欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021110135062
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种鲁棒的异常匹配点剔除方法,其特征在于,具体包括如下步骤:步骤1,在目标室内采集图像;

步骤2,对上述采集到的图像进行预处理,将预处理后的图像划分为测试集和指纹库集;

步骤3,基于SURF特征匹配算法,将测试集中的图像作为输入,与指纹库集中的图像进行特征匹配;针对每一幅输入图像,均在指纹库集中选择与该输入图像特征匹配点对数量最多的指纹库图像作为输出;所述特征匹配点对x′i和xi构成特征坐标矩阵M,M=[x′i,xi],i=1,…,n;其中,n表示输入图像和输出图像的特征匹配点对的总数量;x′i表示指纹库输出图像的第i个特征匹配点对的像素坐标,x′i=(u′i,v′i,1);xi表示输入图像的第i个特征匹配点对的像素坐标,xi=(ui,vi,1);

步骤4,利用概率密度的异常匹配点对剔除算法对上述特征坐标矩阵M进行处理,剔除特征坐标矩阵M中的异常特征匹配点对。

2.根据权利要求1所述的一种鲁棒的异常匹配点剔除方法,其特征在于,所述步骤1的方法如下:

在目标室内标注N个采样点,分别在早、中、晚三个时间点对N个采样点采集不同角度的图像。

3.根据权利要求1所述的一种鲁棒的异常匹配点剔除方法,其特征在于,所述步骤2中,将处理后的图像中的10%作为测试集,90%作为指纹库集。

4.根据权利要求1所述的一种鲁棒的异常匹配点剔除方法,其特征在于,所述步骤4的方法如下:

步骤4.1,利用距离公式计算特征坐标矩阵M中的所有特征匹配点对的欧式距离,得到距离向量e=(e1,…,ei,…en);其中,距离公式如下:式中,ei表示第i个特征匹配点对的欧式距离;

步骤4.2,利用Matlab得到距离向量e的概率密度函数图,根据设定的第一概率密阈值得到距离置信区间[ej,ek];

步骤4.3,根据距离置信区间[ej,ek],对特征坐标矩阵M中的特征匹配点对进行处理,剔除欧式距离不满足距离置信区间[ej,ek]的特征匹配点对,得到新的特征坐标矩阵M';

步骤4.4,利用角系数公式计算特征坐标矩阵M中的所有特征匹配点对的角系数,得到角系数向量a=(a1,…,ai,…an);其中,角系数公式如下:式中,ai表示第i个特征匹配点对的角系数;

步骤4.5,利用Matlab得到角系数向量a的概率密度函数图,根据设定的第二概率密阈值得到角系数置信区间[aj,ak];

步骤4.6,根据角系数置信区间[aj,ak],对特征坐标矩阵M'的特征匹配点对进行处理,剔除角系数不满足角系数置信区间[aj,ak]的特征匹配点对,进一步得到特征坐标矩阵M”。

5.一种基于图像的室内定位方法,其特征在于,具体包括如下步骤:S1:利用输入图像和指纹库输出图像的特征匹配点对x′i和xi,建立对极几何约束关系模型;其中,x′i表示指纹库输出图像的第i个特征匹配点对的像素坐标,x′i=(ui′,vi',1),i=1,…,n;n表示输入图像和输出图像的特征匹配点对的总数量;xi表示输入图像的第i个特征匹配点对的像素坐标,xi=(ui,vi,1);

S2:根据对极几何约束关系模型,建立鲁棒的基本矩阵求解模型;

S3:根据基本矩阵求解方法,利用迭代算法求解鲁棒的基本矩阵求解模型,得到基本矩阵F;

S4:根据基本矩阵F求解本质矩阵E,根据本质矩阵E得到指纹库输出图像和输入图像的图像坐标转换旋转矩阵R和平移向量t;通过投影矩阵关系,计算指纹库输出图像的投影中心C1;

S5:通过相机内参矩阵K1、K2、指纹库输出图像的投影中心C1、图像坐标转换旋转矩阵R和平移向量t,得到输入图像投影中心,并进行尺度变换,最终得到图像室内定位结果。

6.根据权利要求5所述的一种基于图像的室内定位方法,其特征在于,所述S1的方法如下:

S1.1:根据对极几何约束关系,输入图像和指纹库输出图像的特征匹配点对x′i和xi满足公式(1):

3×3

式中,F∈R 为基本矩阵;

公式(1)展开得到公式(2):公式(2)转化为等式(3),进一步写作等式(4):Zf=0                           等式(4)n×9 T

式中,Z∈R , f=(F11,F12,F13,F21,F22,F23,F31,F32,F33)。

7.根据权利要求6所述的一种基于图像的室内定位方法,其特征在于,所述S2的方法如下:

当输入图像和指纹库输出图像不存在特征异常匹配点对时,矩阵Z达到理想条件,设定矩阵L为理想条件下的矩阵Z,满足目标函数关系式(5);

其中,W是权重矩阵,W=diag(w1,…,wi,…,wn),wi∈{0,1};rank表示矩阵的秩;

而矩阵L满足Lf=0,进一步得到最小化目标函数关系式(6):

8.根据权利要求7所述的一种基于图像的室内定位方法,其特征在于,所述S3的方法如下:

T T

S3.1:利用公式[U,S,V]=SVD(ZWZ)对矩阵ZWZ进行奇异值分解;其中,S为对角矩阵,U为正交矩阵,V为对角矩阵中每个奇异值对应的特征向量,最小的奇异值对应的特征向量即为f;

S3.2:利用公式(7),求解输入图像和指纹库输出图像的特征匹配点对x′i和xi与对极线间的几何距离εi,i=1,…,n:S3.3:设定距离阈值δ,初始化参数θ=Inf,计算输入图像和指纹库输出图像的全部特征匹配点对与对极线间的几何距离εi的下四分位数εmax;

如果εmax>θ,则将向量f转化为基本矩阵F;

否则更新θ=εmax,并利用公式(8)更新矩阵W,返回S3.1进入下一次迭代;

其中,所述公式(8)如下: