] 可見，LTS-HD距離公式通過2個系數(shù)&和f2來控制參與計算的點的個數(shù)，將最小 距離值特別大的點濾除，不僅能消除遠離中心的錯誤匹配點的影響，而且對高斯噪聲的消 除能力比較強。
[0035] 具體將邊緣集合內(nèi)的點的坐標值都換算到以角點為原點的坐標值。計算點集A到 點集B的匹配點對時，遍歷描述點集A內(nèi)邊緣點的鏈表，獲得邊緣點的坐標，然后到B所在 的圖中相應(yīng)坐標位置P周圍r Xr鄰域內(nèi)由近及遠進行查找邊緣點。如果r Xr鄰域內(nèi)存在 邊緣點，則將該邊緣點的坐標與位置P之間的距離作為最小距離。如果鄰域內(nèi)沒有找到邊 緣點，則將最小距離值設(shè)為2r以降低相似度評價。計算點集B到A的匹配點對的最小距離 時采用相同的計算方法。獲得點對的最小距離后，依次按照公式（3)、（4)和（5)計算兩個 點集間的LTS-HD距離H，則邊緣集合（即線特征）的匹配相似度LM定義如下：
[0037] (5)點特征匹配相似度計算
[0038] 按公式（7)計算步驟（3)中獲得的實時圖與模板圖角點的類ORB點特征描述子的 匹配相似度。設(shè)實時圖點特征描述子為[^a 1，…，aK_J，模板圖點特征描述子為 ，bK_J，如果Si= b i (i = 0, 1，…，K-1)，則認為點特征描述子第i維匹配結(jié)果一致。統(tǒng)計匹 配結(jié)果一致的維數(shù)總數(shù)m。使用匹配結(jié)果一致的維數(shù)m占點特征描述子總維數(shù)K的比例描 述點特征的匹配相似度PM:
[0040] 具體使用變量W按公式⑶來存儲點特征描述子[^a1，…，aK_J，實際上因為計 算機變量類型的位數(shù)有限，可以使用多個變量按位簡單組合來表示變量W。對存儲了點特征 描述子的變量W按位異或，然后結(jié)果變量中為1的位數(shù)即表示匹配結(jié)果一致的維數(shù)。如果 使用多個字節(jié)變量（char類型）來組合表示變量W，則可以通過查表的方式直接獲得結(jié)果變 量中為1的位數(shù)。
[0042] (6)匹配結(jié)果綜合
[0043] 對步驟（4)和步驟（5)中獲得的點特征匹配相似度和線特征匹配相似度進行綜 合，要求點特征匹配相似度大于閾值t p，線特征匹配相似度大于閾值&，取點特征匹配相似 度前N大的角點組成候選匹配點集，然后使用線特征對這些候選匹配點進行評價，取線特 征匹配相似度最高的結(jié)果作為最終匹配角點。
[0044] 對于點特征的匹配相似度大于閾值％的角點對，按照模板圖角點周圍包含的邊緣 集合查看實時圖相應(yīng)位置，如果該位置未被提取邊緣，則在實時圖中相應(yīng)位置鄰域提取邊 緣，并將這部分邊緣用于計算線特征匹配相似度。
[0045] 根據(jù)最終匹配角點與目標點的空間位置關(guān)系獲得推測的目標點位置，將推測的目 標點位置添加到候選目標點集。使用同樣方法處理所有最終匹配角點，將推測的目標點位 置添加到候選目標點集中。對候選目標點集進行最近鄰聚類，選擇類中個數(shù)最多的作為最 終的目標點位置。如果聚類失敗，則直接在候選目標點集中選取點特征匹配相似度最高的 點作為最終的目標點位置。
[0046] 最近鄰聚類算法首先隨機從數(shù)據(jù)集中選取K個點作為初始聚類中心，然后計算各 個樣本到聚類中心的距離，把樣本歸到離它最近的那個聚類中心所在的類。計算新形成的 每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有任何 變化，說明樣本調(diào)整結(jié)束，聚類準則函數(shù)已經(jīng)收斂。在每次迭代中都要考察每個樣本的分類 是否正確。若不正確，就要調(diào)整，在全部樣本調(diào)整完后，再修改聚類中心，進入下一次迭代。
[0047] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：
[0048] (1)先使用穩(wěn)定的點特征對角點進行初選獲得候選點集，保證將正確的位置包括 進來，然后使用較為全局的線特征對候選點集進行篩選，可以降低重復(fù)模式，提高正確率。
[0049] (2)使用雙閾值對角點進行篩選，能保留局部曲率較大或邊緣特征較為豐富的角 點，獲取角點的過程同時兼顧了點特征和線特征。
[0050] (3)自動提取角點并結(jié)合點特征和線特征進行匹配，省去區(qū)域匹配算法中人工選 擇區(qū)域的過程，又能獲得較好的匹配結(jié)果。
【附圖說明】
[0051] 圖1為本發(fā)明結(jié)合點特征和線特征的圖像匹配算法的整體流程圖；
[0052] 圖2是本發(fā)明中根據(jù)非極大值約束初步提取角點；
[0053] 圖3是本發(fā)明實施例中在角點鄰域提取邊緣并進行生長以及用于存儲曲線的數(shù) 據(jù)結(jié)構(gòu)；
[0054] 圖4是本發(fā)明實施例中用于生成類ORB點特征描述子的圖塊對；
[0055] 圖5是本發(fā)明實施例中角點鄰域邊緣集合的匹配示意圖。
[0056]
【具體實施方式】
[0057] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0058] 點特征使用局部灰度信息，比較穩(wěn)定，但是由于局部窗口大小限制，容易出現(xiàn)重復(fù) 模式，線特征是較為全局的，具有較強的結(jié)構(gòu)區(qū)分能力，但是在復(fù)雜場景下邊緣提取可能不 穩(wěn)定。先使用穩(wěn)定的點特征對角點進行初選獲得候選點集，保證將正確的位置包括進來，然 后使用較為全局的線特征對候選點集進行篩選，可以降低重復(fù)模式，提高正確率。使用邊緣 篩選過程中，按照實時圖與模板圖角點按點特征的匹配關(guān)系，可以用模板圖中的邊緣作為 提示對實時圖進行邊緣提取和匹配。
[0059] 如圖1所示，本發(fā)明提供了一種結(jié)合點特征和線特征的圖像匹配算法，該方法具 體步驟如下：
[0060] (1)分別對模板圖和實時圖在多尺度下提取角點
[0061] 分別對模板圖和實時圖構(gòu)建尺度金字塔圖像。構(gòu)建尺度金字塔圖像時，保持圖像 大小不變，通過改變高斯模糊尺寸和用于計算haar響應(yīng)窗口的大小以獲得每一層不同尺 度的金字塔圖像。在每層金字塔圖像中，使用hessian矩陣計算每個像素的局部曲率P，將 每個像素點與其尺度鄰域上的α個點的局部曲率p (通常取3個尺度鄰域上的26個點， 即α通常取為26)進行比較，如果該像素點的局部曲率P是這α個點中的最大值或者最 小值，則保留下來，作為初步選擇的角點。
[0062] 如圖2所示，標記為X的位置與其3維鄰域的26個點進行大小比較，進行非極大 值約束。
[0063] 對初步選擇的角點，根據(jù)其局部曲率P使用雙閾值（tl，t2,且tl〈t2)進行篩選， 獲得最終選定的角點。篩選過程中，局部曲率P小于閾值tl的角點則直接舍去，局部曲率 P大于閾值t2的角點則直接保留，局部曲率P大于閾值tl但小于t2的角點，如果在其鄰 域能提取出較多的長邊緣（說明該角點鄰域能描述足夠的結(jié)構(gòu)特征），則保留該角點，否則 將其舍去。
[0064] 閾值tl可以設(shè)置得比較小以保留足夠多的信息，這里將其設(shè)置為30,閾值t2可 以設(shè)置得比較大以保證提取的角點比較穩(wěn)定，這里將其設(shè)置為400 (opencv中提取角點時 hessian的默認閾值為100)。這里認為存在超過2條10個像素長度以上的邊緣時該角點 鄰域能描述足夠的結(jié)構(gòu)強度，當(dāng)該角點的局部曲率P大于閾值tl時將其保留。
[0065] (2)獲得實時圖和模板圖角點周圍的邊緣集合
[0066] 遍歷步驟（1)獲得的最終選定的角點，分別從實時圖和模板圖角點的β鄰域（β 鄰域通常取為IOs半徑鄰域，s為該角點所在尺度的像素單位）開始提取邊緣并進行生 長，獲得角點周圍的邊緣集合。獲得邊緣集合過程中，將屬于某邊緣的像素點標記為η(η 表示該像素屬于被找到的第η條邊緣曲線），將處理過但被認為不屬于邊緣的像素標記為 NotEdge。如果某角點鄰域包含已被標記為η的像素點，則直接將第η條邊緣曲線并入該角 點的邊緣集合，不再從該像素開始生長。處理過的像素點不再被處理。
[0067] 對模板圖和實時圖使用canny算子提取邊緣并進行生長。對實時圖