CN114358166A - 一种基于自适应k均值聚类的多目标定位方法 - Google Patents

Abstract

本发明提出一种基于自适应k均值聚类的多目标定位方法，密度峰值聚类算法(DPC)和k‑means聚类算法相结合，提出自适应k‑means聚类算法，基于提取的特征点，自适应确定待定位目标数量，对不同目标的特征点集聚类；通过最近邻比值算法进行粗匹配，利用特征点投票构建最优几何约束进行精匹配，实现多目标精确定位。本方法对于不同类型、数量的待定位目标，在旋转、尺度变换、部分遮挡和光照变换下等复杂环境下均可精确定位目标，具有较好的鲁棒性。

Description

一种基于自适应k均值聚类的多目标定位方法

技术领域

本发明涉及计算机视觉和图像处理技术领域，尤其涉及一种基于自适应k均值聚类的多目标定位方法。

背景技术

图像匹配是计算机视觉和模式识别的重要内容，在图像配准、图像拼接、三维重建等领域内得到广泛应用。目前，图像匹配算法主要分为基于灰度匹配和基于特征匹配两大类。基于灰度的匹配算法通过图像采样窗口内的区域属性进行匹配，匹配精度高，但易受到环境的影响，对图像灰度变化敏感；基于特征匹配算法通过检测图像中的稳定特征，利用邻域像素信息进行特征描述，根据计算特征描述符相似度完成匹配，该类算法抗干扰能力强，匹配速度快，具有较高的鲁棒性。因此，学者提出了许多优秀的基于特征匹配算法。Lowe提出了 SIFT算法，该算法能够适应旋转、尺度缩放变换，且对光照变化不敏感，但由于图像存在纹理相似区域，仅采用邻域信息作为描述符容易造成误匹配，对算法的应用具有一定的限制。焦扬等人将k-means与SIFT算法相结合，利用k-means算法对特征向量矩阵聚类，提高了图像匹配速率；张丽红等人首先对图像进行对数变换,再对图像特征进行迭代匹配实现声呐图像的多目标匹配；董***等人在匹配过程中仅使用单层高斯金字塔的特征点进行粗匹配，同时将GMS算法与RANSAC算法相结合计算仿射变换矩阵，提高图像匹配的实时性；王挺等人提出了几何约束与SIFT算法相结合对图像进行匹配,在匹配阶段加入核线约束，具有良好的仿射不变性；李云红等人利用迭代最小二乘拟合构建函数模型剔除误匹配点，在匹配时间和精度上具有优势。

虽然以上改进的SIFT算法匹配效率有所提升，但在多目标定位过程中，SIFT算法无法对所有目标进行精确定位，必须确定待定位目标数量，并对不同目标特征点进行聚类。

发明内容

针对上述问题，本发明提出了基于自适应k-means聚类的多目标定位算法，具体如下：

1、检测待匹配图像特征点集并计算特征点主方向

(1)图像与不同尺度因子的高斯函数进行卷积，构建高斯尺度空间，利用相邻尺度空间中的图像相减构建高斯差分尺度空间；

(2)计算高斯差分尺度空间局部极值点作为特征点；

(3)计算以特征点为中心的邻域内像素的梯度大小和方向，并统计所有像素的梯度大小和方向生成梯度方向直方图,直方图最大值方向即为特征点的主方向；

(4)将采样窗口划分为若干子区域,统计子区域内的梯度信息，构建特征向量，为了进一步降低光照变化的影响，对特征向量进行归一化处理。

2、基于密度峰值聚类算法(DPC)确定聚类个数和初始聚类中心。

(1)计算上述特征点的截断距离以及每个特征点的局部密度和距离；

(2)计算每个特征点的γ值，并对其进行降序排列,选取前k个数据作为初始聚类中心。γ的计算公式如下：

γ_i＝ρ_i*δ_i

上式中ρ_i为局部密度，δ_i为距离。

3、利用k-means聚类算法，对上述聚类中心进行迭代聚类，得到最终的聚类结果。计算所有特征点到聚类中心的距离,根据最邻近原则将待分类数据进行分类,对所有特征点分类后,计算每个聚类中所有特征点坐标的均值,并将坐标均值作为新的聚类中心, 不断迭代确定最终得到k个聚类中心，将剩余特征点聚类到距离最近且局部密度高于自身的特征点所在的类簇。

4、利用最近邻比值算法进行特征点粗匹配，对特征点进行粗剔除；

在待匹配图像特征点集中寻找与模板图像特征点欧式距离最近和次近的特征点，计算最近欧式距离dis_nt和次近欧式距离dis_snt的比值，若满足：

则该特征点匹配成功，否则剔除这个特征点对，T为设定阈值。

5、利用特征点投票构建最优几何约束进行精匹配。

根据粗匹配中特征点对的匹配置信度降序排列，通过迭代在前n对匹配特征点中随机选取3对特征点进行投票，选取具有最佳适应度的3对特征点对建立局部坐标系。基于构建的局部坐标系，将特征点与坐标原点构建直线基元，并向量坐标表示，计算向量坐标在局部坐标系中的坐标相似度，并将相似度与设定阈值对比，剔除误匹配点。

(1)上述中局部坐标系的构建方法如下：

基于粗匹配中特征点匹配置信度降序排列选取前n对特征点构成集合 R＝{(M_i,N_i)|i＝1,…,n}，其中，M_i和N_i是一对匹配特征点,从集合R选择3个特征点从集合R选择3个特征点构建局部坐标系，利用集合中剩余特征点在局部坐标系中的相似度进行投票得分，最终选取得分最高的3个特征点构建局部坐标系。

特征点相似度计算公式如下:

式中:{(L_ji,L_ji')|i＝1,2,3}是匹配点对M_j和N_j到3个匹配特征点的欧式距离。

(2)特征点直线基元的坐标相似度的计算方式如下：

①直线基元向量用坐标表示，构成坐标集合：Ω＝{p_i(x,y),q_i(x,y)|i＝1,…,N}

直线基元向量用坐标表示计算公式：

式中,k为直线的斜率,(x₁,y₁)为直线基元起点坐标,(x₂,y₂)为终点坐标。

②将向量坐标转换为在局部坐标系中的坐标转换公式如下：

式中α,β为向量化的直线基元在局部坐标系中的坐标。

③计算直线基元的坐标相似度

其中,P_M和P_N为直线基元的局部坐标。

6、利用正确的匹配点计算变换模型实现多目标的精确匹配。

本发明具有如下优点：(1)将DPC算法与k-means相结合，通过DPC算法确定聚类个数与聚类中心，然后利用k-means算法对初始特征点进行聚类，可有效分离特征点集。(2)本发明算法均实现多目标的精准快速匹配，当待匹配目标发生旋转变换、尺度变换且受光照影响、遮挡等因素时仍可实现目标的快速匹配，具有尺度、旋转不变性，且匹配效果不受遮挡、光照变化影响，具有较高的稳定性。

附图说明

附图1为算法流程图。

附图2为直线基元局部坐标计算示意图。

附图3条形工件匹配结果图。

附图4 L形工件匹配结果图。

具体实施方式

1、输入待匹配图像，获取待匹配图像特征点并计算特征点主方向

(1)待匹配图像与不同尺度因子的高斯函数进行卷积，构建高斯尺度空间，为了提高极值点检测的稳定性和准确性，在高斯尺度空间内，利用相邻尺度空间中的图像相减构建高斯差分尺度空间；

(2)计算高斯差分尺度空间局部极值点作为特征点。将待检测点和同尺度的邻域8个像素、相邻尺度对应位置的邻域9×2个像素共26个像素进行对比，若待检测像素的灰度值完全小于或大于邻域26个像素点的灰度值，则该像素为高斯尺度空间局部极值点，局部极值点集即为特征点集

(3)为了使描述符具有旋转不变性，需要给特征点分配一个基准方向，计算以特征点为中心的邻域内像素的梯度大小和方向，并统计所有像素的梯度大小和方向生成梯度方向直方图,直方图最大值方向即为特征点的主方向；

(4)由于坐标轴与主方向不一致，需要将采样窗口旋转至特征点的主方向。将采样窗口划分为4×4个子区域，统计子区域内8个方向的梯度信息，构建128维特征向量，为了进一步降低光照变化的影响，对特征向量进行归一化处理。

2、基于密度峰值聚类算法(DPC)确定聚类个数K和初始聚类中心。

在多目标匹配过程时，必须对特征点集中不同目标的特征点进行聚类，避免在匹配过程中其他目标特征点的干扰。DPC算法能够利用样本数据中的密度峰值确定聚类中心和聚类个数，解决选取初始聚类中心和聚类个数问题。具体方法如下：

(1)计算待匹配图像特征点集

的截断距离及每个特征点的局部密度ρ_i和距离δ_i；

任何一个特征点，都有两个指标：局部密度ρ_i和距离δ_i，为了确定聚类中心,同时考虑局部密度和距离两个影响因素。

(2)计算每个特征点的γ值，γ的计算公式如下：

γ_i＝ρ_i*δ_i

γ值越大，该特征点成为聚类中心的概率越高，因此对其进行降序排列，选取前k个数据作为初始聚类中心。

3、利用k-means聚类算法，对上述聚类中心进行迭代聚类，得到最终的聚类结果，有效分离特征点集；

基于上述初始聚类中心，计算所有特征点到聚类中心的距离,根据最邻近原则将待分类特征点进行分类,对所有的特征点分类后,计算每个类别特征点坐标的均值,并将均值作为新的聚类中心,不断迭代确定最终得到k个聚类中心

其中

将剩余特征点聚类到距离最近且局部密度高于自身所在的类簇。

4、利用最近邻比值算法进行特征点粗匹配，对特征点进行粗剔除；

在待匹配图像特征点集中寻找与模板图像特征点欧式距离最近和次近的特征点，计算最近欧式距离dis_nt和次近欧式距离dis_snt的比值，若满足：

则该特征点匹配成功，否则剔除这个特征点对，T为设定阈值。

5、利用特征点投票构建最优几何约束进行精匹配。

根据粗匹配中特征点对的匹配置信度降序排列，通过迭代在前n对匹配特征点中随机选取3对特征点进行投票，选取具有最佳适应度的3对特征点对建立局部坐标系。基于构建的局部坐标系，将特征点与坐标原点构建直线基元，并向量坐标表示，计算向量坐标在局部坐标系中的坐标相似度，并将相似度与设定阈值对比，剔除误匹配点。

(1)构建局部坐标系

基于粗匹配中特征点匹配置信度降序排列选取前n对特征点构成集合 R＝{(M_i,N_i)|i＝1,…,n}，其中，M_i和N_i是一对匹配特征点,从集合R选择3个特征点构建局部坐标系，利用集合中剩余特征点在局部坐标系中的相似度进行投票得分，最终选取得分最高的 3个特征点构建局部坐标系。

特征点相似度计算公式如下:

式中:{(L_ji,L_ji')|i＝1,2,3}是匹配点对M_j和N_j到3个匹配特征点的欧式距离。

(2)计算特征点直线基元向量化后的坐标

假设提取的3个特征点对为{(M_j,N_j)|j＝1,2,3},在两幅图像中,分别以M₁和N₁为坐标原点,连接M₁M₂,M₁M₃和N₁N₂,N₁N₃分别建立坐标系O-XY和O-X'Y',利用直线基元

向量化后的坐标作为坐标系O-XY的基底信息P_A(P_ax,P_ay)和P_B(P_bx,P_by),同理计算坐标系O-X'Y' 的基底信息，如图2所示。

直线基元向量用坐标表示，构成坐标集合：Ω＝{p_i(x,y),q_i(x,y)|i＝1,…,N}

直线基元向量用坐标表示计算公式：

式中,k为直线的斜率,(x₁,y₁)为直线基元起点坐标,(x₂,y₂)为终点坐标。

(3)相似度计算

为计算直线基元的相似度,将其向量坐标转换为在局部坐标系中的坐标,转换公式如下:

式中α,β为向量化的直线基元在局部坐标系中的坐标。

计算直线基元的坐标相似度，公式如下：

其中,P_M和P_N为直线基元的局部坐标。

通过对相似度S与设定阈值t_s进行比较,若S小于t_s,特征点对匹配正确；否则为误匹配点；经多次匹配实验确定，当t_s取0.03时，匹配效果最优。

6、利用正确的匹配点计算变换模型实现多目标的精确匹配。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于自适应k均值聚类的多目标定位方法，其特征在于：包括以下步骤：

S1、检测待匹配图像特征点集并计算特征点主方向；

S2、基于密度峰值聚类算法确定聚类个数和初始聚类中心；

S3、利用k-means聚类算法，对上述聚类中心进行迭代聚类，得到最终的聚类结果。

S4、利用最近邻比值算法进行特征点粗匹配，对特征点进行粗剔除；

S5、利用特征点投票构建最优几何约束进行精匹配；

S6、利用正确的匹配点计算变换模型实现多目标的精确匹配。

2.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法，其特征在于：S1包括：

(1)图像与不同尺度因子的高斯函数进行卷积，构建高斯尺度空间，利用相邻尺度空间中的图像相减构建高斯差分尺度空间；

(2)计算高斯差分尺度空间局部极值点作为特征点；

(3)计算以特征点为中心的邻域内像素的梯度大小和方向，并统计所有像素的梯度大小和方向生成梯度方向直方图,直方图最大值方向即为特征点的主方向；

(4)将采样窗口划分为若干子区域,统计子区域内的梯度信息，构建特征向量，为了进一步降低光照变化的影响，对特征向量进行归一化处理。

3.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法，其特征在于：S2包括：

(1)计算上述特征点的截断距离以及每个特征点的局部密度和距离；

(2)计算每个特征点的γ值，并对其进行降序排列,选取前k个数据作为初始聚类中心。γ的计算公式如下：

γ_i＝ρ_i*δ_i

上式中ρ_i为局部密度，δ_i为距离。

4.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法，其特征在于：S3中，

计算所有特征点到聚类中心的距离,根据最邻近原则将待分类数据进行分类,对所有特征点分类后,计算每个聚类中所有特征点坐标的均值,并将坐标均值作为新的聚类中心,不断迭代确定最终得到k个聚类中心，将剩余特征点聚类到距离最近且局部密度高于自身的特征点所在的类簇。

5.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法，其特征在于：S3中，在待匹配图像特征点集中寻找与模板图像特征点欧式距离最近和次近的特征点，计算最近欧式距离dis_nt和次近欧式距离dis_snt的比值，若满足：

则该特征点匹配成功，否则剔除这个特征点对，T为设定阈值。

6.根据权利要求1所述的一种基于自适应k均值聚类的多目标定位方法，其特征在于：S5中，根据粗匹配中特征点对的匹配置信度降序排列，通过迭代在前n对匹配特征点中随机选取3对特征点进行投票，选取具有最佳适应度的3对特征点对建立局部坐标系。基于构建的局部坐标系，将特征点与坐标原点构建直线基元，并向量坐标表示，计算向量坐标在局部坐标系中的坐标相似度，并将相似度与设定阈值对比，剔除误匹配点。

7.根据权利要求6所述的一种基于自适应k均值聚类的多目标定位方法，

其特征在于：所述中局部坐标系的构建方法如下：

基于粗匹配中特征点匹配置信度降序排列选取前n对特征点构成集合R＝{(M_i,N_i)|i＝1,···,n}，其中，M_i和N_i是一对匹配特征点,从集合R选择3个特征点从集合R选择3个特征点构建局部坐标系，利用集合中剩余特征点在局部坐标系中的相似度进行投票得分，最终选取得分最高的3个特征点构建局部坐标系。

特征点相似度计算公式如下:

式中:{(L_ji,L_ji')|i＝1,2,3}是匹配点对M_j和N_j到3个匹配特征点的欧式距离；

特征点直线基元的坐标相似度的计算方式如下：

①直线基元向量用坐标表示，构成坐标集合：Ω＝{p_i(x,y),q_i(x,y)|i＝1,…,N}直线基元向量用坐标表示计算公式：

式中,k为直线的斜率,(x₁,y₁)为直线基元起点坐标,(x₂,y₂)为终点坐标；

②将向量坐标转换为在局部坐标系中的坐标转换公式如下：

式中α,β为向量化的直线基元在局部坐标系中的坐标；

③计算直线基元的坐标相似度

其中,P_M和P_N为直线基元的局部坐标。

Images