基于結(jié)構(gòu)光的特征點(diǎn)提取方法研究

王鵬+趙汗青

摘要：特征提取是基于視覺定位的關(guān)鍵，只有選擇合適的特征及特征提取方法才能確保定位精度。選取結(jié)構(gòu)簡單、成本低且易實(shí)現(xiàn)的單目視覺定位技術(shù)作為研究對(duì)象，以屋頂上的結(jié)構(gòu)光點(diǎn)作為觀測數(shù)據(jù)來源。為得到耗時(shí)少、提取數(shù)目滿足定位需求的特征點(diǎn)提取算法，對(duì) Moravec、Harris、Harris-Laplace、SUSAN、DoG、FAST等6種特征點(diǎn)提取方法進(jìn)行比較，選出適合該環(huán)境下的特征點(diǎn)提取方法。實(shí)驗(yàn)表明，在提取結(jié)構(gòu)光環(huán)境下，F(xiàn)AST特征點(diǎn)提取耗時(shí)優(yōu)于其它算法，并且提取數(shù)目滿足定位所需點(diǎn)數(shù)目。

關(guān)鍵詞：特征點(diǎn)提取；單目視覺；頂視；自主移動(dòng)機(jī)器人

DOIDOI：10.11907/rjdk.172771

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）012-0026-04

Abstract：Feature extraction is the key of visual positioning， and only the selection of appropriate features and feature extraction methods can ensure the accuracy of positioning. In this paper， the technology of simple structure， low cost and easy to achieve the single vision positioning is used as the research object， and the structural spot of the roof is used as the source of observation data. In order to get less time consuming， extraction number positioning requirements of feature points extraction algorithm， this paper contrast Moravec， Harris， Harris - Laplace， SUSAN， DoG， FAST six kinds of feature point extraction method in extracting the number of structure light and time consuming， finally choose the feature point extraction method is suitable for the environment. The test proved that， in extracting the structure light environment， FAST feature point extraction time is better than other algorithms and the number of extracted points can be obtained.

Key Words：feature point extraction； monocular vision； upward-looking camera； autonomous mobile robot

0 引言

自主移動(dòng)機(jī)器人視覺定位是近年來發(fā)展起來的一種定位方法，該方法在實(shí)時(shí)數(shù)字?jǐn)z影測量、機(jī)器人運(yùn)動(dòng)導(dǎo)航、飛行器主動(dòng)視覺定位等領(lǐng)域具有重要的使用價(jià)值[1]。特征點(diǎn)是基于特征的視覺定位關(guān)鍵，影響著特征點(diǎn)匹配及相機(jī)位姿的解算。特征點(diǎn)提取的類型分為狹義特征點(diǎn)和廣義特征點(diǎn)兩種。狹義特征點(diǎn)通常指在二維方向上灰度較鄰域有明顯變化的像素點(diǎn)，包括角點(diǎn)、交叉點(diǎn)、明顯點(diǎn)和圓點(diǎn)等；而廣義特征點(diǎn)只代表滿足一定特征條件的特征區(qū)域位置，如某個(gè)特征區(qū)域的中心、重心或特征區(qū)域里任一個(gè)相對(duì)位置[2]。

1 特征點(diǎn)提取方法

1.1 Moravec特征點(diǎn)提取

1977年Moravec提出利用灰度方差提取點(diǎn)特征的概念，并且用于Stanford Cart。Moravec算子是在4個(gè)主要方向上選擇灰度方差最值（最大—最?。┳鳛橄袼氐呐d趣值。通過設(shè)定一個(gè)閾值，篩選興趣值大于閾值的像素點(diǎn)作為候選點(diǎn)。在候選點(diǎn)中選取最大值點(diǎn)作為特征點(diǎn)提取算子[3]。

Moravec算子提取步驟如下：

（1）計(jì)算各像元的興趣值IV（Interest VaIue）。在（x，y）為影響中心的w×w影像窗口內(nèi)計(jì)算4個(gè)方向的灰度差分。

1.4 SUSAN特征點(diǎn)提取

1997年牛津大學(xué)的Smith等人提出SUSAN算法，它主要用來計(jì)算圖像中的角點(diǎn)特征。SUSAN算法選用圓形模板，待檢測點(diǎn)位于圓形模板中心，該像素點(diǎn)稱為核心點(diǎn)。核心點(diǎn)的鄰域劃分為兩個(gè)區(qū)域：亮度值相似于核心點(diǎn)亮度的區(qū)域和亮度值不相似于核心點(diǎn)亮度的區(qū)域[7-8]。

SUSAN角點(diǎn)檢測算法步驟如下：

（1）將一個(gè)擁有37個(gè)像素的圓形模板放置于圖像上，在圖像上滑動(dòng)模板，計(jì)算模板內(nèi)各像素點(diǎn)和模板核的灰度差值，判斷是否屬于USAN區(qū)域。

對(duì)同一幅圖片進(jìn)行3個(gè)參數(shù)高斯濾波，而后兩兩相減（包括原尺度共4個(gè)）得到3個(gè)不同尺度下的DoG圖，求中間尺度下的DoG圖的每個(gè)像素，以及同尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18個(gè)像素點(diǎn)極值。如果所計(jì)算的像素點(diǎn)是所有相鄰像素點(diǎn)的最大值（最小值），則該點(diǎn)對(duì)應(yīng)的點(diǎn)為特征點(diǎn)。

高斯差分檢測法不僅在點(diǎn)的鄰域空間，而且在點(diǎn)的尺度空間尋找高斯差分函數(shù)極值，因此對(duì)尺度變化的圖像魯棒性很好。

1.6 FAST點(diǎn)特征提取

FAST算法是由 Edward Rosten和Tom Drummond 提出的一種簡單快速的角點(diǎn)檢測算法[10]。此算法選取角點(diǎn)的方法與 SUSAN 算法類似。以候選點(diǎn)p為圓心，半徑為R的圓上，如果存在連續(xù)并且足夠多的像素點(diǎn)灰度值，大于（小于）中心點(diǎn)灰度值的一定閾值，則該點(diǎn)選作角點(diǎn)。因?yàn)镕AST 算法只比較圓上的像素點(diǎn)灰度值，而不比較圓內(nèi)的像素點(diǎn)灰度值，因此FAST的運(yùn)算速度比 SUSAN 快。

式中：Ip代表p點(diǎn)的像素值，Ip→i代表圓周上第i個(gè)像素點(diǎn)，n是一個(gè)參數(shù)，得到的結(jié)果Sp→i有3 種取值：d代表比檢測點(diǎn)暗，s代表與檢測點(diǎn)相似，b代表比檢測點(diǎn)亮。為了加快檢測速度，可以先檢測第1和第9兩個(gè)像素點(diǎn)，如果都為相似，則不把該點(diǎn)選擇為候選點(diǎn)；而后檢測 5和 13，若以上4個(gè)值中有3個(gè)值都是暗或亮，則將此點(diǎn)作為候選點(diǎn)，繼續(xù)計(jì)算其它像素值。如果檢測的16個(gè)點(diǎn)中有至少m個(gè)連續(xù)為暗或者亮，則該點(diǎn)確定為特征點(diǎn)。通過大量文獻(xiàn)可知m為9時(shí)提取效果最佳，即FAST-9。

2 實(shí)驗(yàn)

平臺(tái)如圖1所示，左邊是自主移動(dòng)小車，右邊是利用相機(jī)獲取的帶有結(jié)構(gòu)光的圖，圖片大小是640*480。

對(duì)實(shí)驗(yàn)圖片進(jìn)行特征點(diǎn)提取。比較Moravec點(diǎn)特征提取、Harris點(diǎn)特征提取、Harris-Laplace點(diǎn)特征提取、SUSAN點(diǎn)特征提取、DoG點(diǎn)特征提取、FAST點(diǎn)特征提取。最后對(duì)比各個(gè)方法在此幅圖片中的特征點(diǎn)提取數(shù)量，以及提取所用時(shí)間。

圖2中，從左到右依次是Moravec點(diǎn)特征提取、Harris點(diǎn)特征提取、Harris-Laplace點(diǎn)特征提取；圖3中，從左到右依次為SUSAN點(diǎn)特征提取、DoG點(diǎn)特征提取、FAST點(diǎn)特征提取。

根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行分析，找出適合提取結(jié)構(gòu)光的方法。實(shí)驗(yàn)得出結(jié)論：按照提取特征點(diǎn)花費(fèi)時(shí)間排序：SUSAN>DoG>Moravec>Harris>Harris-Laplace>FAST，按照提取特征點(diǎn)數(shù)目多少排序：Moravec>Harris-Laplac>DoG=FAST>Harris>SUSAN=150。這幾種方法提出的特征點(diǎn)足夠完成特征點(diǎn)匹配、地圖初始化以及相機(jī)位姿計(jì)算任務(wù)。根據(jù)時(shí)間短數(shù)量多的原則，應(yīng)該選擇FAST作為此環(huán)境提取特征點(diǎn)的方法。

3 結(jié)語

本文通過實(shí)驗(yàn)比較了Moravec、Harris、Harris-Laplace、SUSAN、DoG、FAST六種方法提取結(jié)構(gòu)光特征點(diǎn)效果，得出FAST方法是最適合此環(huán)境的結(jié)論，為之后的特征點(diǎn)匹配及機(jī)器人位姿計(jì)算奠定了基礎(chǔ)。因?yàn)樘崛〕龅奶卣鼽c(diǎn)數(shù)目多，本文只對(duì)特征點(diǎn)進(jìn)行了初步分析，未能制定更加全面的篩選策略。由于編程的原因，提取特征點(diǎn)未能達(dá)到實(shí)時(shí)處理，未來需進(jìn)一步研究。

參考文獻(xiàn)：

[1] 王鑫.基于單目視覺的目標(biāo)物定位算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

[2] 張純美.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] 曾凡永，顧愛輝.幾種特征點(diǎn)提取算子的分析和比較[J].現(xiàn)代測繪，2015（5）：15-18.

[4] 張凱南，楊志強(qiáng).基于低空攝影測量影像的特征點(diǎn)提取算子比較研究[J].地理信息科學(xué)：2017（5）：30-35.

[5] 李偉生，王衛(wèi)星，羅代建.用Harris-Laplace特征進(jìn)行遙感圖像配準(zhǔn)[J].四川大學(xué)學(xué)報(bào)：工程科學(xué)版，2011，43（4）：89-95.

[6] LINDEBERG.Scale-space for discrete signals[J].IEEE Transactions，PAMI， 1980（207）：187-217.

[7] SMITH S M，BRADY J M. SUSAN-a new approach to low level image processing[J]. International Journal of Computer Vision， 1997，23（1）：45-78.

[8] 王巍，趙紅蕊.面向影像匹配的SUSAN角點(diǎn)檢測[J].遙感學(xué)報(bào)，2011，15（5）：940-956.

[9] 于鵬鵬. 基于感知特征的圖像認(rèn)證技術(shù)的研究[D].哈爾濱：哈爾濱理工大學(xué)，2013.

[10] ROSTEN E，BREMNER D，ERICKSON J，et al. Output-sensitive algorithms for computing computational nearest-neighbor decision boundaries[J]. Discrete and Geometry，2005，33（4）：539-604.

（責(zé)任編輯：杜能鋼）