PDF《基于特征点的路面图像检测》

1 , 2, ?, n) 分为 c个模糊类, 并求每组的聚类中心, 使得被划分到同一 簇的对象之间相似度最大, 而不同簇之间的相似度最小. FCM 算法的实现过程是本身是一个迭代的过程, 分以下 几步: ( 1) 对 c个聚类中心初始化: Ci ( i=

1 ,

2 , ?, c) ( 2) 计算隶属矩阵: uij =

1 ? c k=

1 % dij dkj

2 (m - 1) ( 6) ( 3) 计算价值函数.如果它小于一个确定的阈值, 或它相 对上次价值函数值的改变量小于某个阈值, 则算法停止;

否则, 转步骤 ( 4);

( 4) 重新计算聚类中心: ci = ? n j=

1 um ij xj ? n j =

1 um ij ( i =

1 , 2, ?, c) ( 7) 当算法执行完后, 将具有最大相似性的一对聚类当作特征 点集, 然后再进行特征点的匹配.经实验结果表明, 在特征点较 多的时候, 可将运行速率比不使用聚类时提高 15% ~ 20% .

2 .

4 RANSAC消除错配 由于外界噪声与光照的影响, 匹配中出现错配是在所难免 的, 在此, 本文使用 RANSAC算法 [7] 进行错配的消除. 其基本思想 [ 8] : 首先根据具体问题设计出某种目标函数, 然后通过反复提取最小点集估计该函数中参量的初始值, 利用 这些初始参量值把所有的数据分为所谓的&

内点? ( in liers , 即满 足估计参量的点 ) 和&

出格点? ( outliers , 即不满足估计参量的 点),最后反过来用所有的&

内点?重新计算和估计函数的参量. 具体步骤是: 首先在两个匹配特征点集中随机抽取一定数 量的特征点对, 计算每对特征点对的斜率, 求其平均值, 作为判 断条件.而后计算其它特征点对的斜率, 查看是否在这个条件 范围内, 若是, 则作为正确的特征点对;

否则, 作为错误的特征 点.经过多次随机抽样, 找到落在误差范围内最多的点的集合, 形成最优解.由于错配对在整体匹配中为少数, 大部分数据落 在误差范围外.而对于好点所确定的模型逼近于真实模型, 所 以大多数落在误差范围内. 根据以上的几个步聚, 已经可以提取出比较精确的图像间 的匹配点对集, 由于公路图像拍摄的方式的问题, 图像间的仿射 变化基本不大, 所以, 只计算相关的位移与角度的变换即可.将 图像进行拼接后, 即可呈现全景的公路图像.

3 实验结果及分析 本实验环境参数如下: CPU: AMD 2800+ MH z ;

内存: 512M;

操作 系统: W indo w s XP ;

仿真平台: M atlab 7. 1. 本文在 M........