礦山井筒視頻圖像實時配準(zhǔn)的改進Sift算法

白艷玲

（鄭州鐵路職業(yè)技術(shù)學(xué)院軟件學(xué)院，河南鄭州451460）

現(xiàn)階段主要依靠人工方式檢測和排除礦山井筒設(shè)施故障［1］。隨著計算機圖像處理技術(shù)的飛速發(fā)展，基于礦山井筒視頻場景實時拼接的故障點智能檢測技術(shù)日漸得到研究和應(yīng)用［2］。為對礦山井筒故障進行有效檢測，有必要首先對井筒視頻圖像進行精確配準(zhǔn)［3-4］。目前，主要有基于灰度信息、基于優(yōu)化策略、基于特征的圖像配準(zhǔn)算法，其中基于灰度信息的配準(zhǔn)算法實現(xiàn)簡單，但計算量巨大，對于非線性形變的井筒視頻圖像配準(zhǔn)效果不理想；基于優(yōu)化策略的配準(zhǔn)算法可以對待搜尋區(qū)域的所有點進行搜尋，但計算量大；基于特征的配準(zhǔn)算法盡管效果較好，但不具備旋轉(zhuǎn)縮放不變特性［5-7］。Sift算法和Harris角點檢測算法為2種典型的基于特征的配準(zhǔn)算法。其中，Sift算法運算復(fù)雜、處理速度極慢，對于寬幅影像，難以進行處理或進行實時應(yīng)用［8-9］。Harris角點檢測算法由于計算簡單，不易遭受光照、旋轉(zhuǎn)、噪聲影響，可以有效彌補Sift算法的不足［10］。因此，本研究對Sift算法進行適當(dāng)改進，并用于井筒視頻圖像實時配準(zhǔn)。

1 改進Sift算法

1.1 Sift算法配準(zhǔn)原理

Sift算法作為一種以特征為基礎(chǔ)的配準(zhǔn)方法，包括特征點提取及精確定位、描述子生成及相似性度量匹配等步驟，具體實現(xiàn)流程如圖1所示。

（1）特征點提取及精準(zhǔn)定位。Sift算法采用高斯核函數(shù)實現(xiàn)圖像尺度變化，計算圖像與不同尺度空間的高斯差分圖像形成DoG形式的金字塔結(jié)構(gòu)［11-12］。對金字塔結(jié)構(gòu)的尺度空間進行局部極值檢測時，可將每個像素點與同一層相鄰的8個像素點以及上下層18個相鄰像素點進行比較，從而確定極值像素點。在尺度空間上，進行DoG算子的泰勒級數(shù)展開，進而對關(guān)鍵點的位置和尺度進行精確定位。

（2）構(gòu)造描述子并進行特征匹配。為保證特征點滿足旋轉(zhuǎn)和縮放不變要求，采用每個關(guān)鍵點周圍鄰域的梯度模值及方向進行特征描述。即：首先對坐標(biāo)軸進行旋轉(zhuǎn)，依據(jù)關(guān)鍵點的方向、尺度以及位置，以特征點為中心，選取周圍1個大小為16×16區(qū)域，將該區(qū)域劃分為4個大小均等的小區(qū)域，并對每個小區(qū)域進行計算，形成梯度直方圖。Sift算法一般采用最鄰近距離法進行特征匹配，該方法根據(jù)最近鄰特征點與次鄰近特征點的歐氏距離比值實現(xiàn)特征點匹配，而后基于RANSAC算法提取匹配點，消除誤匹配點，提高匹配精度。

1.2 Sift算法改進

為有效克服Sift算法的缺陷，本研究利用Harris角點檢測方法對Sift算法進行改進，結(jié)合Forstner算子進行角點精確定位，并利用Ransac法和隨機K-D樹完成特征點匹配。

1.2.1 基于Harris角點檢測的Sift算法改進

本研究采用多尺度Harris角點檢測方法改進Sift算法，根據(jù)尺度信息的Harris角點并結(jié)合8鄰域相似像素數(shù)目，在運算前剔除非角點；而后計算目標(biāo)像素點與相鄰8鄰域內(nèi)像素點灰度差絕對值，通過設(shè)定閾值，并與計算獲得的灰度差絕對值進行比較，確定Harris角點。

1.2.2 基于Forstner算子的角點定位

Forstner算子具有精度高、運算速度快的特點，基本思想為獲得候選點，以此為中心，構(gòu)建最佳窗口，并對最佳窗口內(nèi)通過每個像素的邊緣直線進行加權(quán)中心化處理，從而進行精確定位。若基于Sift算法獲得的角點滿足Forstner算子的最佳窗口中心點要求，可將其作為最佳窗口中心點，并對其進行加權(quán)中心化處理和精確定位。最佳窗口內(nèi)任一像素點（x，y）所在的邊緣直線可表示為

式中，ρ為坐標(biāo)原點（最佳窗口左上角的像素）與直線的垂直距離；θ為梯度角，θ=arctan(gxgy)，gx、gy為像素點（x，y）的Robert梯度。

設(shè)角點坐標(biāo)為（x0,y0），v為像素點（x,y）到直線的垂直距離，則像素點（x，y）處的誤差方程為

將坐標(biāo)原點到邊緣直線的距離ρ視為觀測值，邊緣直線保持方向不改變，對上式法化，可得：

求解式（3），即可獲得角點坐標(biāo)(x0,y0)。

1.2.3 基于KD樹算法的特征點搜索

對于Sift算法，特征描述完畢后，需要進行特征點匹配，即尋找到2幅影像中特征點之間的對應(yīng)關(guān)系。由于Sift描述子具有高維特點，本研究采用隨機KD樹算法進行搜索，即首先生成m個具有不同結(jié)構(gòu)的KD樹，并在搜索階段，基于統(tǒng)一優(yōu)先隊列，對多個隨機KD樹進行搜索，完成后獲得初始最近鄰候選點，并對所有候選點通過1個隊列統(tǒng)一進行節(jié)點排序［11-12］。

1.2.4 參數(shù)求解

為滿足圖像旋轉(zhuǎn)、平移、縮放變換等要求，本研究采用基于8參數(shù)的投影變換模型進行處理。圖像投影變換含有8個未知參數(shù)，需要至少4對特征點構(gòu)建方程組方可求解相關(guān)參數(shù)。為此，本研究首先采用RANSAC算法進行特征點提取，消除錯誤的匹配點；然后構(gòu)建誤差方程，基于最小二乘法進行參數(shù)求解。

2 試驗分析

本研究井筒圖像來源于山西潞安某煤礦視頻監(jiān)控系統(tǒng)，采用3組采樣頻率為150幀的圖像進行算法測試。為確保圖像旋轉(zhuǎn)單一性以及穩(wěn)定性，在礦山井筒視頻圖像采集過程中，相鄰幀不具有旋轉(zhuǎn)變化特征，僅在水平以及垂直位移方面產(chǎn)生微小尺度變化。為詳細測試本研究改進Sift算法的性能，分別從匹配精度、功耗、耗時等方面與Sift算法進行對比分析。2種算法在CPU為2.4 G雙核、內(nèi)存為4 G的PC機程序上運行。相比于攝像機，礦山井筒內(nèi)纜繩固定不動，故而本研究中纜繩匹配可忽略，試驗結(jié)果見圖2～圖4以及表1～表3所示。

分析表1可知：試驗次數(shù)一定時，Sift算法在匹配對數(shù)為125時，匹配準(zhǔn)確率高達89%以上；匹配對數(shù)為70時，精確度最低，低于80%，不利于大范圍應(yīng)用；改進的Sift算法在匹配對數(shù)為70時，匹配精度最高，大于98%；匹配對數(shù)為125時，準(zhǔn)確率最低，大于96%。

由表2可知：在相同試驗次數(shù)條件下，Sift算法的匹配能耗最高為108 J，最低為74 J，整體均值約為87.8 J；改進Sift算法的匹配能耗最高為66 J，最低為60 J，整體均值約63.1 J。

由表3分析可知：5次試驗中，采用Sift算法對3組圖像進行匹配的平均耗時為5.6 s，采用改進Sift算法對3組圖像進行匹配時，平均耗時僅為3.5 s。

3 結(jié)語

為實現(xiàn)礦山井筒圖像實時精確配準(zhǔn)，提出了一種改進型Sift配準(zhǔn)算法，該算法以Harris角點檢測代替Sift算法的極值檢測部分，采用Forsnter算子對提取點進行精確定位，利用Sift算法的特征描述方式對提取點進行描述，并利用Ransac法和隨機K-D樹完成特征點匹配。試驗表明，相對于Sift算法，改進Sift算法在匹配精度、匹配功耗、匹配耗時等方面均有一定的優(yōu)勢。