基于改進的SIFT順序尺度標志識別算法

賈開開,郝向陽,張振杰,劉松林,程傳奇

(1.信息工程大學 導航與空天目標工程學院,鄭州 450001;2.北斗導航應用技術河南省協調創新中心,鄭州 450001)

基于改進的SIFT順序尺度標志識別算法

賈開開1,2,郝向陽1,2,張振杰1,2,劉松林1,2,程傳奇1,2

(1.信息工程大學 導航與空天目標工程學院,鄭州 450001;2.北斗導航應用技術河南省協調創新中心,鄭州 450001)

摘要：設計一種由矩形和圓構成的合作標志;為克服動態環境下拍攝影像的旋轉、平移、變形等問題,提出了一種改進的SIFT尺度信息提取方法,通過統計信息量,設定合適閾值去除誤差點,根據均值對尺度信息排序,優化尺度信息;將優化后的特征量作為支持向量機(SVM)的輸入,經過訓練、預測,完成標志識別。與傳統HU不變矩、仿射矩(AMI)相比,在清晰、加噪、遮擋等條件下,改進的SIFT尺度信息特征量都具有更高的識別精度。實驗表明:利用SIFT順序尺度進行目標識別的方法在準確性和魯棒性方面能夠滿足要求,算法能較準確的進行標志識別。

關鍵詞：SIFT順序尺度;支持向量機;合作標志識別

0引言

無人機在軍事和民用等領域中有著重要的作用[1],在軍用方面,無人機常用于偵察情報、軍事測繪、戰術偵察等任務中;在民用方面,無人機可用于資源勘探、氣象探測、交通監管及救援救災行動中;無人機的自主著陸導航對無人機完成既定任務后進行回收具有重要意義。合作標志是無人機實現基于視覺自主著陸導航的重要手段,通過對合作標志的識別,提取不變特征量來實現對無人機的位姿估計[2]。著陸地標的正確識別是實現無人機自主著陸導航的關鍵步驟,也是目前無人機視覺導航的研究熱點。現在已有的目標識別方法主要有兩大類:1) 模板匹配[3],又稱為基于區域的匹配算法,主要根據目標圖像預先建立模板庫,無人機獲取圖像的像素點陣直接參與匹配運算。其特點是匹配較精確,但計算量較大;2) 特征提取的方法。通過提取目標圖像特征送入分類器進行分類,其特點是計算量小,識別率高。支持向量機[4,5]在解決小樣本、非線性和高維模式識別表現出許多特有的優勢,該方法具有訓練時間短、泛化性好等優點,已廣泛應用于模式識別、數據挖掘等領域。無人機在不同飛行狀態和環境下拍攝的合作標志圖像是無法全部采集到的,故其圖像識別問題是一個小樣本識別問題,因此選擇支持向量機作為合作標志識別的分類器。

當無人機在自然環境中飛行時,由于環境的不確定性或飛行任務要求的特殊性,無人機在飛行過程中會有俯仰或翻滾等情況[6],在這種情況下,攝像機所拍攝的圖像很大可能會發生仿射變形[2,7],由HU矩組成的特征量對圖片進行識別,優點是識別速度快,缺點是識別率比較低,一般用來識別圖像中大的物體,對于物體的描述得比較好,圖像的紋理特征不能太復雜。仿射不變矩的缺點是計算效率不高;目前SIFT特征在目標識別的應用主要有兩種方法[8]:1) 將SIFT匹配算法應用于目標識別中,SIFT匹配算法主要是利用每個特征點的128維特征向量進行歐氏距離計算,得到兩幅圖像匹配點對數量,按其點對數量的多少來進行圖像匹配。當SIFT匹配算法用于特征識別時,由于每幅圖像的SIFT特征點數量不同,以匹配點對數量來識別標志的方法準確性不高;2) 利用每個SIFT特征的128維特征向量,采用主成分分析來降維,即PCA——SIFT方法[9],組成特征不變量進行識別。

該方法在旋轉和光照變化時,比SIFT有一定優越性,但是計算量較大,耗時較長。基于上述兩種方法存在的問題,本文主要采用把SIFT順序尺度[10]作為圖像不變量特征,其在旋轉、比例、平移具有近似不變性,而且對不同合作標志,可分性明顯。因此本文采用SIFT順序尺度作為圖像特征,其不僅具有穩定性,而且對不同合作標志,可分性明顯。

1合作標志的設計

合作標志的設計需要滿足以下條件[11]:①標志圖案要易于識別,容易跟背景區分開來,便于分割和提取; ②標志圖案要包含足夠的特征信息,可以利用這些信息求解無人機的位姿信息; ③符合一定場景的實用。基于以上要求,本文設計了如圖1所示的合作標志。

圖1　合作標志圖

1) 合作標志形狀設計

合作標志由一個大長方形輪廓和八個小長方形及一個圓組成,長方形和圓的背景設計為黑色。黑色的標志容易區別于周圍的環境,方便從背景中分割出來便于后續處理。該設計主要解決了兩個問題:①圖像能夠提供足夠多的特征點用于求解無人機位姿參數。無人機視覺導航,在通過合作標志助降的過程中,最少通過4個特征點即可求出單應矩陣,進而求取位姿,并且中心圓在仿射變換下趨于橢圓形狀,而圓心點的位置易于擬合確定,可以較好的判斷各點之間的相對位置關系為解算位姿提供方便。②便于無人機進行識別。通過對采集的圖像進行二值化、區域分割、輪廓4連通掃描,判斷背景是最大的黑色框,然后判斷著陸目標有10個黑色區域和一個白色區域組成的單獨區域,從而判斷著陸地標的出現。

2) 合作標志尺寸確定

為適應各種場合,并能夠在一定距離內引導無人機著陸,對合作標志的尺寸大小具有一定的要求,在最大距離處,合作標志的成像要具有一定的像素數。在不考慮攝像機的俯仰角、滾轉角和航偏角的情況下,可根據三角形相似關系求出標志最長邊長度為

(1)

式中: l為最長邊長度; f為相機的有效焦距; N為l在圖像中成像的像素數; Nf為相機傳感器兩像元中心距的物理尺寸; d為攝像機到合作標志的垂直距離。

2改進的SIFT順序尺度的特征描述

SIFT的尺度空間坐標σ的計算方法為

σ(o,s)=σ02o+s/S,o∈omin+[0,…,O-1],

s∈[0,…,S-1],

(2)

式中: o為octave坐標; s為sub-level坐標; σ0為基準層尺度。

一般SIFT順序尺度:即采用把SIFT特征點的尺度信息按照從大到小排序,取一定步長的較大尺度信息組成特征向量,通常情況下沒有對提取的尺度信息進行一定有針對性的篩選,而是直接將所求得的尺度信息進行使用,這樣在實驗環境相對復雜的情況下,無法真實有效的獲取同一物體的尺度信息。

改進的SIFT順序尺度算法流程如下:

1) 首先將拍攝的圖像轉化為灰度圖像,通過去噪、基于閾值的圖像分割方法去除背景信息;

2) 將目標圖像進行尺度歸一化處理,歸一化方法的采用根據實驗確定;

3) 假設經過1)和2)步驟后,目標圖像,含有N個SIFT特征點,每個SIFT特征點的尺度為ki,則N個特征點尺度信息組成的特征向量為

KN=(k1,k2,…kN-1,kN),

(3)

4) 對N個SIFT特征點的尺度信息進行由大到小或由小到大排序,

PN=sort(KN,′descend′).

(4)

考慮到實際拍攝圖像存在著部分誤點,這里需要對排列過的特征點的尺度信息進行篩選處理。①首先將提取得到的各特征點的尺度信息進行取整,從小到大依次統計各整數出現的次數,將小于2的整數所對應的尺度信息剔除,這樣可以將可能出現的誤差點排除; ②將取整后出現次數大于2的尺度信息按出現次數的多少進行排序并各自求均值。③假定需要L個P值作為特征向量,那么選取前L個出現次數最多的尺度信息作為P值,并將所得到的尺度按從大到小的順序排列,組成特征向量

(P1,P2,…PL-1,PL).

(5)

5) 將L個P值組成的特征向量送入RBFSVM進行訓練和分類,得出識別結果。

3SVM的分類模型

SVM的基本原理就是尋找一個最優分類面,并且分類面兩邊的分類數據間隔最大。由于SVM將最優問題表示為凸優化形式,因此所得到的局部最優解一定為全局最優解。如圖2所示。

圖2　線性可分情況下的最優分類線

圖2中,方形點和圓形點代表兩類樣本,H為最優分類超平面,H1和H2分別平行于H的平面,且過離H最近的兩類樣本的直線,H1與H,H2與H之間的距離稱為幾何間隔。為了得到最優分類面,應使圖2中2/‖ω‖最小,其優化目標函數為

s.t.yi(ωT·φ(xi)+b)≥1-ξi(i=1,2,3…,N),

(6)

式中: ω為權系數列向量;c為錯分懲罰參數;b為分類閾值;ξi為誤差因子;φ(xi)為核函數。然后給定訓練樣本集{yi,xi} (i=1,2,3…,N),其中xi∈Rn,yi∈(0,1).xi為第i個輸入樣本,yi為該樣本的類別標注。這樣一個求最小值的問題就是一個優化問題,由目標函數和約束條件再通過添加拉格朗日乘子,構造拉格朗日函數轉化為無約束的優化問題,其形式為

(7)

式中:αj為訓練得到的拉格朗日乘子; xj為向量;yj是對應于xj的類別標注;K(x,y)=φ(x)Tφ(y)為核函數。本文主要采用徑向基函數:K(x,y)=exp(||x-y||2/σ2).

4合作標志識別方法

通過前期實驗,本文SIFT特征提取設定的相關參數為

合作標志尺寸的確定:本文中的實驗主要是模擬無人機相機拍攝實驗,無人機在拍攝時通過其下方的相機來對地面目標進行拍攝,本文通過在實驗室中模擬無人機上相機的拍攝距離、角度等實際場景進行拍攝。選取相機的固定焦距為f=12mm,合作標志在圖像中垂直投影的最低像素數N取為20,Nf在試驗中為0.01mm,d在本文中最大取3m,則最長邊長度l最小為0.05m,實驗中標志大小為15.5×19.5(cm)。

結合SIFT順序尺度信息和SVM對合作標志識別的具體步驟如下:

1) 圖像獲取:通過無人機上安裝的高速相機來采集標志圖像;

2) 圖像分割:采用閾值分割的方法,將圖像中的標志從背景中分離出來,減少外部環境對識別效果的影響;

3) 將獲得的目標圖像進行尺度歸一化處理,常用的特征向量歸一化方法主要有最大最小值法、對數歸一法、高斯歸一法、反正切歸一法,本文采用的歸一化方法為反正切歸一法;

4) 利用2)中設定的SIFT順序尺度算法,獲取m個特征向量;

5) 分類識別。將4)中得到的m個特征向量送入RBFSVM分類器進行訓練和分類,進而判斷是否為標志。

5實驗

本實驗主要采用事先標定好的相機模擬仿真無人機飛行中拍攝的過程。相機采用尼康D7000,電腦采用ThinkPadT510型號,因為無人機視覺導航主要就是通過測定懸掛相機的位姿來確定無人機的狀態,在實驗室中仿真主要針對飛機在不同橫滾角和俯仰角下的俯視灰度圖像。在大的空間角度下拍攝圖像的不變量值變化較大,不利于圖像不變量的提取,因此本文主要針對小空間角度下的不變量提取。利用相機拍攝了80幅不同大小和角度的合作標志作為正樣本;另外拍攝80幅非本文的合作標志圖像作為負樣本,圖像大小為640×480.對不同L值下的不變量SIFT順序尺度識別性能需事先測定,確定L值。本文主要測試改進的SIFT順序尺度方法的可行性,本文L值選取為6,并且在加噪、遮擋下,選用相同的圖像,對仿射矩、HU矩的識別率性能進行驗證(其中仿射矩特征選擇前三個矩特征,HU矩選取七個不變量)。部分不同角度、大小圖像分割與尺度提取圖如圖3所示。

圖3　部分不同角度、大小圖像分割與尺度提取圖

首先從160圖像中隨機選取15幅正樣本和

15幅負樣本作為訓練樣本,剩余的130幅圖像作為預測樣本。分別提取160幅圖像的仿射矩、HU矩和SIFT順序尺度作為圖像不變量特征輸入分類器中進行訓練和預測;然后對采集的圖像進行隨機噪聲(高斯噪聲0.05)處理,經過噪聲處理過的圖像再按照上述實驗進行識別;最后將合作標志部分遮擋處理,遮擋面積小于20%,同樣按照上述實驗方法進行實驗。實驗結果如表1所示。

由表1可知,在清晰圖像下,考慮拍攝圖像的角度及大小變化,SIFT順序尺度特征表現出比HU矩和仿射不變矩的優越性;另外在加噪聲和遮擋的情況下,SIFT順序尺度特征也要比HU矩和仿射不變矩作為特征的分類精度高,在識別時間上稍差一些,因此改進的SIFT順序尺度和SVM分類器的合作標志識別方法能夠提高識別精度。另外,因為對無人機實際著陸標志的識別精度沒有具體的標準,基本原則就是在最短的時間內準確識別著陸標志。故對于實時性要求較低的無人機具有一定的應用價值。

表1　實驗結果

6結束語

本文主要研究了SIFT順序尺度提取方法以及將SIFT順序尺度作為不變量特征并結合RBFSVM分類器,通過模擬實驗的方式可以得出結論:改進的SIFT順序尺度信息作為圖像的不變量特征,能夠很好的代表圖像的屬性信息,在對用于無人機助降的合作標志的識別中,表現出了較高的精度,為研究利用合作標志實現無人機助降的問題提供了一定的參考價值。

參考文獻

[1] 劉興華,曹云峰,劉新華. 計算機視覺在無人機著陸中的應用[J].航空計測技術，2004：1-3.

[2] 徐貴力,悅立學,程月華. 基于合作目標和視覺的無人飛行器全天候自動著陸導引關鍵技術[J].航空學報,2008, 29(2):437-442.

[3] 刁燦,王英勛,王金提，等. 無人機自動著陸中的機器視覺輔助技術[J].航空學報,2008,9(S1):79-84.

[4] 孫即祥.現代模式識別[M].北京：高等教育出版社,2008:637-640.

[5]MERZT,DURANTIS,CONTEG.Autonomouslandingofanun-mannedhelicopterbasedonvisionandinertialsensing[C].//Proceedingsofthe9thInternationalSymposiumonExperimentalRobotics, 2004:343-352.

[6] 邊肇祺,張學工.模式識別[M].2版.北京：清華大學出版社,2000:296-303.

[7] 邱力為,宋子善,沈為群.用于無人直升機著艦控制的計算機視覺技術研究[J].航空學報,2003,24(4):351-354.

[8] 杜鴻英,郭雷,李暉暉,等.基于不變矩與證據理論的飛機序列圖像識別[J].計算機仿真,2010,27(2):92-95

[9]YANK,RAHULSUKTHANKAR.PCA-SIFT:Amoredistinctiverepresentationforlocalimagedescriptors[C].//ComputerVisionandPatternRecognition, 2004: 506-513.

[10]趙旭峰.基于圖像不變量特征的自動目標識別技術研究 [D].西安：中國科學院,2012.

[11]李宇,王友仁,羅慧等.基于視覺的無人機自主著陸地標識別方法[J].計算機應用研究，2012,29(7):2780-2783.

賈開開(1989-),男,碩士生,主要研究方向計算機視覺、視覺導航。

郝向陽(1966-)，男，博士，教授，博士生導師，主要研究方向為視覺導航、視覺測量，計算機視覺與機器視覺。

張振杰(1988-),男,博士生,主要研究方向為計算機視覺、無人機視覺導航等。

A Sign Recognition Method Based on Modified SIFT Sequential Scale Information

JIA Kaikai1,2,HAO Xiangyang1,2,ZHANG Zhenjie1,2,LIU Songlin1,2,CHENG Chuanqi1,2

(1.SchoolofNavigationandAerospaceEngineering,InformationEngineeringUniversity,Zhengzhou450000,China;2.BeidouNavigationTechnologyCollaborativeInnovationCenterofHenan,Zhengzhou450000,China)

Abstract: The artificial sign is made up of rectangle and circle. With the purpose of overcoming the images′ rotation,translation and deformation shooted in the dynamic environment, an improved method of SIFT scale information extraction is presented. Removing the error points by counting information and setting the appropriate threshold, and then sorte according to the mean of the scale. The extracted features′ SIFT sequential scale informations are treated as support vector machine's input, by training and forecasting, the signs are recognized. Compared with the traditional HU invariant moment and affine moment(AMI),When images are in the clear、noise、occlusion and other conditions, the improved SIFT feature scale information always have a higher recognition accuracy. The experimental results show that: the method to recognize target using SIFT scale order meets the requirements in terms of accuracy and robustness, the algorithm could accurately recognize the sign.

Keywords:SIFT sequential scale information; SVM; artificial sign recognition

doi:10.13442/j.gnss.1008-9268.2016.02.012

收稿日期：2015-11-27

中圖分類號：TP391

文獻標志碼：A

文章編號：1008-9268(2016)02-0066-05

作者簡介

聯系人： 賈開開 E-mail:1263654228@qq.com