1、基于改进 KD 树与 RANSC 算法的目标识别算法 岑丽 中国航发控制系统研究所 摘 要： 为了能够更好地满足日益扩大的目标识别需求, 提出了一种基于改进 KD 树与RANSC 算法的目标识别算法。通过对比改进前后 KD 树匹配算法匹配 SIFT 特征点的执行效果, 很明显的看出改进 KD 树算法的匹配效果更佳。通过引入 RANSC算法, 又剔除了改进 KD 树匹配算法执行后剩余的误匹配点。因此, 本目标识别算法具有很好的匹配效果。关键词： 目标识别; KD 树; SIFT; RANSC; 作者简介：岑丽 (1986) , 女, 安徽宣城人, 工程师。研究方向:软件项目管理。收稿日期：201
2、6-09-02Target recognition algorithm based on improved KD-Tree and RANSCCEN Li AECC Aero Engine Control System Institute; Abstract： In order to satisfy the growing requirement of target recognition, a target recognition algorithm based on improved KD-Tree and RANSC is designed in this paper. With com
3、paring the match effect of improved and non-improved KD-Tree match algorithm, improved KD-Tree match algorithm can get better match effect.With introducing the RANSC algorithm, the mismatching points left by improved KDTree are eliminated. Then, this target recognition algorithm has a good match eff
4、ect.Keyword： target recognition; KD-tree; SIFT; RANSC; Received： 2016-09-02无人机 (Unmanned) Aerial Vehicle, UAV) 作为无人机驾驶的航空飞行器, 近年来不管在军用, 或者是民用上, 都得到了广泛的发展。而在此过程中, 无人机的功能性或多或少会依赖于其搭载的摄像机, 正是实时图像的获取使得无人机能完成各种任务, 例如目标跟踪、测绘测量和侦查打击等1。摄像机只是充当了信息采集的工作, 真正的处理工作其实是由计算机完成。因此, 计算机视觉技术的应用正是无人机得到快速发展的一大要素。在无人机的任务
5、中, 涉及到的计算机视觉技术, 无外乎去除噪声、目标识别、目标定位以及目标跟踪等2, 本文主要针对无人机上广泛应用到的目标识别技术进行研究。目标识别就是指从一副 (或多副) 图像中找出与给定目标图像相似的图像区域的过程。通常将已知的目标图像称为模板图像, 将待查找图像称为目标图像。由于在无人机任务过程中, 算法必须能适应工作环境、光照、视野角度等对目标图像的影响, 基于以上考虑, 本文论述的目标识别技术主要是依据特征点的识别。特征点具有比例尺度不变等诸多优势3。特征点算法繁多, 较为常用的有 SIFT、SURF、Haar 和 FAST 等, 其中 SIFT (Scale-Invariant F
6、eature Transform) 算法是由 Lower 等人提出的一种图像比例不变特征提取方法, 该方法是在尺度空间中搜寻极值来获取特征点的位置、旋转、尺度不变量, 因此算法的鲁棒性较强4。在完成特征点提取之后, 需要进行的是模板图像特征点与目标图像特征点的识别匹配, 以此找出目标所处区域, 对于该过程, 本文主要分为两个步骤:粗匹配和精匹配5。其中粗匹配采用的是改进 KD 树 (K 维搜索树) 匹配算法6, 该算法具有匹配速度快的特点。在本阶段将过滤到大部分噪声特征点, 但还无法做到特征点的一一对应, 可能会出现一对多的匹配关系。精匹配采用的是 RANSC (Random Sample C
7、onsensus, 随机抽样一致) 算法, 该算法由 Fischler 和 Bolles 于 1981 年提出, 在精匹配阶段能剔除绝大部分误匹配点。1 SIFT 特征点提取过程定义 L (x, y, ) 为图像 I (x, y) 的尺度函数7:其中*表示卷积, G (x, y, ) 表示一个尺度可变的高斯函数:其中, (x, y) 表示空间坐标; 为尺度坐标, 表示图像的平滑程度。在高斯差分 Do G (Difference of Gaussian) 尺度空间中寻找极值点, 则有:为了让算子拥有旋转不变性, 设置方向参数为:上式表示的分别是 (x, y) 处的梯度数值 m (x, y) 和角
8、度方向 (x, y) , 其中 L 选用的是每个关键点各自所在的尺度8。图 1 表示的用 SIFT 算法生成的模板图像与目标图像的特征向量。图 1 SIFT 特征向量图 下载原图2 改进 KD 树粗匹配2.1 KD 树KD 树是一种二叉树, 是把二叉搜索树推广到多维数据的一种主存数据结构, 由Bentley 于 1975 年剔除9。其与二叉树的不同之处在于, 其节点表示的是 K维空间中的一个点, 且树的每一层都是依据该层分辨器做出的分支决策。原来的 KD 树匹配算法, 采样的是最临近点查找法, 该算法采用深度优先启发式搜索策略。首先需要定义超矩形 (hyper-rectangle) hr 与以
9、目标点 t 为中心半径为 r 的超球体相交, 求出 hr 中与圆心最经的点 P, 点 P 由下式计算:其中 Pi和 ti表示点 P 和目标点 t 在第 i 维上的取值;hr i和 hri分别表示超矩形在第 i 维上的最小值和最大值10。若 p 与 t 欧式距离小于半径 r, 则两者相交。此法需要首先比较目标点与 KD 树节点的距离, 再根据目标点在节点维数上取值来决定左右树查找。本法在样本点维数过多时, 容易对特征点进行错分, 导致无法匹配到最近的特征点。因此需要进行算法该进。2.2 改进的 KD 树匹配算法基于识别精度的考量, 对 KD 树的匹配算法进行了如下改进11:1) 对分割维数按一定
10、优先级排序, 排序标准是维数之间的相关性, 这样的做法可以使得对其他维数影响较大的排在前面。2) 当发现某个维数下的样本数过少是, 则直接遍历余下点。根据样本数据集特点, 可对维数优先级进行分析, 这里的优先级是以样本集中维数之间的相关性作为准则的。实际应用中, 使用主成分分析做优先级依据。主成分分析12是对多变量数据进行统计处理的一种数据线性投影的方法。它能够将高维空间样本映射到低位主成分空间上, 同时又能保留原有信息不丢失。对于大小为 M, 以 N 维的梯度信息来描述特征点的样本集 E。通过以下步骤, 计算出主成分奉献率。令计算相关矩阵 R=r (i, j) , 由|R- iI|=0, 求
11、得特征值和特征向量, 其中 i表示主成分的方差奉献。计算主成分奉献率:按照 Ci得到数组 Dn, 它根据主成分奉献率从大到小存储特征点维数。在得到Dn后, 构造树时, 需要添加节点权值。首先需要按维数优先级排序好的 Dn中的维数顺序构造 KD 树。建立好改进的 KD 树之后, 统计出到达某叶子节点的样本数占总样本百分比, 记为该节点的样本节点权值 q。然后对树进行后序遍历, 使得 q=qr+ql, 其中 qr表示该节点右子树概率, q l表示该节点左子树概率。在查找时, 只需要增加节点权值的验证即可, 即做阈值判断。下面两张图分别表示使用改进 KD 树匹配算法的匹配效果前后对比。可以很明显的看
12、出使用改进 KD 树算法比改进前的 KD 树, 产生更少的匹配点。尽管如此, 由于某些应用环境对目标识别效果的要求较高, 因此需要在改进后的 KD 树匹配算法下再进行下一步的精匹配。图 2 改进前后 KD 树匹配效果图 下载原图3 RANSC 精匹配RANSC 算法是根据一组包含异常数据的样本数据集, 计算出数据的数学模型参数, 得到有效样本数据的算法。这种算法的基本假设是样本中包含正确数据 (适应模型的数据) , 也包含异常数据 (不适应模型的数据) 。而且给定一组正确的数据, 存在可以计算出符合这些数据的模型参数的方法13。以经过 KD 树匹配的特征点作为样本数据集。在考虑平移、旋转和尺度
13、变化的影响下, 以模板图像中两角点间的距离与目标图像中对应两角点间的距离之比作为需要确定的数学模型14-15。主要的精匹配过程如下:1) 在模板图像和目标图像的粗匹配点中随机选择两组特征点 (Up 1, Down1) 和 (Up2, Down2) , 并将两个点组计入当前模型的数据点集合 this_consensus_set中;Up 表示模板图像特征点, Down 表示目标图像特征点;2) 建立本次计算的模型参数4) 若最终 this_consensus_set 的数据个数 set_num 超过阈值 st, 则进入 5) ;否则, 计算次数 iterations 加 1, 并返回步骤 1) 。
14、5) 计算模型偏差 this_error;以 this_consensus_set 为计算集合, 遍历所有点组, 计算每一点组与其他点组的伪模型值与当前模型参数的偏差, 并将所有偏差相加开方, 即可得到this_error。6) 若 this_error 小于模型偏差阈值 best_error, 则认为匹配完成, 认为this_consensus_set 中的匹配点组即为最终的匹配结果。否则, 计算次数iterations 加 1, 并返回步骤 1) 。图 3 是在改进 KD 树粗匹配的基础上再使用 RANSC 算法完成精匹配的结果, 可以看出经 RANSC 算法后, 本次匹配剔除了所有的误匹
15、配点, 匹配效果较好。同时仔细观察可以发现, 模板图像在目标图像中有不仅存在尺度变化、同时还有旋转变化, 但算法的实现将二者的影响都成功消除了。图 3 采用 RANSC 精匹配效果图 下载原图4 结论文中通过分析图像识别算法在无人机上的应用环境, 确定使用 SIFT 特征点作为基本算子, 然后将识别过程分为粗匹配和精匹配两个过程, 其中的粗匹配拟采用 KD 树匹配算法, 但因其在实际使用中出现大量错分情况, 因此进行了算法改进, 改进后的 KD 树16-17匹配所产生的无匹配点明显减少。为了能够得到更好的匹配效果, 在改进 KD 树匹配后, 采用 RANSC 精匹配算法, 完成最后的匹配, 通
16、过实验可以看出, 采用基于改进 KD 树和 RANSC 算法的匹配效果较好, 误匹配点基本剔除。参考文献1黄敦华, 朱青松.基于微小型四旋翼飞行器的目标监测与识别综述J.机电产品开发与创新, 2011, 24 (6) :16-18. 2张志飞.小型无人直升机视觉定位与跟踪系统的设计与研究D.杭州:浙江大学, 2013. 3息朝健, 郭三学.基于简化 Forstner 算子改进的 SIFT 无人机图像识别算法J.计算机应用于软件, 2012, 29 (5) :254-256. 4郑刚.基于特征的图像匹配算法研究D.长沙:国防科学技术大学研究生院, 2011. 5韦东兴, 陈晓云, 徐荣聪.基于角
17、点检测的图像形状特征提取方法J.计算机工程, 2010, 36 (4) :220-222. 6王渊民.基于 SIFT 算法的图像快速匹配系统设计D.成都:成都理工大学, 2014. 7汤伯超.基于 SIFT 算法的图像特征描述方法研究D.广州:广东工业大学, 2012. 8朱玮.基于视觉的四旋翼飞行器目标识别及跟踪D.南京:南京航空航天大学, 2011. 9杜振鹏, 李德华.基于 KD-Tree 搜索和 SURF 特征的图像匹配算法研究J.计算机与数学工程.2012, 40 (2) :96-98. 10杨晶东, 杨敬辉, 洪炳镕.移动机器人视觉图像特征提取与匹配算法J.计算机应用研究, 200
18、9, 26 (9) :3526-3529. 11熊云艳, 毛宜军, 闵华清.有序的 KD-tree 在图像特征匹配上的应用J.化工自动化及仪表, 2010, 37 (10) :84-87. 12马莉, 韩燮.主成分分析法 (PCA) 在 SIFT 匹配算法中的应用J.电视技术, 2012, 36 (1) :129-132. 13张勇, 余建平, 孙军伟, 等.基于 Harris 的角点匹配算法研究J.计算机与现代化, 2011 (11) :78-81. 14杨健, 李若楠, 黄晨阳, 等.基于局部显著边缘特征的快速图像配准算法J.计算机应用, 2014, 34 (1) :149-153. 15刘如飞, 卢秀山, 刘冰, 等.一种改进的无人机航摄影像快速拼接方法J.测绘通报, 2014 (2) :46-49. 16邹艳荣, 郑政.一种用于高频超声探头的扫描电机及控制系统J.电子科技, 2016 (10) :111-114. 17汪立, 蒋念平.基于改进 Harris 角点检测的视网膜图像配准J.电子科技, 2017 (2) :119-122.
