機(jī)器人立體視覺中立體匹配的研究

吳玲 朱寶忠

摘 要：文章結(jié)合特征點提取經(jīng)典的Harris算子與Forstner算子，給出了Harris的改進(jìn)算法；結(jié)合特征點的雙向匹配算法，對基于區(qū)域的匹配算法有所改進(jìn)，依據(jù)歸一化互相關(guān)算法（NCC）計算相關(guān)灰度值來判斷是否互為匹配點。

關(guān)鍵詞：特征提取；特征點；匹配算法；灰度值

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-8937（2015）24-0083-02

1 特征提取

特征提取的目的是為了獲取立體匹配時的圖像特征，這些特征有點、線和區(qū)域等，這些提取特征的準(zhǔn)確性對圖像匹配的成功性有著直接的影響，因此，特征提取也是不容忽視的一個階段。本文基于Harris算子簡單、均勻及穩(wěn)定的優(yōu)勢，考慮其只能定位單個像素的不足，結(jié)合Forstner算子對其作了一些改進(jìn)。

2 Harris算子

2.1 Harris算子方法

Harris算子是一類典型的基于點特征的提取算子，它是由C.Harris和M.Stephens提出的為了簡化運算，用一階導(dǎo)數(shù)近似取代二階導(dǎo)數(shù)的一種算法，而且提取到的特征點其準(zhǔn)確性較高。圖像的角點在水平和垂直方向上的導(dǎo)數(shù)值比較大，如果某一點是角點，則當(dāng)該點向任意方向僅有一點點很小的偏移，都會引起圖像灰度很大的變化。

2.2 Harris算子理念

Harris算子的理念是給出自相關(guān)矩陣，矩陣的特征值是通過計算圖像像素點的相關(guān)函數(shù)的曲率構(gòu)成，兩個曲率都比較大的像素點則為角點。Harris算子的運算只用到灰度圖像的一階導(dǎo)數(shù)，因此該算子較簡單且穩(wěn)定。

3 Forstner算子

Forstner算子的基本思想是：選取圖像上大小的窗口，并用Roberts算子對其進(jìn)行濾波處理，確定最佳窗口并在包含每個像元的（影像單元，是數(shù)字化影像的最小組成單元）最佳窗口內(nèi)加權(quán)中心化操作，從而確定特征點的坐標(biāo)。Forstner算子的計算公式為：

Q=N-1=

（1）

其中，、為選定的大小的圖像窗口中每個像素點的Roberts梯度值。通過每個窗口的興趣值q、w，分別對應(yīng)選定閾值T9（0.5～0.75）與Tw（（0.5～1.5）x，其中，—為w的平均值，若某像

元同時滿足-兩個條件時，則該像元確定為特征點。

4 Harris算子的改進(jìn)算法

結(jié)合這兩種算法的優(yōu)點，克服其不足，對Harris算法進(jìn)行改進(jìn)，以提高提取點特征的最終效果，以便后期更成功地實現(xiàn)匹配。改進(jìn)的具體思想為：由于Harris算子的運算只涉及一階導(dǎo)數(shù)，不涉及閾值，首先，用其提取出一些特征點，可見這些特征點可以反映局部區(qū)域內(nèi)最優(yōu)特征，每個特征點都是一個像素點；然后，用提取出來的特征點來更加快速地確定Forstner的最佳窗口，用其作為最佳窗口的中心點，再在窗口實施加權(quán)中心化，以進(jìn)一步提高特征點的精度，更加精確地給出特征點的坐標(biāo)。

5 改進(jìn)的雙向匹配算法

在匹配過程中，采用歸一化互相關(guān)函數(shù)（NCC，Normalized Cross-Correlation）來描述窗口間的像素灰度相似性。設(shè)定（u，v）為圖像中某一點的像素坐標(biāo)，該像素點在左、右圖像中的灰度值分別為I1（u，v）和I2（u，v），所選擇灰度分布窗口的模板大小為M（m×n），d表示視差，即待匹配點P1與P2在I1可能匹配點P1之間的間距，則有：

NCC（u，v，d）=

× （2）

[圖1 匹配的原圖像對]

在這里歸一化互相關(guān)函數(shù)是用來比較兩個窗口像素灰度的相似性，其NCC值越接近于1，則表示這兩個窗口就越相似，求相似性的目的是最終實現(xiàn)匹配。

6 匹配實驗及結(jié)果

實驗的具體過程為：首先采用改進(jìn)的Harris算法對圖像對的同一區(qū)域提取特征點，然后再利用改進(jìn)的雙向匹配算法對該區(qū)域進(jìn)行立體匹配。首先設(shè)定5×5的窗口，結(jié)合外極線約束條件，沿著水平方向在右側(cè)區(qū)域進(jìn)行搜索，采用歸一化互相關(guān)算法NCC來計算每個對應(yīng)窗口灰度相關(guān)值，根據(jù)雙向匹配算法的原理，找到灰度值最大的特征點作為匹配點，直至區(qū)域的最后一個特征點，以實現(xiàn)最終匹配。匹配的原圖像對如圖1所示，匹配最終得到的深度圖，如圖2所示。