基于ORB算法的雙目視覺目標定位研究

王歡 杜鴻

摘 要：雙目視覺定位是模仿人類的雙目，從而獲得目標物體的形狀、位置、顏色等信息。文章通過對ORB和SIFT算法的原理進行研究，得出了ORB與SIFT算法的優缺點，并且根據應用的具體場景，選擇了ORB算法提取目標的特征點并進行立體匹配，最終完成了目標的定位。

關鍵詞：雙目：ORB； SIFT；定位

ORB算子是將r-BRIEF特征描述子和o-FAST特征點提取算法結合以后所提出的算法，它由Rublee等在2011年提出。OBR算法主要的改進是在FAST算子特征檢測的基礎上增加了方向特征，除此之外，該算法將r -BRIEF描述符在點對集矩陣的基礎上增加了旋轉矩陣R，所以r -BRIEF描述符具有了旋轉不變性的特性；此外，ORB算法具有光照、旋轉、平移的不變特性。

1 0RB算法原理

1.1 0-FAST角點特征校測

在特征檢測部分，該算法運用的是FAST算子，但是原來的算法沒有方向性不變的特點，所以o-FAST算法對其進行了改進，使它具有了方向性。ORB算法使用的是FAST算法提取的特征點，實驗中使用的FAST-9的算法，得到了很好的結果。由于邊緣位置對FAST算法得到的特征點有很大的影響，因此該算法使用了Harris角點檢測方法對于得到的特征點進行排序，取前N個較好的角點作為特征點。FAST算法是一種非常快的提取特征點的方法，但是對于這里來說，有兩點不足：（1）提取到的特征點沒有方向。（2）提取到的特征點不滿足尺度變化。針對特征點不滿足尺度變化，SIFT算法建立了尺度圖像金字塔，通過在不同尺度下的圖像中提取特征點以達到滿足尺度變化的效果[1]。針對提取到的特征點沒有方向的問題，Rosin提出了“intensity centroid”的方法確定了特征點的方向。該思想首先把特征點的鄰域范圍看成一個patch，然后求取這個patch的質心，最后把該質心與特征點進行連線，求出該直線與橫坐標軸的夾角，即為該特征點的方向，Rosin提出了如下公式：

然后求取向量OC的方向，同時如果把x，y的范圍保持在[-r，r]之間（r為該特征點鄰域的半徑），以特征點為坐標原點，則得到的方向角為θ，用向量OC的方向表示FAST關鍵的方向角為：

θ=α tan2（m₀₁，m₁₀）

（3）

αtan2的取值范圍在（-π，π]。

1.2 r-BRIEF特征描述符

ORB算子在特征描述部分采用的是基于BRIEF算子的改進算法。BRIEF算子用二進制串描述局部特征，該方法的好處是：（1）很少的bit就能描述獨特的性質。（2）可以用漢明距離計算兩個二進制串之間的特征，計算速度快。在實際應用中的好處是：算得準、算得快、省內存。

ORB算子選用的是256 bits的描述子，該算法先用積分圖像法對圖形進行平滑處理，然后再進行圖像的特征描述。為了計算BRIEF算法的入方向特征，需要將FAST檢測的特征點集改寫為矩陣的形式。對于一個n比特的測試點集（x，y），定義一個2n的矩陣S

根據FAST得到的方向角，可以計算出它所對應的旋轉矩陣R_θ。通過該旋轉矩陣可以得到具有方向特性的測試點集S_θ=R_θS。則R-BRIEF的描述子就可以表示為：

BRIEF算子，它的實現步驟大致如下：（1）取目標像素點一定范圍內的領域，一般9X9。（2）對該領域進行高斯模糊處理，一般選核參數σ=2。（3）以滿足高斯分布的方式在該領域內隨機選取Ⅳ組像素點對，比較這兩個像素點的灰度值大小，x>y則返回1，x

2 0RB與SIFT算法的比較

SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。SIFT特征描述符由特征點規定的半徑r長度的圓鄰域內像素點的梯度方向信息組成。SIFT在計算特征描述前，首先確定鄰域半徑大小，可以按照式（6）來確定圓半徑的長度：

現在通過圖示說明SIFT的梯度方向。如圖1所示，它所表示的區域為8×8，然后把區域分為4個4X4的子區域。圖左部分的中央為當前關鍵點的位置，每個小格代表關鍵點鄰域所在尺度空間的一個像素，利用公式求得每個像素的梯度幅值與梯度方向，箭頭方向代表該像素的梯度方向，箭頭長度代表梯度模值，然后用高斯窗口對其進行加權運算。圖中圓圈代表高斯加權的范圍（越靠近關鍵點的像素梯度方向信息貢獻越大）。然后在每4X4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點[2]。

SIFT算子為使特征描述符具備旋轉不變性，算法需要將特征點所在區域坐標系進行旋轉，從而使特征點主方向和橫坐標的正方向一樣（見圖2）。

在上節中已經闡述了ORB算法原理，ORB算法具備旋轉、光照、平移不變性等特征，關鍵是它的運算速度比SIFT算法提升了很多。但是ORB算法的缺點是不具有尺度不變性特征。SIFT算法滿足尺度不變性，所以在圖像尺度發生變化的環境下，ORB算法效果與SIFT算法的效果相差很多。

3 實驗結果與分析

在提取物體的特征點之前，需要先對攝像頭進行標定，校正圖像，得到攝像機的內外參數。接著提取圖像的特征點，進行左右攝像頭的特征點匹配，最后根據雙目形成的視差就可以得到目標物到攝像頭的距離[3]。

攝像頭標定采用標定板23 mmX23 mm，提取標定板的角點，如圖3所示。通過標定原理計算出雙目攝像頭的焦距、畸變、旋轉矩陣和平移向量等參數（見圖4）。

得到了攝像機的參數之后，左右攝像頭的圖像存在畸變，而且左右圖像中的對應點不在一個平面上，所以需要圖形校正，如圖5所示。

將圖像校正完成后，使用ORB提取圖形的特征點，然后計算左右圖形的匹配點。由于存在無匹配，所以使用RANSAC算法去除誤匹配，如圖6所示。

在經過了攝像機標定，圖像校正，圖像特征點的提取與匹配后就可以計算出目標到攝像頭的距離，如表1所示。

從表1可以得出結論，通過左右圖像每對匹配的特征點可以計算出攝像機到被測物的距離。在計算中，將物體的全部特征點的距離平均值為物體被測的距離。從表中可以看出，測量距離越大，作誤差越大。而產生誤差的因素，與攝像機的標定參數，無匹配的特征點有關。

4 結語

首先經過攝像機的標定，圖像的校正，得到了可以進行雙目定位的圖像，在通過ORB算法提取出了圖像的特征點，并且根據測距原理，計算出了目標到攝像機的距離。最后分析了產生誤差的原因。

[參考文獻]

[1]ROSINP L.Measuring comer properties[J].Computer Vision and Image Understanding， 1999（2）：291-307.

[2]王昌盛.基于ORB算法的雙目視覺測量研究[D]晗爾濱：哈爾濱工業大學，2015.

[3]白明，莊嚴，王偉.雙目立體匹配算法的研究與進展[J]控制與決策，2008（7）：721-729.