PDF《基于特征点的路面图像检测》

1998年由 C. H arris和M. J . S tephens提出 H arris算 法是一种以曲率为角点进行提取的角点检测算法.它的特点 是通过各种方法计算边缘某点处的曲率, 找出局部极值, 再通 过阈值技术来进行角点检测.但由于这种算法对噪声比较敏 感, 而公路图像在采集时容易受到外界噪音光照的影响, 所以 使用这种方法进行检测准确性就达不到理想的效果;

SIFT算法[3] 是一种当前研究热点的方法, 由D. G. Lo w e 1999年提出, 并于 2004年完善总结.该算法不仅具有较高的准确性、 独特 性、 多量性, 还具有尺度、 旋转、 仿射、 视角、 光照不变性, 对目 标的运动、 噪声等因素也保持较好的匹配性.但由于这种算 法在多层金字塔的建立以及后续的特征描述符的匹配需要消 耗大量的时间, 而公路破损监测对实时性要求很高, 所以这种 算法也不太适合. 第 1期 侯向丹等: 基于特征点的路面图像检测

125 2 检测算法的具体实现 总结以上算法的优缺点, 本文针对公路图像噪声多、 灰度变 化小、 特征点少、 匹配实时性要求高等特点, 选用 SUSAN算法进 行特征点检测, 根据特征点集的大小进行 FCM 聚类以减少运行 时间;

然后再利用特征点邻域像素的梯度方向分布特性差别来 进行特征点的匹配, 以弥补 SUSAN算法在后期匹配中的不足;

最后, 利用 RANSAC算法进行消除错配, 经实验结果证实, 拼接 后可以达到很好的效果, 且效率更高.对完善公路图像自动检 测系统, 有很好的参考价值.算法具体实现步骤如下: ( 1) 利用 SUSAN算法, 对原图像和待匹配图像进行特征点 征点检测, 形成两幅图像的特征点集 X、 Y. ( 2) 根据图像的特征点的灰度, 和数目建立目标函数, 对两 幅图像的特征点集进行 FCM 聚糊, 找出相似度最大的一对特征 点集 X 、 Y . ( 3) 计算两个集合中每个点的邻域像素梯度幅值信息, 以 欧式距离来作为 X 、 Y 点集间特征点的相似性判定度量, 可找 出集合 X 、 Y 中每一点在另一集合中相似性最大的相应点, 形 成特征匹配对集. ( 4) 利用 RANSAC算法, 可将由于外界噪声与光照影响所 产生的大部分错配点对消除, 提高匹配的准确性. ( 5) 根据匹配点对间的位移与角度的变换关系, 可将图像 进行最近的拼接.

2 .

1 SUSAN算法 SUSAN算法是一种低层次图像处理小核值相似区的方法.他 的特点是不依赖于目标的其它局部特征, 仅利用特征点本身的特点 直接提取特征点.经过实验证明, 这种算法速度快、 实时性强. 它的基本原理 [ 4] 是: 与每一图像点相关的局部区域具有相 同的亮度.首先, SUSAN 算法设计了一个模板, 模板的半径一 般为 3~ 4个像元, 如图 2( 1)所示: 模板中间的一点称为核子. 然后, 将模板在图像的每个像素点上移动, 当核子位于图像中亮 度一致的区域内时, SUSAN 的面积最大, 其值为圆形模板的面 积, 随着模板中心离图像边缘越来越近, SUSAN 的面积逐渐减 小, 当核心位于边缘直线上时, 其面积减小到圆形模板面积的一 半, 当模板中心离某一特征点很近时, 其面积进一步减小, 当模 板中心落在特征点上的时候, SUSAN 的面积达到局部最小值. 如图 2( 2)所示. 图1SUSAN 模板例图 由此也可以看出, SUSAN 算法是基于亮度变化的特征点检 测方法, 其步骤[ 5] 如下: ( 1) 将SUSAN模板在图像上滑动, 遍历整个图像, 在每个 位置上都比较模板内核子与邻域内位置的灰度: c( r, r0 ) =