SIFT算法在ETC超限檢測(cè)中的研究與應(yīng)用

嚴(yán)敏

摘要：該課題的研究背景是貨車在ETC通道處的三維尺寸（長(zhǎng)、寬、高）檢測(cè)，期望通過計(jì)算機(jī)視覺技術(shù)，以二維圖像獲得實(shí)際場(chǎng)景的深度信息，實(shí)現(xiàn)貨車的三維重建。其中立體匹配算法一直是立體視覺技術(shù)研究的基礎(chǔ)、核心和難點(diǎn)。該文以SIFT算法為研究對(duì)象，首先簡(jiǎn)單介紹了SIFT算法；然后提出了一種基于SIFT的區(qū)域增長(zhǎng)算法；最后對(duì)改進(jìn)算法進(jìn)行了仿真實(shí)驗(yàn)。

關(guān)鍵詞：ETC超限檢測(cè)；計(jì)算機(jī)視覺；SIFT；區(qū)域增長(zhǎng)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）08-0178-02

1引言

由于經(jīng)濟(jì)的快速發(fā)展和激烈的同行競(jìng)爭(zhēng)，出現(xiàn)了許多為了賺取更多的利益而私自改裝的貨車，這些貨車通過改裝可達(dá)到運(yùn)輸更多貨物的目的，超限問題層出不窮，致使超限引發(fā)的事故頻發(fā)，因此迫切需要一種高效高精度的超限檢測(cè)手段。

本課題以此為背景，將計(jì)算機(jī)視覺技術(shù)應(yīng)用于檢測(cè)中。高效的特征檢測(cè)和可靠的特征匹配是計(jì)算機(jī)視覺的兩個(gè)基本要素，許多文獻(xiàn)中研究了特征檢測(cè)的方法。除了經(jīng)典的Moravec檢測(cè)、Harris角點(diǎn)檢測(cè)，近年來還提出了尺度不變特征變換（SIFT），速度導(dǎo)出問題特征（SURF），二進(jìn)制魯棒獨(dú)立初等特征（BRIEF）等方法。其中SIFT算法對(duì)于尺度變換、旋轉(zhuǎn)變換以及光照變化都有較好的抵抗能力，極大程度克服了環(huán)境因素帶來的影響，被認(rèn)為是最常用、最穩(wěn)健的方法之一，因此，SIFT算法被廣泛應(yīng)用于移動(dòng)車輛的即時(shí)定位與地圖構(gòu)建（SLAM）、全景圖像拼接、立體視覺等方面。

SIFT算法雖然具有很多優(yōu)點(diǎn)，但是其程序復(fù)雜，運(yùn)行所耗費(fèi)的時(shí)間較多，且由于它是一種基于特征的匹配算法，得到的匹配點(diǎn)對(duì)數(shù)量較少，無法滿足課題需求。因此本文提出一種基于SIFT的區(qū)域增長(zhǎng)改進(jìn)算法，該算法可產(chǎn)生較多的匹配點(diǎn)，以生成較為稠密的視差圖，便于今后的三維重建工作。

2基于SIFT的區(qū)域增長(zhǎng)算法

尺度不變特征轉(zhuǎn)換（Scale-invariant feature transform或SIFT）是一種電腦視覺的算法，用來偵測(cè)與描述影像中的局部性特征，它在空間尺度中尋找極值點(diǎn)，并提取出其位置、尺度、旋轉(zhuǎn)不變量，算法可細(xì)化為四個(gè)部分：尺度空間極值檢測(cè)、精確關(guān)鍵點(diǎn)定位、關(guān)鍵點(diǎn)的主方向分配和關(guān)鍵點(diǎn)描述。傳統(tǒng)SIFT算法存在特征點(diǎn)較少的問題，為了得到較多的匹配點(diǎn)對(duì)，本文在SIFT算法的基礎(chǔ)上，提出了一種基于SIFT的區(qū)域增長(zhǎng)算法，以由SIFT算法得到的較為精確的關(guān)鍵點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，使匹配點(diǎn)盡可能覆蓋整個(gè)圖像。

為了提高匹配的精度，首先需要對(duì)圖像對(duì)進(jìn)行預(yù)處理，增強(qiáng)細(xì)節(jié)特征。運(yùn)用SIFT算法對(duì)圖像對(duì)進(jìn)行初始匹配，得到少量較高精度的初始匹配點(diǎn)設(shè)為種子點(diǎn)，對(duì)于某個(gè)種子點(diǎn)鄰域內(nèi)的點(diǎn)，在另一幅圖對(duì)應(yīng)的匹配點(diǎn)鄰域內(nèi)進(jìn)行搜尋，確認(rèn)兩者匹配關(guān)系的判斷依據(jù)是灰度相似性，使用歸一化相關(guān)系數(shù)NCC來比較灰度相似性，該系數(shù)具有較強(qiáng)的穩(wěn)定性，不容易受到圖像像素灰度值的線性變化的影響。NCC是在某一區(qū)域內(nèi)進(jìn)行定義的，這個(gè)區(qū)域把它稱之為模板窗口M，我們把像素（io，jo）處的NCC定義為：

具體實(shí)現(xiàn)如下：

（1）定義兩個(gè)數(shù)據(jù)結(jié)構(gòu)M、N，由SIFT算法得到的初始匹配點(diǎn)存放于M中；

（2）對(duì)M中的匹配點(diǎn)進(jìn)行精度計(jì)算，將精度低于某閾值（0.8）的匹配點(diǎn)舍棄，剩余匹配點(diǎn)根據(jù)NCC值進(jìn)行排序并按順序存入N中，得到初始種子點(diǎn)庫；

（3）按精度取出N中種子點(diǎn)，在原始圖像和目標(biāo)圖像中確定種子點(diǎn)領(lǐng)域A，a；

（4）對(duì)領(lǐng)域A內(nèi)某點(diǎn)，若存在于M，則跳過；若不存在與M，判斷其NCC值：若小于某閾值（0.5），則丟棄；若NCC值在設(shè)定閾值之間，則存入M；若NCC值大于某閾值（0.8），則存入N。

（5）判斷N內(nèi)種子點(diǎn)數(shù)，若不為0，則繼續(xù)進(jìn)行步驟3～5；若為0，跳出循環(huán)。

最終M中存儲(chǔ)的就是得到的所有匹配點(diǎn)，算法流程圖如下示。

3實(shí)驗(yàn)仿真

以Venus標(biāo)準(zhǔn)圖為例，通過SIFT算法提取得到的匹配點(diǎn)，把它們作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，這樣就可以從左右視圖上得到更多的且較為準(zhǔn)確的匹配點(diǎn)對(duì)，根據(jù)兩幅圖所得到的對(duì)應(yīng)的匹配點(diǎn)，就可以計(jì)算出視差圖。

可以看出，改進(jìn)的SIFT區(qū)域增長(zhǎng)算法的精度基本上是可以得到保證的，但紋理復(fù)雜，細(xì)節(jié)變換較多的地方，由于提取的匹配點(diǎn)比較多，誤匹配率會(huì)增大?？紤]到改進(jìn)算法是應(yīng)用于貨車超限檢測(cè)的，貨車本身存在紋理復(fù)雜的區(qū)域較少，所以改進(jìn)算法滿足本課題的研究需求。

4總結(jié)

課題在研究傳統(tǒng)SIFT算法的基礎(chǔ)上，針對(duì)傳統(tǒng)算法提取匹配點(diǎn)較少的問題，提出了基于SIFT的區(qū)域增長(zhǎng)算法，以SIFT算法提取的匹配點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，由于種子點(diǎn)的精度較高且具有良好的抵抗外界干擾的能力，所以使進(jìn)行增長(zhǎng)后得到的最終匹配點(diǎn)精度得到了保證，可以形成效果良好的視差圖，有利于之后的貨車三維重建。然而傳統(tǒng)算法和改進(jìn)算法都存在運(yùn)算復(fù)雜的問題，難以滿足課題實(shí)時(shí)性的需求，需要進(jìn)行進(jìn)一步研究。