基于雙目視覺(jué)的水面障礙物識(shí)別算法

韓佳穎 周楠

摘要：為了實(shí)現(xiàn)無(wú)人艇對(duì)水面障礙物的定位，將雙目視覺(jué)技術(shù)應(yīng)用于障礙物圖像識(shí)別與定位，提出一種改進(jìn)的雙目識(shí)別的快速算法。該算法基于HSI顏色空間和SURF 特征原理實(shí)現(xiàn)特征點(diǎn)的提取，運(yùn)用多類約束條件對(duì)匹配點(diǎn)對(duì)進(jìn)行篩選，提高匹配效率。

關(guān)鍵詞：雙目識(shí)別；特征匹配；識(shí)別算法

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）05-0140-02

雙目識(shí)別技術(shù)作為立體視覺(jué)的前沿科學(xué)在工業(yè)自動(dòng)化生產(chǎn)、人機(jī)交互和虛擬現(xiàn)實(shí)等諸多領(lǐng)域都得到了廣泛應(yīng)用[1]。目前在雙目識(shí)別技術(shù)的研究中，特征的提取和匹配是關(guān)鍵技術(shù)，主流采用SURF特征點(diǎn)提取和匹配算法，但是通過(guò)SURF特征匹配識(shí)別目標(biāo)，會(huì)使圖像特征點(diǎn)數(shù)量多，運(yùn)算量較大，實(shí)時(shí)性較差。無(wú)人艇水面實(shí)時(shí)避障過(guò)程中，障礙物的距離信息是需要提取的主要信息，由此改進(jìn)SURF特征匹配算法，優(yōu)化特征點(diǎn)對(duì)匹配的約束條件，提高匹配速度和精度，為無(wú)人艇的自動(dòng)航行和避障提供一種有效技術(shù)。

1 雙目識(shí)別與定位基本原理

雙目識(shí)別與定位的常規(guī)過(guò)程包括：圖像獲取、攝像機(jī)標(biāo)定與矯正、特征提取、特征匹配和立體重構(gòu)[2]。本文實(shí)現(xiàn)主要流程如下：

（1）通過(guò)雙目攝像頭來(lái)獲得二維圖像；（2）采用SURF原理獲得左右圖像匹配的特征點(diǎn)對(duì)，特征提取前進(jìn)行圖像預(yù)處理，便于特征提取；（3）利用三類約束條件進(jìn)行左右圖像中對(duì)應(yīng)特征點(diǎn)對(duì)的篩選；其中特征點(diǎn)對(duì)篩選和匹配是本文研究的關(guān)鍵問(wèn)題。

2 特征提取與匹配

2.1 圖像預(yù)處理

攝像頭獲取的圖像常采用RGB顏色空間描述，相比于RGB空間，HSI顏色空間用色調(diào)、色飽和度和亮度來(lái)細(xì)分顏色空間，有助于目標(biāo)物體的分離。采用圖像分割方法，容易將目標(biāo)物體從背景中分離出來(lái)，分離后圖像特征提取的計(jì)算量大大減小[3]。

2.2 基于SURF的特征點(diǎn)提取與匹配

Speeded Up Robust Features（SURF）[4]，是一種穩(wěn)健的局部特征點(diǎn)檢測(cè)和描述算法，是對(duì)David Lowe在1999年提出的Sift算法的改進(jìn)[5]。

SURF特征點(diǎn)的提取和匹配由4個(gè)步驟組成（1）檢測(cè)特征點(diǎn)；（2）選取特征點(diǎn)主方向；（3）生成特征描述符；（4）SURF特征點(diǎn)匹配。

3 特征匹配點(diǎn)對(duì)的篩選

雙目識(shí)別技術(shù)在機(jī)器人的傳感器中已得到廣泛應(yīng)用。利用它可以計(jì)算攝像機(jī)可拍攝范圍內(nèi)任意一點(diǎn)的三維坐標(biāo)，其關(guān)鍵在于對(duì)應(yīng)點(diǎn)的匹配[6]。通過(guò)SURF特征匹配獲得的匹配點(diǎn)對(duì)數(shù)據(jù)量大，實(shí)時(shí)性較差，需要對(duì)匹配點(diǎn)進(jìn)行進(jìn)一步篩選。

3.1 誤匹配原因分析

在左右圖像匹配中，受攝像頭差異、畸變和特征不一致性、精度等諸多因素影響，特征點(diǎn)匹配過(guò)程中會(huì)出現(xiàn)誤匹配。一般有兩種誤匹配：一對(duì)多和匹配到錯(cuò)誤的特征點(diǎn)。前者一般是由于圖像中存在多個(gè)區(qū)域亮度信息分布近似的點(diǎn)，導(dǎo)致左圖像中的一個(gè)特征點(diǎn)可與右圖像中的多個(gè)特征點(diǎn)匹配。后者一般是由于特征點(diǎn)局部信息近似，導(dǎo)致左圖像中的特征點(diǎn)匹配到了與之無(wú)關(guān)的特征點(diǎn)。因而需要對(duì)匹配點(diǎn)對(duì)進(jìn)行篩選，增強(qiáng)匹配點(diǎn)對(duì)的準(zhǔn)確率，提高計(jì)算的精度。

3.2 約束條件

本文設(shè)定三類約束：針對(duì)一對(duì)多的誤匹配，采用唯一性約束原理排除此類誤匹配；針對(duì)匹配到錯(cuò)誤特征點(diǎn)的誤匹配，采用局部極線約束和左右坐標(biāo)約束減少誤匹配。

（1）唯一性約束條件。對(duì)于左圖像中的特征點(diǎn)，在右圖中與之匹配的點(diǎn)若存在，則是唯一的[7]。左圖中的特征點(diǎn)一旦匹配到右圖特征點(diǎn)，則停止匹配。

（2）局部極限約束條件。極線約束常用于特征匹配[8]，應(yīng)用極線約束可以大大減少匹配到錯(cuò)誤匹配點(diǎn)，但左右圖像特征點(diǎn)互相映射，增大了算法的運(yùn)算量，不適用于實(shí)時(shí)系統(tǒng)中。所以本文采用局部極線約束，不做投影變換，選用合理閾值來(lái)減少第二類誤匹配，方法如下：

根據(jù)上述雙目攝像頭特點(diǎn)，左右圖像在縱向 y 軸上存在一個(gè)左、右目標(biāo)點(diǎn)的匹配搜索區(qū)域，如式（1）所示。

其中，yl、yr分別為左、右匹配點(diǎn)自y軸坐標(biāo)。若T取值太小（接近0），則蛻化為極線約束。這使得正確匹配點(diǎn)對(duì)被大量濾除；當(dāng)T取值太大，則不能濾除錯(cuò)誤匹配點(diǎn)對(duì)，需要通過(guò)試錯(cuò)法來(lái)獲取T。

（3）左右坐標(biāo)約束條件。左右坐標(biāo)差可表示為：

其中，zc為目標(biāo)點(diǎn)在攝像機(jī)坐標(biāo)系中的z坐標(biāo)，b為基線的長(zhǎng)度，f為焦距，ds為像素的物理尺寸，xl為目標(biāo)點(diǎn)在左圖像中x坐標(biāo)，xr為該目標(biāo)點(diǎn)在右圖像中對(duì)應(yīng)的x坐標(biāo)。如式2所示，需滿足左右圖像橫坐標(biāo)xl與xr的差值為正。

4 實(shí)驗(yàn)結(jié)果與分析

采用索尼1300萬(wàn)像素Exmor RSTM堆棧式圖像傳感器，獲取左右攝像頭圖像后處理過(guò)程如圖1（a-c）所示。本文采用局部極線約束條件，大大減少了匹配算法的計(jì)算量。

在matlab環(huán)境下分別進(jìn)行SURF匹配、SURF加上局部約束條件后以及SURF加上三類約束條件后匹配的匹配點(diǎn)對(duì)數(shù)量，如表1所示，通過(guò)三類約束能夠修正誤匹配點(diǎn)對(duì)。經(jīng)過(guò)唯一性約束、局部極線約束和左、右坐標(biāo)約束后，誤匹配點(diǎn)對(duì)數(shù)量大大減少，不僅減少了目標(biāo)深度數(shù)據(jù)的計(jì)算量，提高系統(tǒng)時(shí)效性，還能提高深度計(jì)算數(shù)據(jù)的精度。

5 結(jié)語(yǔ)

本文采用雙目攝像頭，通過(guò)改進(jìn)SURF匹配算法，實(shí)現(xiàn)水面障礙物識(shí)別。首先對(duì)圖像進(jìn)行預(yù)處理，提取有用特征圖像，然后基于SURF特征原理實(shí)現(xiàn)特征點(diǎn)的提取和匹配，運(yùn)用優(yōu)化的三類約束條件，對(duì)誤匹配的特征點(diǎn)對(duì)進(jìn)行篩選，獲得有效的特征點(diǎn)對(duì)。該算法能夠應(yīng)用于水面無(wú)人艇障礙物識(shí)別與距離測(cè)量，深度的測(cè)量范圍主要由攝像頭的像素量決定。本文所識(shí)別的障礙物為遠(yuǎn)處小型障礙物，障礙物的深度信息視為各處基本一致，測(cè)量快速有效，但對(duì)于大型障礙物，各處深度信息變化較大，有效的特征點(diǎn)對(duì)的選取仍是值得研究的問(wèn)題。

參考文獻(xiàn)

[1]尚倩.基于雙目立體視覺(jué)的目標(biāo)識(shí)別與定位[D].北京交通大學(xué)，2011.

[2]唐獻(xiàn)獻(xiàn).基于雙目立體視覺(jué)的目標(biāo)識(shí)別與定位研究[D].哈爾濱理工大學(xué)，2017.

[3]高麗，令曉明.基于數(shù)學(xué)形態(tài)學(xué)的HSI空間彩色邊緣檢測(cè)方法[J].光電工程，2010，（4）：125-129.

[4]H Bay，A Ess， T Tuytelaars ，LV Gool. SURF： Speeded Up Robust Feature[J].Computer Vision & Image Understanding， 2008，110（3）：346-359.

[5]蘇勇剛，高茂庭.基于分布式并行計(jì)算的SIFT算法[J].現(xiàn)代計(jì)算機(jī)，2016，（20）：18-23.

[6]肖婷，文懷興，夏田.基于雙目視覺(jué)技術(shù)的挖掘機(jī)智能化控制系統(tǒng)[J].工程機(jī)械，2007，（3）：4-7.

[7]向登寧，鄧文怡，燕必希，等.利用極線約束方法實(shí)現(xiàn)圖像特征點(diǎn)的匹配[J].北京信息科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2002，（4）：21-25.

[8]陳潔，高志強(qiáng)，密保秀，陳會(huì).引入極線約束的SURF特征匹配算法[J].中國(guó)圖象圖形學(xué)報(bào)，2016，（8）：1048-1056.