一種利用特征點(diǎn)檢測(cè)實(shí)現(xiàn)可交互式地圖的方法

奚家泉

（上海郵電設(shè)計(jì)咨詢研究院有限公司，上海 200050）

1 引言

傳統(tǒng)紙質(zhì)地圖是融合科學(xué)和藝術(shù)于一體的重要測(cè)繪成果，在經(jīng)濟(jì)建設(shè)、國(guó)防建設(shè)、科研教育和百姓生活中發(fā)揮著重要的作用。相對(duì)于電子地圖、虛擬地理環(huán)境等新型地圖，紙質(zhì)地圖有使用方便、便于攜帶、無(wú)需外設(shè)等優(yōu)點(diǎn)。但相比于網(wǎng)絡(luò)電子地圖而言競(jìng)爭(zhēng)劣勢(shì)也比較明顯：首先紙質(zhì)地圖由于受版面限制，內(nèi)容單一有限，無(wú)法承載豐富的數(shù)據(jù)量；其次，紙質(zhì)地圖表現(xiàn)形式單調(diào)，只能附加文字和圖片；第三，單向資訊傳播，無(wú)法實(shí)現(xiàn)與讀者間的信息交互；第四，紙質(zhì)地圖更新周期長(zhǎng)，地圖出版后新的內(nèi)容無(wú)法實(shí)時(shí)更新。

2 可交互地圖的設(shè)計(jì)思路

本文提出一種交互式地圖的設(shè)計(jì)思路，通過(guò)手機(jī)APP拍照來(lái)實(shí)現(xiàn)紙質(zhì)地圖的位置匹配，進(jìn)而實(shí)現(xiàn)加載專題信息，數(shù)據(jù)回傳等可交互式應(yīng)用。程序主要分為三個(gè)模塊，紙質(zhì)地圖初始化模塊、特征點(diǎn)識(shí)別匹配模塊以及專題信息加載模塊。其中特征點(diǎn)匹配模塊是應(yīng)用的重點(diǎn)和難點(diǎn)?？山换ナ降貓D的主要功能如下：

（1）地圖識(shí)別和匹配：手機(jī)攝像頭對(duì)準(zhǔn)紙質(zhì)地圖拍照，手機(jī)實(shí)景畫面中加載專題位置標(biāo)簽，點(diǎn)擊標(biāo)簽可以瀏覽專題的詳細(xì)信息。

（2）加載專題信息：采用文字、全景圖片、模型、音視頻等方式展現(xiàn)專題信息，方便工程人員掌握實(shí)時(shí)內(nèi)容。

（3）紙質(zhì)地圖初始化：對(duì)現(xiàn)有的紙質(zhì)地圖進(jìn)行拍照以及特征點(diǎn)提取、存儲(chǔ)。

（4）位置標(biāo)簽初始化：對(duì)地圖范圍內(nèi)的分類別進(jìn)行標(biāo)簽化，用來(lái)關(guān)聯(lián)紙質(zhì)地圖和專題信息。

可交互式地圖的應(yīng)用場(chǎng)景包括區(qū)域地質(zhì)地貌、區(qū)域地下空間、旅游景點(diǎn)宣傳、廣告位宣傳、政府單位辦事指南等。

3 特征點(diǎn)檢測(cè)技術(shù)

特征檢測(cè)的方法很多[1]，主要包括顏色特征、紋理特等、形狀特征以及局部特征點(diǎn)等。其中局部特征點(diǎn)具有很好的穩(wěn)定性，不容易受外界環(huán)境的干擾；局部特征點(diǎn)主要有斑點(diǎn)與角點(diǎn)，斑點(diǎn)通常是指與周圍有著顏色和灰度差別的區(qū)域，如草原上的一棵樹(shù)或一棟房子。斑點(diǎn)是一個(gè)區(qū)域，角點(diǎn)是圖像中一邊物體的拐角或者線條之間的交叉部分。

在技術(shù)實(shí)現(xiàn)上，斑點(diǎn)檢測(cè)的主要原理是檢測(cè)出圖像中比它周圍像素灰度值大或比周圍灰度值小的區(qū)域[2]。一般有兩種方法來(lái)實(shí)現(xiàn)這一目標(biāo)：第一種基于求導(dǎo)的微分方法，這類的方法稱為微分檢測(cè)器；如高斯拉普拉斯（Laplace of Gaussian，LOG）算子檢測(cè)圖像斑點(diǎn)；第二種基于局部極值的分水嶺算法。如OPENCV中的斑點(diǎn)檢測(cè)算子。

在技術(shù)實(shí)現(xiàn)上，角點(diǎn)檢測(cè)算法通常有三種方法[3]：第一種基于灰度圖像檢測(cè)，又可分為基于梯度、基于模板和基于模板梯度組合3類方法；第二種基于二值圖像的角點(diǎn)檢測(cè)和第三種基于輪廓曲線的角點(diǎn)檢測(cè)。

4 方法實(shí)現(xiàn)

傳統(tǒng)地圖在實(shí)用過(guò)程中會(huì)有褪色、變形、褶皺，在拍攝和匹配過(guò)程中會(huì)產(chǎn)生傾斜角度、旋轉(zhuǎn)、亮度差異等問(wèn)題，因此本文提出的交互式地圖匹配方法采用的是SURF特征點(diǎn)檢測(cè)方法，同時(shí)在計(jì)算匹配度方面，應(yīng)用了特征距離篩選經(jīng)驗(yàn)數(shù)值，最終達(dá)到較高的匹配比例，同時(shí)性能和時(shí)間方面也滿足了程序的應(yīng)用需求。

4.1 地圖樣例

紙質(zhì)地圖采用的是中國(guó)行政地圖，有褪色和褶皺現(xiàn)象，如下圖所示：

圖1 紙質(zhì)地圖

圖2 測(cè)試1

圖3 測(cè)試2

4.2 核心算法

static void calcLayerDetAndTrace（const Mat& sum，int size，int sampleStep，Mat& det，Mat& trace）{

const int NX=3，NY=3，NXY=4；

const int dx_s[NX][5]={{0，2，3，7，1}，{3，2，6，7，-2}，{6，2，9，7，1}} ；

const int dy_s[NY][5]={{2，0，7，3，1}，{2，3，7，6，-2}，{2，6，7，9，1}} ；

const int dxy_s[NXY][5]={{1，1，4，4，1}，{5，1，8，4，-1}，{1，5，4，8，-1}，{5，5，8，8，1}} ；

SurfHF Dx[NX]，Dy[NY]，Dxy[NXY]；

if（size > sum.rows-1 || size > sum.cols-1）return ；

resizeHaarPattern（dx_s，Dx，NX，9，size，sum.cols）；

resizeHaarPattern（dy_s，Dy，NY，9，size，sum.cols）；

resizeHaarPattern（dxy_s，Dxy，NXY，9，size，sum.cols）；

int samples_i=1+（sum.rows-1-size）/sampleStep；

int samples_j=1+（sum.cols-1-size）/sampleStep ；

int margin=（size/2）/sampleStep；

for（int i=0；i < samples_i；i++）{

const int* sum_ptr=sum.ptr（i*sampleStep）；

fl oat* det_ptr=&det.at< fl oat>（i+margin，margin）；

fl oat* trace_ptr=&trace.at< fl oat>（i+margin，margin）；

for（int j=0；j < samples_j；j++）{

fl oat dx=calcHaarPattern（sum_ptr，Dx，3）；

fl oat dy=calcHaarPattern（sum_ptr，Dy，3）；

fl oat dxy=calcHaarPattern（sum_ptr，Dxy，4）；

sum_ptr+=sampleStep；

det_ptr[j]=dx*dy-0.81f*dxy*dxy；

trace_ptr[j]=dx+dy；

}}}

4.3 應(yīng)用實(shí)例

（1）原始地圖特征點(diǎn)提取

程序匹配的第一步是提取地圖的特征點(diǎn)，結(jié)果如下：

圖4 特征點(diǎn)提?。ň植浚?/p>

把原始地圖的特征點(diǎn)提取之后，持久化保存在數(shù)據(jù)庫(kù)中，后續(xù)匹配時(shí)無(wú)需再次提取原始圖的特征點(diǎn)。

（2）測(cè)試匹配

通過(guò)兩次不同角度、不同距離和不同分辨率的拍照，得到兩張待匹配的紙質(zhì)地圖照片，分別為測(cè)試1和測(cè)試2；在分別提取了特征點(diǎn)之后，與原始地圖進(jìn)行特征點(diǎn)匹配，結(jié)果如下：

圖5 測(cè)試1匹配

圖6 測(cè)試2匹配

從上圖可以看出，粗略的匹配結(jié)果大量較多的誤判，很難得到獲取真實(shí)的位置結(jié)果。因此需要進(jìn)一步應(yīng)用特征距離進(jìn)行篩選。

（3）特征篩選

本文選取了50張測(cè)試圖片，選取了0.8，0.85，0.9，0.95四種不同的特征距離進(jìn)行經(jīng)驗(yàn)測(cè)試，最終按照需求選取了0.9作為特征距離。過(guò)濾后的匹配如下圖所示：

圖7 測(cè)試1匹配過(guò)濾

圖8 測(cè)試2匹配過(guò)濾

（4）性能結(jié)果

本文選取1.4*1米中國(guó)行政掛圖作為原始紙質(zhì)地圖，目標(biāo)匹配圖片測(cè)試1是3000*4000分辨率手機(jī)照片，測(cè)試2是300*300分辨率手機(jī)照片，測(cè)試機(jī)是普通雙核CPU，2G內(nèi)存電腦，性能結(jié)果（平均）如下：

原圖 測(cè)試1 測(cè)試2特征點(diǎn)數(shù)量 703556 27351 217匹配數(shù)量 8925 84過(guò)濾后數(shù)量 1711 23特征點(diǎn)提取時(shí)間（毫秒） 1350 30特征點(diǎn)匹配時(shí)間（毫秒） 468 230特征點(diǎn)過(guò)濾時(shí)間（毫秒） 22 3匹配總時(shí)間（毫秒） 1840 263

5 結(jié)束語(yǔ)

本文通過(guò)實(shí)例測(cè)試，獲取了經(jīng)驗(yàn)特征距離數(shù)值用來(lái)過(guò)濾特征點(diǎn)匹配數(shù)組，在滿足性能要求的條件下取得了較好的應(yīng)用效果。