基于雙目視覺(jué)的渦輪葉片型面特征提取及匹配

鄒麗君，周 軍，王婷婷

（河海大學(xué)機(jī)電工程學(xué)院，江蘇 常州213022）

0 引言

渦輪葉片是一種復(fù)雜自由曲面類(lèi)的零件，常用的接觸法［1］測(cè)量效率較低、精度較差，無(wú)法滿(mǎn)足當(dāng)今對(duì)葉片檢測(cè)精度和效率的要求。采用雙目視覺(jué)系統(tǒng)，用投影標(biāo)志物取代粘貼標(biāo)志物，通過(guò)改進(jìn)的SIFT［1］算子對(duì)圖像進(jìn)行特征提取及匹配，可以高精度、低成本的獲取葉片表面均勻的點(diǎn)云數(shù)據(jù)。

1 雙目葉片測(cè)量系統(tǒng)

圖1為基于雙目立體視覺(jué)的葉片測(cè)量系統(tǒng)示意圖，葉片尺寸的檢測(cè)需經(jīng)過(guò)攝像機(jī)標(biāo)定、圖像采集、圖像處理及變換、特征點(diǎn)提取及匹配和三維重構(gòu)等幾個(gè)階段，其中特征點(diǎn)提取及匹配精度直接影響到葉片表面點(diǎn)的實(shí)際三維坐標(biāo)值，準(zhǔn)確有效的特征點(diǎn)提取及匹配，對(duì)最終的檢測(cè)結(jié)果至關(guān)重要。雙目視覺(jué)系統(tǒng)中兩臺(tái)攝像機(jī)的鏡頭中心距離葉片表面的各個(gè)部分距離不同，拍攝出來(lái)的圖片中葉片表面在攝像機(jī)中成的像會(huì)有大小、尺度的變化。為了提高特征點(diǎn)提取數(shù)量及匹配精度，采用SIFT算法對(duì)圖像進(jìn)行特征點(diǎn)提取及匹配。SIFT算子提取的特征點(diǎn)比較穩(wěn)定，具有抗尺度變化和光照變化的能力，非常適用于局部目標(biāo)匹配、圖像拼接［2］等。

圖1 雙目葉片測(cè)量系統(tǒng)

2 特征提取及匹配

David Lowe提出了SIFT算法，對(duì)圖像之間發(fā)生的平移、旋轉(zhuǎn)、尺度及光照變化具有不變性。SIFT特征匹配算法包括2個(gè)階段：第1階段是SIFT特征的生成；第2階段是SIFT特征向量的匹配。SIFT的特征提取及匹配關(guān)鍵為以下幾個(gè)。

2．1 優(yōu)化尺度空間

建立一個(gè)圖像的尺度空間，先定義一個(gè)圖像的尺度函數(shù)L（x，y，σ），將原始圖像Ⅰ（x，y）與一個(gè)可變尺度的2維高斯函數(shù)G（x，y，σ）進(jìn)行卷積運(yùn)算。高斯核函數(shù)定義為：

特征尺度σ的大小決定圖像的模糊程度，尺度越大圖像越模糊。將相鄰尺度高斯平滑后的圖像相減，優(yōu)化尺度空間，獲得差分高斯金字塔。

2．2 特征描述子生成

SIFT特征描述子具有大小和方向兩個(gè)特性，每一個(gè)極值點(diǎn)（x，y）的大小和方向由高斯窗內(nèi)的所有像素點(diǎn)的梯度幅值m（x，y）和方向θ（x，y）決定，即

這樣生成的每個(gè)關(guān)鍵點(diǎn)都包含了位置、大小和方向3個(gè)信息，形成的描述子就是一組對(duì)于尺度縮放、旋轉(zhuǎn)、亮度變化無(wú)關(guān)特征向量。

2．3 SIFT算子高維、高效匹配

SIFT算子提取出的特征點(diǎn)是具有128維特征的向量，采用關(guān)鍵點(diǎn)特征向量的歐氏距離進(jìn)行兩幅圖像的匹配，兩個(gè)特征向量a（x11，x12，…，x1n）與b（x21，x22，…，x2n）之間的歐氏距離：

為了解決高維矢量的匹配率問(wèn)題，SIFT算子將特征描述向量建立Kd-樹(shù)索引，并且加入BBF優(yōu)先級(jí)查詢(xún)機(jī)制，通過(guò)這個(gè)索引找出關(guān)鍵點(diǎn)的最近和次近點(diǎn)，來(lái)進(jìn)行高效匹配。

3 改進(jìn)SIFT算法

目前已有一些參考文獻(xiàn)［3-5］分別從簡(jiǎn)化SIFT特征描述符來(lái)降低匹配速率和剔除誤匹配點(diǎn)來(lái)提高匹配精度兩個(gè)方面對(duì)SIFT算法進(jìn)行改進(jìn)。為了提高匹配精度，針對(duì)雙目視覺(jué)左右攝像機(jī)拍攝出圖像發(fā)生旋轉(zhuǎn)的角度及左右兩幅圖片正確的特征點(diǎn)相對(duì)位置，提出了一種窄基線(xiàn)偽匹配點(diǎn)剔除法。首先，建立存儲(chǔ)匹配特征點(diǎn)對(duì)的序列，每進(jìn)行一次特征點(diǎn)匹配，計(jì)算匹配特征點(diǎn)對(duì)的縱坐標(biāo)差的絕對(duì)值，將其與設(shè)定范圍值進(jìn)行比較，將在此范圍值內(nèi)的特征點(diǎn)對(duì)存儲(chǔ)到序列中，然后搜尋特征點(diǎn)序列，判斷該匹配點(diǎn)對(duì)的左右特征點(diǎn)在該序列中的存儲(chǔ)情況，如圖2所示。由于不能確定一對(duì)多匹配點(diǎn)對(duì)中的正確匹配點(diǎn)對(duì)，從匹配點(diǎn)數(shù)據(jù)發(fā)現(xiàn)，存在一對(duì)多匹配現(xiàn)象的匹配點(diǎn)數(shù)量并不多，將其全部剔除，對(duì)葉片表面特征點(diǎn)匹配影響不大，但是可以大大提高匹配精度。而對(duì)于重復(fù)匹配的特征點(diǎn)對(duì)，僅剔除當(dāng)前匹配的特征點(diǎn)對(duì)。

圖2 特征點(diǎn)一對(duì)多、重復(fù)匹配

通過(guò)剔除偽匹配點(diǎn)對(duì)，可以大大提高SIFT算法匹配精度。

第1步，對(duì)檢測(cè)出來(lái)的左圖像的特征點(diǎn)集P1（n1，n2，n3，…｝進(jìn)行 K-d樹(shù)建立，并依次循環(huán)檢測(cè)右圖像的特征點(diǎn)集Pr（m1，m2，m3，…｝。

第2步，提取第i個(gè)特征點(diǎn)對(duì)｛ni，mi｝的縱坐標(biāo)｛Yni，Ymi｝并求取其差值的絕對(duì)值abs（Li）＝abs（Ymi-Yni）。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)令abs（Li）的值固定在［0，k］范圍之間時(shí)，能夠剔除大部分的誤匹配點(diǎn)，保留更多的正確匹配點(diǎn)。

第3步，將保留下來(lái)的特征點(diǎn)對(duì)存儲(chǔ)到序列A中，并判斷該特征點(diǎn)在序列A中是否存在以下3種情況：

a．當(dāng)（Xni，Yni）＝［Xn（i＋s），Yn（i＋s）］時(shí)，（s＝1，2，…）說(shuō)明左圖中兩個(gè)及兩個(gè)以上特征點(diǎn)與右圖中一個(gè)特征點(diǎn)發(fā)生一配多現(xiàn)象，此時(shí)將這些匹配點(diǎn)對(duì)一一進(jìn)行剔除，保證精確度。

b．當(dāng)（Xmi，Ymi）＝［Xm（i＋s），Ym（i＋s）］時(shí)，（s＝1，2，…）說(shuō)明右圖中兩個(gè)及兩個(gè)以上特征點(diǎn)與左圖中一個(gè)特征點(diǎn)發(fā)生一配多現(xiàn)象，同上述步驟a進(jìn)行處理。

c．當(dāng)（Xmi，Ymi）＝［Xm（i＋s），Ym（i＋s）］且（Xni，Yni）＝［Xn（i＋s），Yn（i＋s）］時(shí)，左右特征點(diǎn)重復(fù)匹配，只剔除當(dāng)前匹配特征點(diǎn)對(duì)，保留一對(duì)匹配點(diǎn)對(duì)。

4 系統(tǒng)實(shí)現(xiàn)及實(shí)驗(yàn)

基于雙目視覺(jué)的渦輪葉片測(cè)量系統(tǒng)如圖3所示，系統(tǒng)主要由CCD攝像機(jī)、特征投射器、步進(jìn)電機(jī)和視頻采集系統(tǒng)等構(gòu)成。將雙目攝像機(jī)拍攝的圖片進(jìn)行實(shí)驗(yàn)，驗(yàn)證所提出方法的有效性。為了在無(wú)明顯特征的葉片表面能夠獲取葉片上均勻的特征點(diǎn)，針對(duì)SIFT算法對(duì)具有明顯特征區(qū)別的圖片處理效果很理想的情況下，采用的投影特征是均勻排列的文字圖片，能夠獲得更多的特征匹配點(diǎn)，有利于后期對(duì)葉片的三維重建。在圖4和圖5中，圓圈為檢測(cè)出來(lái)的特征點(diǎn)對(duì)，這些特征點(diǎn)對(duì)通過(guò)實(shí)線(xiàn)段連接，虛線(xiàn)包圍的是提取葉片表面特征點(diǎn)區(qū)域。

圖3 實(shí)驗(yàn)測(cè)試系統(tǒng)

圖4 原SIFT算法

圖5 本文算法

圖6 Harris角點(diǎn)匹配

圖4 給出原始SIFT算法的匹配結(jié)果，可見(jiàn)大量的匹配點(diǎn)被提取出來(lái)，然而，其中也存在較多的誤匹配點(diǎn)，這將影響算法的匹配精度，因此，在原算法的基礎(chǔ)上進(jìn)一步加入偽匹配點(diǎn)對(duì)剔除算法。如圖5所示，在不影響正確匹配點(diǎn)對(duì)的前提下，通過(guò)提出的窄基線(xiàn)偽匹配點(diǎn)剔除法，將大部分偽匹配、重復(fù)匹配及一對(duì)多匹配點(diǎn)對(duì)剔除，提高匹配精確度。為了進(jìn)一步驗(yàn)證方法的性能，將圖像特征檢測(cè)及匹配中常用的Harris［6］角點(diǎn)提取及匹配算法與本文提出的方法進(jìn)行試驗(yàn)對(duì)比。圖6給出Harris角點(diǎn)匹配加RANSAC提純結(jié)果，可以看出，圖6正確匹配的特征點(diǎn)對(duì)數(shù)明顯少于圖5正確匹配的特征點(diǎn)對(duì)數(shù)，且相對(duì)集中于左右兩幅圖片的中間部分。這是由于雙目視覺(jué)左右圖像在距離圖像中心越遠(yuǎn)的地方，其旋轉(zhuǎn)、光照及尺度的變化越嚴(yán)重，而Harris算子在旋轉(zhuǎn)時(shí)穩(wěn)定性、定位較差，且不具備尺度不變性，在這種情況下，SIFT特征提取匹配算法比Harris角點(diǎn)提取及匹配算法處理效果更好。為了更加直觀地顯示本文提出的改進(jìn)算法的效果，在表1中列出了3種方法的實(shí)驗(yàn)數(shù)據(jù)對(duì)比，原算法的匹配精度不及改進(jìn)算法精度，Harris匹配算法加入RANSAC提純后，雖然精度達(dá)到100%，但其匹配點(diǎn)對(duì)數(shù)量遠(yuǎn)遠(yuǎn)小于改進(jìn)算法，無(wú)法達(dá)到檢測(cè)葉片所需特征點(diǎn)數(shù)量的要求。

表1 原算法與改進(jìn)后、及Harris算法結(jié)果對(duì)比

5 結(jié)束語(yǔ)

采用基于SIFT算子的雙目視覺(jué)特征提取及匹配技術(shù)對(duì)渦輪葉片型面進(jìn)行檢測(cè)，獲取渦輪葉片的點(diǎn)云數(shù)據(jù)，實(shí)驗(yàn)表明，該方法能夠準(zhǔn)確、低成本解決渦輪葉片型面點(diǎn)云數(shù)據(jù)的提取問(wèn)題。

［1］ Lowe David G．Distinctive image features from scaleinvariant keypoints［J］．International Journal of Computer Vision，2004，60（2）：91-110．

［2］ 張春美．特征點(diǎn)提取及其在圖像匹配中的應(yīng)用研究［D］．鄭州：解放軍信息工程大學(xué)，2008．

［3］ 張東興，祝明波，鄒建武，等．基于相似三角形的SIFT錯(cuò)誤匹配點(diǎn)剔除算法研究［J］．計(jì)算機(jī)工程與科學(xué)，2012，34（4）：66-70．

［4］ 程 紅，陳文劍．基于SIFT算法的圖像匹配剔點(diǎn)方法研究［J］．地理與地理信息科學(xué)，2012，（11）：17-19．

［5］ 劉 立，彭復(fù)員，趙 坤，等．采用簡(jiǎn)化SIFT算法實(shí)現(xiàn)快速圖像匹配［J］．紅外與激光工程，2008，37（1）：181-184．

［6］ Harris C，Stephens M．A combined corner and edge detector［A］．Alvey Vision Conference［C］．1988．147-151．