投影变形、光照变化、图像模糊以及噪声具有较强的稳健性，需构造能反映上述变形的训练集对分类器进行训练。 当摄像头距离目标较远时，目标上的局部区域可被视为平面，则通过对当前视角下的目标图像进行仿射变换能够模拟目标在其他视角条件下的情况，设仿射变换矩阵为A，可被分解为如下形式: 式中Rθ和R4是两个角度参数分别为e和}n的旋转矩阵，S = diag【】