GPS/IMU/DMI組合導(dǎo)航方法研究

高揚(yáng), 高邐, 烏萌, 王成賓

衛(wèi)星/慣性組合導(dǎo)航是目前車輛導(dǎo)航系統(tǒng)(vehicle navigation system,VNS)的主要導(dǎo)航定位手段，但是，在復(fù)雜環(huán)境中，衛(wèi)星導(dǎo)航會(huì)因信號(hào)遮擋或多路徑干擾而失效，慣性導(dǎo)航誤差則會(huì)隨著時(shí)間而累積發(fā)散，因此，如何實(shí)現(xiàn)可靠、連續(xù)導(dǎo)航是車輛導(dǎo)航領(lǐng)域的一個(gè)研究熱點(diǎn)。

近年來，無(wú)人駕駛技術(shù)、車聯(lián)網(wǎng)、地面移動(dòng)測(cè)量等汽車平臺(tái)的精確自主導(dǎo)航與測(cè)量估計(jì)技術(shù)發(fā)展迅猛，技術(shù)應(yīng)用范圍不斷擴(kuò)大，國(guó)內(nèi)外相關(guān)機(jī)構(gòu)對(duì)相關(guān)技術(shù)開展了大量研究工作。Dupuis等利用車載低成本GPS的少量信號(hào)即快速實(shí)現(xiàn)了地圖初始估計(jì)，以實(shí)現(xiàn)自主車任務(wù)準(zhǔn)備的低成本、快速、準(zhǔn)確初始化[1]。Yun等進(jìn)行了移動(dòng)測(cè)量系統(tǒng)(MMS)進(jìn)行道路管理的可用性測(cè)試，其中IMU、GNSS、可量測(cè)影像(DMI)組合輸出車輛軌跡，利用與GNSS同步的圖像及點(diǎn)云數(shù)據(jù)高效提取道路標(biāo)志及道路損壞部分[2]。Suhr等提出和實(shí)現(xiàn)了一種基于傳感器融合的低成本車輛定位系統(tǒng)，其中融合了GPS、IMU、碼盤、單個(gè)前置相機(jī)、以及通過粒子濾波得到的少量數(shù)字地圖，道路標(biāo)志僅通過最小數(shù)量點(diǎn)進(jìn)行表示，計(jì)算代價(jià)小，可在低成本嵌入式系統(tǒng)中實(shí)時(shí)執(zhí)行計(jì)算[3]。Meng等研究了基于GNSS/IMU/碼盤/LiDAR傳感器融合的自主車魯棒定位方法[4],提出了多約束出錯(cuò)檢測(cè)方法以平滑GNSS信號(hào)跳變時(shí)的車輛定位結(jié)果，同時(shí)定位誤差可利用點(diǎn)云定位方法進(jìn)一步補(bǔ)償改進(jìn)。李德仁院士在文獻(xiàn)[5]中提出了一個(gè)從天到地、影像到模型、靜止到動(dòng)態(tài)的城市環(huán)境監(jiān)測(cè)系統(tǒng)，可滿足建筑變化監(jiān)測(cè)、安全巡航、監(jiān)控分析等多種需求。盧秀山等提出基于真彩激光點(diǎn)云，構(gòu)建城市自然數(shù)字模型；基于車載移動(dòng)測(cè)量、無(wú)人機(jī)航攝、手機(jī)拍照、高清視頻監(jiān)控及云計(jì)算平臺(tái)等技術(shù)手段，形成城市自然數(shù)字模型的快速更新技術(shù)體系，來構(gòu)建最優(yōu)現(xiàn)勢(shì)性的城市地理信息平臺(tái)，以奠定城市管理智能化的數(shù)據(jù)基礎(chǔ)[6]。筆者在文獻(xiàn)[7]中對(duì)DMI的導(dǎo)航數(shù)據(jù)組織模型進(jìn)行了研究。這些研究中分別采用了GNSS、IMU、DMI、LiDAR、碼盤等多種傳感器搭建所需系統(tǒng)，以實(shí)現(xiàn)高精度的實(shí)時(shí)導(dǎo)航與測(cè)量目標(biāo)。

可量測(cè)影像(DMI)是一種新興的地面立體影像信息產(chǎn)品，包含時(shí)空序列上絕對(duì)外方位元素信息，可以支持對(duì)環(huán)境實(shí)景的直接瀏覽、對(duì)目標(biāo)地物高度、寬度、面積等信息的相對(duì)測(cè)量，以及絕對(duì)位置解析測(cè)量和目標(biāo)屬性信息挖掘等應(yīng)用[8-9]。利用車輛導(dǎo)航系統(tǒng)采集實(shí)時(shí)影像(real-time image)，并與預(yù)先獲取的可量測(cè)影像進(jìn)行匹配，將匹配上的可量測(cè)影像空間位置信息傳遞至實(shí)時(shí)影像，通過空間坐標(biāo)變換推算出運(yùn)動(dòng)載體的當(dāng)前位置。因此，將可量測(cè)影像引入到車輛導(dǎo)航系統(tǒng)中，并與實(shí)時(shí)影像進(jìn)行匹配定位計(jì)算，計(jì)算結(jié)果可以作為一種新的定位數(shù)據(jù)源和衛(wèi)星、慣導(dǎo)的定位信息進(jìn)行數(shù)據(jù)融合，從而提高復(fù)雜環(huán)境下的組合導(dǎo)航系統(tǒng)的可靠性和連續(xù)性。

本文提出了一種基于可量測(cè)影像與衛(wèi)星、慣性組合導(dǎo)航方法，研究了系統(tǒng)框架、實(shí)現(xiàn)原理和關(guān)鍵技術(shù)，并用實(shí)驗(yàn)驗(yàn)證了方法的有效性，以期為復(fù)雜環(huán)境下車輛導(dǎo)航提供新的技術(shù)途徑。

1 技術(shù)框架和工作原理

GPS/IMU/DMI組合導(dǎo)航原型系統(tǒng)安裝衛(wèi)星定位(GPS)、慣性測(cè)量單位(IMU)、里程計(jì)、CCD像機(jī)等設(shè)備，在導(dǎo)航計(jì)算機(jī)中裝載DMI數(shù)據(jù)庫(kù)、二維導(dǎo)航數(shù)據(jù)庫(kù)和導(dǎo)航軟件。通過可量測(cè)影像與衛(wèi)星導(dǎo)航定位、慣性導(dǎo)航、里程計(jì)等集成，實(shí)現(xiàn)多源信息融合的導(dǎo)航定位，同時(shí)支持環(huán)境實(shí)景顯示、查詢、分析、量算等導(dǎo)航輔助功能，總體技術(shù)框架如圖1所示。

圖1 GPS/IMU/DMI組合導(dǎo)航原型系統(tǒng)技術(shù)框架

1.1 DMI與道路網(wǎng)數(shù)據(jù)一體化組織[7]

DMI與RTI匹配定位的前提，是需要從可量測(cè)影像數(shù)據(jù)庫(kù)中快速查詢到當(dāng)前定位點(diǎn)前趨方向的影像。因此，建立DMI高效索引以滿足導(dǎo)航定位的實(shí)時(shí)性要求是一個(gè)關(guān)鍵。

本文利用DMI數(shù)據(jù)沿道路呈線性分布的特點(diǎn)，采用線性參考系統(tǒng)下的基于道路的動(dòng)態(tài)分段索引結(jié)構(gòu)，建立影像與所在路段、路段偏距的空間拓?fù)潢P(guān)聯(lián)，并利用大文件模型存儲(chǔ)索引表、影像主體和內(nèi)、外方位元素參數(shù)。在檢索時(shí)，根據(jù)定位點(diǎn)概略位置計(jì)算出道路、路段，進(jìn)而查詢到定位點(diǎn)可能分布區(qū)域的DMI序列，再分別與獲取的RTI進(jìn)行匹配定位計(jì)算。

對(duì)于具體方法，筆者在文獻(xiàn)[7]中進(jìn)行了研究分析與試驗(yàn)評(píng)估，這里不再贅述。

1.2 DMI與RTI的匹配定位

DMI與RTI匹配定位的關(guān)鍵，是從檢索到的定位點(diǎn)可能分布區(qū)域的影像序列中，查詢到與RTI匹配的DMI。由于DMI與RTI拍攝時(shí)間不同、拍攝時(shí)刻像機(jī)位置和姿態(tài)不同，2幅影像分辨率和光照不同，因此，需要可靠的匹配方法實(shí)現(xiàn)2幅不同條件下所成影像的精確配準(zhǔn)。

本文采用SIFT特征匹配[10-13]和RANSAC抗差處理[14]相結(jié)合的影像特征點(diǎn)提取和匹配方法解決DMI和RTI的匹配問題，算法框架如圖2所示。

圖2 影像匹配算法框架

DMI與RTI匹配的實(shí)質(zhì)是在不同尺度空間上查找特征點(diǎn)(或關(guān)鍵點(diǎn))，也就是具有方向信息的局部極值點(diǎn)，如暗區(qū)中的亮點(diǎn)、亮區(qū)中的暗點(diǎn)、角點(diǎn)、邊緣點(diǎn)等。這些點(diǎn)能夠?qū)τ谟跋裥D(zhuǎn)、縮放和仿射變換保持不變，可以滿足在不同光照、不同位置姿態(tài)、不同分辨率等條件下所成的DMI和RTI的匹配需求。首先，通過2幅影像的高斯差分尺度空間(DoG scale-space)中采樣點(diǎn)與其影像域和尺度域中的所有鄰點(diǎn)進(jìn)行比較，從而檢測(cè)提取出特征點(diǎn)；然后，根據(jù)特征點(diǎn)鄰域像素的梯度方向分布特性，為每個(gè)特征點(diǎn)附加一個(gè)主方向和多個(gè)輔方向的描述性信息，即特征向量；接下來，利用特征點(diǎn)特征向量的歐氏距離，對(duì)兩幅影像特征點(diǎn)進(jìn)行相似性度量，確定匹配上的特征點(diǎn)；最后，為保證算法魯棒性，采用隨機(jī)抽樣一致性算法RANSAC(random sample consensus)，通過構(gòu)建特征點(diǎn)估計(jì)模型，剔除可能存在的錯(cuò)配點(diǎn)。當(dāng)匹配上的特征點(diǎn)滿足一定數(shù)量(一般在5個(gè)以上)，且均勻分布，則認(rèn)為兩幅影像匹配成功，同時(shí)獲得RTI特征點(diǎn)坐標(biāo)，包括特征點(diǎn)像素坐標(biāo)和對(duì)應(yīng)物點(diǎn)的空間坐標(biāo)。

由RTI特征點(diǎn)坐標(biāo)到載體當(dāng)前位置坐標(biāo)的推算過程，涉及空間直角坐標(biāo)系、載體本體坐標(biāo)系、像機(jī)坐標(biāo)系、影像坐標(biāo)系、內(nèi)存坐標(biāo)系的轉(zhuǎn)換，如圖3所示。

圖3 載體位置計(jì)算

計(jì)算過程如下：1) 根據(jù)(1)式，將RTI特征點(diǎn)對(duì)應(yīng)物點(diǎn)Ai在空間直角坐標(biāo)系GP中坐標(biāo)GAi(XGAi,YGAi,ZGAi)轉(zhuǎn)換為載體本體坐標(biāo)系VP中坐標(biāo)VAi(XVAi,YVAi,ZVAi)。

XVAi=(XGAi-ΔXG)/cosα

YVAi=(YGAi-ΔYG)/cosα

ZVAi=-ZGAi

(1)

式中,α為載體航向角,ΔXG,ΔYG為未知量。

2) 根據(jù)(2)式、(3)式,將VAi轉(zhuǎn)換為像機(jī)坐標(biāo)系CP坐標(biāo)CAi(XCAi,YCAi,ZCAi)。

(3)

3) 通過(4)式、(5)式,將CAi轉(zhuǎn)換為影像坐標(biāo)系IP中坐標(biāo)IAi(xI,yI)和內(nèi)存坐標(biāo)系BP中坐標(biāo)BAi(xBAi,yBAi)。

xIAi=fxCAizCAi

yIAi=fyCAizCAi

(4)

xBAi=fxCAizCAiNr+BCI

yBAi=fyCAizCAiNc+BRI

(5)

式中,Nr和Nc分別是影像坐標(biāo)系中單位長(zhǎng)度對(duì)應(yīng)的內(nèi)存坐標(biāo)系中的像素行數(shù)和列數(shù),BPI=[BCI,BRI]T為列和行方向主點(diǎn)位置偏移量,f,Nr,Nc,BCI,BRI為像機(jī)內(nèi)方位元素,可事先標(biāo)定。

4) 根據(jù)(5)式,利用5個(gè)以上匹配的特征點(diǎn)構(gòu)建方程,方程中包含3個(gè)未知量ΔXG,ΔYG和α,采用最小二乘法求解方程,解得3個(gè)未知量。

5) 將載體本體坐標(biāo)系原點(diǎn)位置代入(1)式,反算得到運(yùn)動(dòng)載體的空間直角坐標(biāo)。

1.3 GNSS/IMU/DMI聯(lián)邦卡爾曼濾波導(dǎo)航模型

原形系統(tǒng)采用聯(lián)邦卡爾曼濾波將基于DMI的匹配定位結(jié)果與GPS、IMU數(shù)據(jù)進(jìn)行融合,濾波器結(jié)構(gòu)如圖4所示。

圖4 GPS/IMU/DMI濾波器模型

采用IMU作為參考子系統(tǒng),分別與GPS和DMI定位輸出構(gòu)成2個(gè)子系統(tǒng):子濾波器1包括IMU和GPS;子濾波器2包括DMI匹配定位、IMU和里程計(jì)。1,2分別為2個(gè)子濾波器的局部估計(jì)值,P1,P2為協(xié)方差陣,g和Pg為全局最優(yōu)估計(jì)。

1) 公共參考系統(tǒng)基于IMU構(gòu)建捷聯(lián)慣導(dǎo)系統(tǒng),狀態(tài)參數(shù)如(6)式所示,狀態(tài)方程如(7)式所示。

XI=[ψNψEψDδVNδVEδVD

δλδLδh]T

(6)

式中,ψN,ψE,ψD為姿態(tài)誤差,δVN,δVE,δVD為速度誤差,δλ,δL,δh為位置誤差。

I(t)=FI(t)XI(t)+GI(t)WI(t)

(7)

式中,FI(t)為狀態(tài)轉(zhuǎn)換矩陣,GI(t)為噪聲驅(qū)動(dòng)矩陣,WI(t)為系統(tǒng)噪聲。

2) 子系統(tǒng)1中GPS狀態(tài)參數(shù)如(8)式所示,IMU/GPS組合定位系統(tǒng)狀態(tài)方程如(9)式所示。

XG=δλgδLgδhgδVNgδVEgδVDgT

(8)

δλg,δLg,δhg為經(jīng)度、緯度和高程方向GPS位置誤差,δVEg,δVNg,δVDg為東、北和地向GPS速度誤差。

I

0FGXI

XG+GI0

0I6×6WI

WG

(9)

式中

WG=δwpNδwpEδwpDδwvNδwvEδwvDT

FG=diag-βgp-βgp-βgp-βgv-βgv-βgv

子濾波器1采用位置和速度組合方式,分別取3個(gè)方向的位置之差和速度之差為觀察量,其中,IMU觀測(cè)量為:

λI=λ-δλI

LI=L-δLI

hI=h-δhIVIN=VN-δVIN

VIE=VE-δVIE

VID=VD-δVID

GPS觀測(cè)量為:

λG=λ-δλG

LG=L-δLG

hG=h-δhGVGN=VN-δVGN

VGE=VE-δVGE

VGD=VD-δVGD

λ,L,h為載體實(shí)際位置,VN,VE,VD為載體實(shí)際速度,其他為相應(yīng)誤差。

子系統(tǒng)1量測(cè)方程如(10)式所示。

ZIG=λG-λI

LG-LI

hG-hI

VGN-VIN

VGE-VIE

VGD-VID=δλI-δλG

δLI-δLG

δhI-δhG

δVIN-δVGN

δVIE-δVGE

δVID-δVGD=

HIGXI

XG+VIG

(10)

其中GPS觀測(cè)噪聲

HIG=03×303×3I3×3-I3×303×3

03×3I3×303×303×3-I3×3

3) 子系統(tǒng)2的觀測(cè)量主要依據(jù)DMI與RTI匹配定位信息和里程計(jì)速度信息,并與IMU輸出信息比對(duì)。其狀態(tài)方程參照公共參考系統(tǒng),如(7)式所示,觀測(cè)方程如(11)式所示。

ZIOD=λD-λI

LD-LI

hD-hI

VON-VIN

VOE-VIE

VOD-VID=δλI-δλD

δLI-δLD

δhI-δhD

δVIN-δVON

δVIE-δVOE

δVID-δVOD=HIODXI+VIOD

(11)

式中，HIOD=10001×301×3

03×303×3I3×3

03×3I3×303×3,λD,LD,hD是DMI與RTI匹配定位信息,VON,VOE,VOD是里程計(jì)輸出的速度信息,VIOD是相應(yīng)傳感器觀測(cè)噪聲構(gòu)成的6維觀測(cè)量。

2 實(shí)驗(yàn)與分析

采用某型地面移動(dòng)測(cè)量車作為實(shí)驗(yàn)平臺(tái)。平臺(tái)上集成有計(jì)算機(jī)、GPS、IMU和6臺(tái)CCD像機(jī)(編號(hào)1～6)等設(shè)備,計(jì)算機(jī)中裝載預(yù)先采集的實(shí)驗(yàn)區(qū)域DMI數(shù)據(jù),此外,在實(shí)驗(yàn)平臺(tái)上加裝某型高精度激光陀螺慣性導(dǎo)航系統(tǒng)(ring laser gyroscope inertial navigation system,RLG-INS),作為實(shí)驗(yàn)精度的比對(duì)基準(zhǔn),如圖5所示。

圖5 地面移動(dòng)測(cè)量車

實(shí)驗(yàn)平臺(tái)主要指標(biāo):①IMU:陀螺漂移1.0°/hr,加速度計(jì)漂移0.000 2g;②GPS:平面定位精度為(10±1×10-6)mm,高程精度為20 mm±1ppm;③CCD:幀率16 frame/s,分辨率1 392×1 040;④DMI:位置精度優(yōu)于0.5 m,姿態(tài)精度優(yōu)于0.3°,分辨率1 392×1 040,影像采集間隔≤8 m。

實(shí)驗(yàn)中,采用3號(hào)像機(jī)采集RTI作為子系統(tǒng)2的輸入。實(shí)時(shí)記錄主系統(tǒng)和子系統(tǒng)1、2輸出的姿態(tài)、速度和位置數(shù)據(jù),并與RLG-INS輸出數(shù)據(jù)進(jìn)行比對(duì)。在實(shí)驗(yàn)中途,通過人為關(guān)閉GPS,模擬衛(wèi)星導(dǎo)航信號(hào)被干擾或遮擋,檢驗(yàn)系統(tǒng)在衛(wèi)星失鎖狀態(tài)下工作的穩(wěn)定性。原型系統(tǒng)(主系統(tǒng)、子系統(tǒng)1、子系統(tǒng)2)與RLG-INS基準(zhǔn)的輸出姿態(tài)誤差、輸出速度誤差、輸出位置誤差分別如圖6～圖8所示。

圖6 原型系統(tǒng)與RLG-INS輸出姿態(tài)誤差比較

圖7 原型系統(tǒng)與RLG-INS輸出速度誤差比較 圖8 原型系統(tǒng)與RLG-INS輸出位置誤差比較

可以看出:

1) 通過融合2個(gè)子系統(tǒng)的信息,主系統(tǒng)定位、定姿和測(cè)速的精度與可靠性得到明顯改善。

2) 如圖8、圖6所示,在定位性能上,子系統(tǒng)2的反饋能夠降低IMU隨時(shí)間漂移帶來的誤差,但定姿性能不夠理想。因此,在對(duì)2個(gè)子系統(tǒng)信息融合處理中,需要進(jìn)行數(shù)據(jù)置信度評(píng)判,將子系統(tǒng)2對(duì)主系統(tǒng)定姿精度影響降至最低。

3) 如圖8所示,約780 s處,因?yàn)镚PS被關(guān)閉,子系統(tǒng)1工作異常,定位誤差較大;但子系統(tǒng)2不受影響,工作正常,主系統(tǒng)定位精度在允許范圍內(nèi)。

綜上所述,采用本文方法,將DMI與RTI匹配定位引入GPS/IMU組合導(dǎo)航系統(tǒng),可以提升系統(tǒng)精度和穩(wěn)健性,其中,北向定位誤差由2.814 m(1σ)提升到1.914 m(1σ),東向定位誤差由4.553 m(1σ)提升到3.161 m(1σ),地向定位誤差由3.274 m(1σ)提升到2.847m(1σ),當(dāng)失去衛(wèi)星信號(hào)時(shí),系統(tǒng)定位結(jié)果并未受到明顯影響。

3 結(jié) 論

本文提出的GPS/IMU/DMI組合導(dǎo)航方法充分利用了可量測(cè)影像具有高精度空間位置信息的特點(diǎn)優(yōu)勢(shì),可以彌補(bǔ)傳統(tǒng)車輛導(dǎo)航系統(tǒng)衛(wèi)星信號(hào)失鎖、慣性器件隨時(shí)間誤差累積發(fā)散等帶來的問題。在下一步工程化應(yīng)用中,還需重點(diǎn)研究DMI數(shù)據(jù)組織、影像匹配、多源定位數(shù)據(jù)融合誤差控制等技術(shù),進(jìn)一步提高系統(tǒng)效率與精度。

參考文獻(xiàn)：

[1] Dupuis Y, Merriaux P, Subirats P, et al. GPS-Based Preliminary Map Estimation for Autonomous Vehicle Mission Preparation[C]∥Internativonal Conference on Intelligent Robots and Systems, 2014

[2] Yun Heecheon. Applicability Estimation of Mobile Mapping System for Road Management[J]. Contemporary Engineering Sciences, 2014, 7(24): 1407-1414

[3] Suhr Jaekyu, Jang Jeungin, Min Daehong, et al. Sensor Fusion-Based Low-Cost Vehicle Localization System for Complex Urban Environments[J]. IEEE Trans on Intelligent Trans Systems, 2017, 18(5): 1078-1086

[4] Meng Xiaoli, Wang Heng, Liu Bingbing. A Robust Vehicle Localization Approach Based on GNSS/IMU/DMI/LiDAR Sensor Fusion for Autonomous Vehicles[J]. Sensors, 2017, 17: 2140

[5] 李德仁,劉立坤,邵振峰. 集成傾斜航空攝影測(cè)量和地面移動(dòng)測(cè)量技術(shù)的城市環(huán)境監(jiān)測(cè)[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2015, 40(4):427-435

Li Deren, Liu Likun, Shao Zhenfeng. An Integration of Aerial Oblique Photogrammetry and Mobile Mapping System for Urban Geographical Conditions Monitoring[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4):427-435 (in Chinese)

[6] 盧秀山,滕騰,劉如飛. 移動(dòng)測(cè)量、地理信息更新與城市管理智能化[J]. 測(cè)繪學(xué)報(bào), 2017, 46(10): 1592-1597

Lu Xiushan, Teng Teng, Liu Rufei. Mobile Mapping, Geographic Information Update and Urban Management Intelligence[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1592-1597 (in Chinese)

[7] 高揚(yáng),王成賓,烏萌. 一種基于可量測(cè)影像的實(shí)景導(dǎo)航數(shù)據(jù)組織模型[J]. 測(cè)繪科學(xué)與工程, 2014, 34(2): 50-56

Gao Yang, Wang Chengbin, Wu Meng. A Vision Navigation Data Model Based on Digital Measurable Image[J]. Geomatics Science and Engineering, 2014, 34(2): 50-56 (in Chinese)

[8] 李德仁. 論可量測(cè)實(shí)景影像的概念與應(yīng)用——從4D產(chǎn)品到5D產(chǎn)品[J]. 測(cè)繪科學(xué), 2007, 32(4): 5-7

Li Deren. On Concept and Application of Digital Measurable Images-from 4D Production to 5D Production[J]. Science of Surveying and Mapping, 2007, 32(4): 5-7 (in Chinese)

[9] 李德仁, 胡慶武. 基于可量測(cè)實(shí)景影像的空間信息服務(wù)[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2007, 32(5): 377-380

Li Deren, Hu Qingwu. Digital Measurable Image Based Geo-Spatial Information Service[J]. Geomatics and Information Science of Wuhan University, 2007, 32(5): 377-380 (in Chinese)

[10] Lowe D G. Object Recognition from Local Scale-Invariant Features[C]∥International Conference on Computer Vision, Corfu Greece,1999: 1758-1762

[11] Bay H, Tuytelaars T, Van Gool L. SURF: Speeded up Robust Features[C]∥European Conference on Computer Vision, 2006:1562-1568

[12] Matas J, Chum O,Urban M, et.al. Robust Wide Baseline Stereo from Maximally Stable Extremal Regions[C]∥British Machine Vision Conference, 2002: 844-853

[13] Iijima T. Basic Theory of Pattern Normalization(for the Case of a Typical One Dimensional Pattern)[J]. Bulletin of the Electrotechnical Laboratory, 1962, 26: 368-388

[14] Martin A Fischler, Robert C Bolles. Random Sample Consensus: a Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communication of the ACM, 1981: 568-569