基于標(biāo)記點(diǎn)的機(jī)器人抓取目標(biāo)期望點(diǎn)動(dòng)態(tài)匹配*

張?zhí)煲鎻?磊*李紅兵王旭光宗 澤

(1.南通大學(xué)機(jī)械工程學(xué)院，江蘇 南通 226019；2.上海交通大學(xué)儀器科學(xué)與工程系，上海 200240)

在機(jī)器人對(duì)目標(biāo)物抓取過(guò)程中，由于目標(biāo)物不是一個(gè)點(diǎn)，而是有具體形狀的物體，因此我們需要根據(jù)場(chǎng)景需求在目標(biāo)物上設(shè)定一個(gè)或若干個(gè)期望跟蹤的點(diǎn)(以下簡(jiǎn)稱(chēng)期望點(diǎn))，便于對(duì)目標(biāo)物輪廓或位置信息的簡(jiǎn)化描述，期望點(diǎn)一般選取物體的重心點(diǎn)。然而要通過(guò)提取的特征點(diǎn)坐標(biāo)計(jì)算出物體期望點(diǎn)，這就要求對(duì)目標(biāo)物提取的特征點(diǎn)始終在目標(biāo)物已知的某一固定位置，而事實(shí)上只有對(duì)一些諸如長(zhǎng)方體、梯形等形狀標(biāo)準(zhǔn)的目標(biāo)物，借助它們天然固定的角點(diǎn)特征才能根據(jù)目標(biāo)物本身的幾何特征計(jì)算出目標(biāo)物上的期望點(diǎn)坐標(biāo)，而對(duì)于一些非標(biāo)準(zhǔn)形狀的物體，難以計(jì)算期望點(diǎn)坐標(biāo)。

特征點(diǎn)是指圖像中的邊緣、紋理、角點(diǎn)等潛在興趣點(diǎn)，常見(jiàn)的Speeded-Up Robust Features[1]、Small Univalue Segment Assimilating Nucleus[2]、Difference of Gaussians[3]、Hessian-Laplace[4]等算法均能檢測(cè)出圖像中的有效特征點(diǎn)，并各有各自的優(yōu)勢(shì)場(chǎng)景。Harris 角點(diǎn)檢測(cè)算法[5]因其運(yùn)行速度快、計(jì)算簡(jiǎn)單、角點(diǎn)檢測(cè)穩(wěn)定高效的優(yōu)點(diǎn)而被廣泛應(yīng)用。 此算法是利用特定窗口的滑動(dòng)而引起灰度值變化的方式找出圖像中的興趣點(diǎn)，然后再利用響應(yīng)函數(shù)檢測(cè)出圖像中的角點(diǎn)，具有較高的實(shí)用性。

特征點(diǎn)匹配是指在兩幀圖像內(nèi)找到特征點(diǎn)集之間的映射和對(duì)應(yīng)關(guān)系，其廣泛應(yīng)用于圖像匹配、三維成像等領(lǐng)域[6-9]。 特征點(diǎn)匹配不局限于尋找角點(diǎn)，可以對(duì)任意形狀的目標(biāo)物進(jìn)行特征點(diǎn)檢測(cè)匹配，這其中較為成功的有SIFT(scale invariant featuretransform)[10]算 子 和 SURF ( speeded UpRobust features)[11]算子，然而這兩種特征提取算法復(fù)雜且耗時(shí)，難以滿(mǎn)足視頻序列的實(shí)時(shí)性需求，而且由于提取的特征點(diǎn)無(wú)法預(yù)知，因此不具備顯著性，難以計(jì)算出目標(biāo)物上期望點(diǎn)。 特征檢測(cè)[12]與運(yùn)動(dòng)跟蹤[13]是基于連續(xù)圖像的運(yùn)動(dòng)結(jié)構(gòu)重建的核心研究?jī)?nèi)容。 運(yùn)動(dòng)目標(biāo)追蹤是指根據(jù)追蹤目標(biāo)物的先驗(yàn)信息預(yù)估其在下一幀圖像中的位置信息，較為常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法有幀間差分法[14]，光流法[15]，背景減除法[16]。 GIBSON 等提出了光流[17]的概念:空間運(yùn)動(dòng)的物體在二維圖像序列中產(chǎn)生像素運(yùn)動(dòng)的瞬時(shí)速度即為光流。 Lucas 等[18]根據(jù)光流法研究出了L-K(lucas-kanade)光流算法，其追蹤對(duì)象通常是多個(gè)具有明顯特征的點(diǎn)，優(yōu)勢(shì)在于跟蹤相對(duì)穩(wěn)定，且因其計(jì)算量小而具有較高的實(shí)時(shí)性，但其基于灰度不變性的條件使得該方法在光線干擾環(huán)境下表現(xiàn)出較差魯棒性；Horn 等[19]研究出H-S(horn-schunck)光流算法，其屬于稠密光流的范疇，其對(duì)圖像中的某一區(qū)域進(jìn)行逐像素匹配后，再計(jì)算區(qū)域內(nèi)所有像素點(diǎn)的偏移量以形成稠密光流場(chǎng)，這種算法雖然跟蹤精度較高，但其計(jì)算耗時(shí)長(zhǎng)，難以滿(mǎn)足實(shí)時(shí)性要求。

為了提高動(dòng)態(tài)匹配的準(zhǔn)確率，實(shí)現(xiàn)對(duì)目標(biāo)物期望點(diǎn)的動(dòng)態(tài)匹配，本文提出一種基于標(biāo)記點(diǎn)的匹配方法。 通過(guò)貼標(biāo)簽的形式在目標(biāo)物期望點(diǎn)附近貼上按一定規(guī)律分布的標(biāo)記點(diǎn)，目標(biāo)物上標(biāo)記點(diǎn)位置已知且固定，可以通過(guò)該標(biāo)記點(diǎn)計(jì)算目標(biāo)物的期望點(diǎn)，從而解決了非標(biāo)準(zhǔn)形狀的目標(biāo)物期望點(diǎn)定位難的問(wèn)題。 本文還引入了深度學(xué)習(xí)網(wǎng)絡(luò)YOLOv3 限制特征點(diǎn)的提取范圍，相較于全局提取大大減少了提取和篩選耗時(shí)。 本文提取兩幀中標(biāo)記點(diǎn)上的特征點(diǎn)群進(jìn)行匹配得到這兩幀中標(biāo)記點(diǎn)的對(duì)應(yīng)關(guān)系，少量特征點(diǎn)匹配失敗不影響最終匹配結(jié)果，因此不僅提高了匹配過(guò)程的魯棒性，還避免了為提高特征點(diǎn)匹配精度的復(fù)雜描述運(yùn)算。

1 基于YOLOv3 標(biāo)記點(diǎn)框選

在標(biāo)記點(diǎn)匹配過(guò)程中，首先要確定各標(biāo)記點(diǎn)的提取區(qū)域，該步驟不僅可以避免對(duì)標(biāo)記點(diǎn)的全局搜索以極大地減少運(yùn)算時(shí)間，還將特征點(diǎn)限制在標(biāo)記點(diǎn)附近，避免了環(huán)境點(diǎn)的干擾。

YOLOv3 采用新Darknet-53 網(wǎng)絡(luò)結(jié)構(gòu)，借鑒殘差網(wǎng)絡(luò)塊構(gòu)成的全卷積網(wǎng)絡(luò)作為骨干架構(gòu)，在層與層之間設(shè)置快捷鏈路，以形成更深的網(wǎng)絡(luò)層次[20]。利用多尺度特征進(jìn)行目標(biāo)檢測(cè)，以提升小目標(biāo)檢測(cè)的精度。 同時(shí)采用多標(biāo)簽的Logistic 取代了Softmax單標(biāo)簽方式，減少了檢測(cè)目標(biāo)的重疊情況。 YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)模型見(jiàn)圖1 所示。

圖1 YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)模型

網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集如圖2 所示，由于本系統(tǒng)中，YOLOv3 的作用僅僅是為了定位網(wǎng)格，故數(shù)據(jù)集為1，所有樣本為正樣本。

圖2 數(shù)據(jù)集部分圖片

用訓(xùn)練好的YOLOv3 檢測(cè)器對(duì)一個(gè)時(shí)長(zhǎng)30 s，20 幀/s，尺寸640×480 像素的視頻進(jìn)行測(cè)試。 截取部分幀標(biāo)記點(diǎn)檢測(cè)效果見(jiàn)圖3 所示。

圖3 標(biāo)記點(diǎn)檢測(cè)效果

測(cè)試集視頻共導(dǎo)出600 張圖片。 由于只考慮部分遮擋的標(biāo)記點(diǎn)目標(biāo)檢測(cè)，未對(duì)遮擋超過(guò)20%的標(biāo)記點(diǎn)目標(biāo)進(jìn)行大量訓(xùn)練，所以將遮擋超過(guò)50%的標(biāo)記點(diǎn)目標(biāo)認(rèn)為是無(wú)效目標(biāo)，檢測(cè)結(jié)果統(tǒng)計(jì)見(jiàn)表1 所示。

表1 YOLOv3 檢測(cè)器檢測(cè)結(jié)果

2 基于特征點(diǎn)匹配標(biāo)記點(diǎn)跟蹤

將訓(xùn)練好的YOLOv3 檢測(cè)器用于各種情況下的標(biāo)記點(diǎn)目標(biāo)檢測(cè)，根據(jù)YOLOv3 檢測(cè)器檢測(cè)的結(jié)果，對(duì)檢測(cè)出的標(biāo)記點(diǎn)目標(biāo)進(jìn)行特征點(diǎn)提取與描述，然后將前后兩幀中的標(biāo)記點(diǎn)目標(biāo)進(jìn)行特征點(diǎn)匹配以達(dá)到多目標(biāo)跟蹤的目的。 如果當(dāng)前幀檢測(cè)到的目標(biāo)無(wú)法與上一幀中目標(biāo)匹配，則判定此目標(biāo)為新目標(biāo)，在下一幀中繼續(xù)進(jìn)行檢測(cè)跟蹤，直到無(wú)可匹配目標(biāo)為止。 該多目標(biāo)跟蹤算法總流程見(jiàn)圖4。

圖4 標(biāo)記點(diǎn)跟蹤算法流程圖

2.1 基于FAST 檢測(cè)算法的特征點(diǎn)提取

相較于SIFT 以及SURF 角點(diǎn)提取算法，F(xiàn)AST角點(diǎn)提取算法僅僅是比較像素間的亮度差異，所以檢測(cè)速度非常快。

如圖5 所示，算法在局部窗口內(nèi)以待提取特征像素點(diǎn)p為圓心，3 像素為半徑取16 個(gè)像素點(diǎn)(p1，p2，…，p16)分別與中心點(diǎn)像素p進(jìn)行差值比較。

圖5 FAST 特征點(diǎn)

式中:I(q)表示圓上像素點(diǎn)，I(p)為中心點(diǎn)像素值，εd為設(shè)定的閾值，circle(p)為圓周上所有像素點(diǎn)合集。 根據(jù)設(shè)定的閾值εd，記pi與中心p像素差的絕對(duì)值為Δpi，則特征點(diǎn)必須順序滿(mǎn)足下面3 個(gè)條件，否則將被舍棄。

①i＝1、9 時(shí)，Δpi＞εd；

②i＝1、5、9、13 時(shí)，存在至少3 個(gè)i使得Δpi＞εd；

③i＝1、2、…、16 時(shí)，存在至少9 個(gè)i使得Δpi＞εd。

由于FAST 檢測(cè)算法僅僅比較像素間的亮度差異，這勢(shì)必造成檢測(cè)的特征點(diǎn)數(shù)量很多且不確定。而本文方法需要將特征點(diǎn)匹配結(jié)果作為標(biāo)記點(diǎn)的相似度描述，故要求各標(biāo)記點(diǎn)提取的特征點(diǎn)數(shù)量相同且固定，故對(duì)原始FAST 角點(diǎn)分別計(jì)算Harris 響應(yīng)值。

當(dāng)局部窗口中任意一像素點(diǎn)(x，y)相關(guān)平移(u，v)后產(chǎn)生的灰度變化滿(mǎn)足如下公式:

式中:I(x+u，y+v)為平移后的圖像灰度，I(x，y)為圖像灰度。

對(duì)于微小移動(dòng)，可將I(x+u，y+v)按泰勒一階展開(kāi)并代入式并化簡(jiǎn)后得:

式中:E的取值取決于二階自相關(guān)矩陣M，記M的兩個(gè)特征值為λ1，λ2。

式(5)中R為角點(diǎn)響應(yīng)函數(shù)，k是常量。

最后選取前N 個(gè)具有最大響應(yīng)值的特征點(diǎn)作為待匹配特征點(diǎn)合集。

2.2 基于BRISK 算法的特征點(diǎn)匹配

在得到特征點(diǎn)之后，選擇魯棒性表現(xiàn)較好的BRISK 算法計(jì)算特征點(diǎn)的描述子，并利用PROSAC算法比較各幀間的描述子，將特征點(diǎn)逐幀進(jìn)行匹配。

首先利用圖像金字塔對(duì)原圖像進(jìn)行多尺度表達(dá)，如圖6 所示，構(gòu)造n個(gè)octave 層(用Ai表示)和n個(gè)intra-octave 層(用Bi表示)，n＝4，i＝{0，1…n-1}。 假設(shè)圖像I的A0層為原圖像，B1層通過(guò)對(duì)c0層的2 倍下采樣生成，A2層通過(guò)對(duì)A1層2 倍采樣下生成，依次類(lèi)推產(chǎn)生octave 層。 而B(niǎo)0層通過(guò)對(duì)圖像I的1.5 倍采樣下生成，B1層通過(guò)對(duì)B0層的2 倍下采樣生成，B2層通過(guò)對(duì)d1層的2 倍采樣下生成，依次類(lèi)推產(chǎn)生intra-octave 層。

圖6 尺度空間特征點(diǎn)檢測(cè)

然后對(duì)每層圖像進(jìn)行空間上的NMS(Non-Maximum Suppression):特征點(diǎn)在尺度空間(上下層2×9個(gè)點(diǎn))和位置空間(8 個(gè)鄰域點(diǎn))，共26 個(gè)領(lǐng)域點(diǎn)的FAST 得分值要最大，否則舍棄。

對(duì)極值點(diǎn)所在層以及上下相鄰兩層中極值點(diǎn)所對(duì)應(yīng)像素點(diǎn)的FAST 分值作二維二次函數(shù)插值，得到極值點(diǎn)的坐標(biāo)位置，并在尺度方向進(jìn)行一維插值，得到極值點(diǎn)所對(duì)應(yīng)的特征尺度。

以特征點(diǎn)為圓心作不同半徑的同心圓進(jìn)行采樣，且同一圓上采樣點(diǎn)的間距相等，并對(duì)所有采樣點(diǎn)進(jìn)行高斯濾波。 高斯濾波的中心為采樣點(diǎn)，方差設(shè)置為δ，濾波半徑與高斯方差成正比，最終使用的M個(gè)(M一般設(shè)為60)采樣點(diǎn)是經(jīng)過(guò)高斯平滑后的采樣點(diǎn)。 采樣點(diǎn)兩兩一對(duì)，所有組合方式通過(guò)下面的集合表示:

用I(pi，σi)、I(pj，σj)表示不同采樣點(diǎn)對(duì)在不同尺度的像素灰度值，σ表示尺度，g(pi，pj)表示局部梯度集合，則有:

短距離點(diǎn)對(duì)和長(zhǎng)距離點(diǎn)對(duì)的定義:

計(jì)算特征點(diǎn)的主方向:

旋轉(zhuǎn)特征點(diǎn)周?chē)牟蓸訁^(qū)域至主方向，對(duì)新的采樣區(qū)域進(jìn)行采樣。 BRISK 算法獲得是二進(jìn)制描述子，上述過(guò)程得到的長(zhǎng)、短距離子集，考慮其中短距離子集的512 個(gè)短距離點(diǎn)對(duì)，進(jìn)行二進(jìn)制編碼:

式中:I(，σj)的上標(biāo)經(jīng)過(guò)α度旋轉(zhuǎn)之后得到的新的采樣點(diǎn)，從而得到512 bit 的二進(jìn)制編碼即特征點(diǎn)的描述符。 獲得的特征點(diǎn)的述子為:

比較不同特征點(diǎn)描述子的漢明距離(hamdist):

漢明距離越短，相似度越高。

根據(jù)2.1 節(jié)可設(shè)置每個(gè)標(biāo)記點(diǎn)采集的特征點(diǎn)數(shù)量為N＝7，再根據(jù)描述子匹配后，匹配效果如圖7所示。

圖7 BRISK 特征點(diǎn)匹配效果

2.3 基于特征點(diǎn)匹配結(jié)果的標(biāo)記點(diǎn)匹配

常規(guī)的特征點(diǎn)匹配方法受到環(huán)境影響，難免出現(xiàn)無(wú)效匹配或誤匹配的情況，從而影響整體匹配精度，針對(duì)這一弊端，本文將特征點(diǎn)匹配的結(jié)果僅作為標(biāo)記點(diǎn)匹配的相似度描述，通過(guò)限制相似閾值，增強(qiáng)了匹配的魯棒性。

記第一幀中第i個(gè)標(biāo)記點(diǎn)為Q1i，第二幀中第j個(gè)標(biāo)記點(diǎn)為Q2j。 以標(biāo)記點(diǎn)總數(shù)為3 的標(biāo)簽為例，即i＝1，2，3；j＝1，2，3(如圖8 所示)。 基于2.2 節(jié)特征點(diǎn)匹配結(jié)果，存在9 種標(biāo)記點(diǎn)匹配的情況{Q1i＝Q2j}，每種匹配情況正確匹配的概率為:

圖8 特征點(diǎn)匹配結(jié)果

式中:nQ1i，Q2j表示Q1i標(biāo)記點(diǎn)與Q2j標(biāo)記點(diǎn)上成功匹配的特征點(diǎn)數(shù)，N為標(biāo)記點(diǎn)上采集的特征點(diǎn)總數(shù)。

設(shè)定閾值ε，當(dāng)滿(mǎn)足以下兩個(gè)條件:

該匹配狀態(tài)下的概率最大，即:

該匹配狀態(tài)下的概率大于設(shè)定閾值ε，即:

則認(rèn)為該概率下的匹配情況為正確的標(biāo)記點(diǎn)匹配關(guān)系。

3 最小二乘法擬合橢圓中心

由于圓形標(biāo)記點(diǎn)在移動(dòng)過(guò)程中受拍攝角度影響，常常發(fā)生徑向畸變，此時(shí)再用圓形擬合，表現(xiàn)出的誤差會(huì)比較大。 而圓也可以看做是一種特殊的橢圓，因此本文通過(guò)最小二乘法擬合橢圓求出橢圓中心位置代替標(biāo)記點(diǎn)中心位置C。

如圖9 所示，首先對(duì)當(dāng)前幀建立坐標(biāo)系uov，然后在YOLOv3 跟蹤的局部窗口內(nèi)，將過(guò)濾后且成功匹配的特征點(diǎn)p1，p2…pN作為擬合橢圓的數(shù)據(jù)集合{P(u，v)}。

圖9 標(biāo)記點(diǎn)坐標(biāo)系

假設(shè)橢圓中心坐標(biāo)為(u0，v0)，半長(zhǎng)軸為a，半短軸為b，長(zhǎng)軸偏角為θ，并建立橢圓方程通式:

其中

將測(cè)得的數(shù)據(jù)集合{P(u，v)}，代入求目標(biāo)函數(shù)F({P(u，v)})求最小值。

令F({P(u，v)})各項(xiàng)偏導(dǎo)數(shù)為零得:

求解該線性方程組解出A、B、C、D、E，即可求出擬合橢圓方程，進(jìn)而解出擬合的中心位置C，并通過(guò)標(biāo)記點(diǎn)匹配關(guān)系得到橢圓中心的匹配關(guān)系如圖10所示。 由于標(biāo)記點(diǎn)與期望點(diǎn)的幾何關(guān)系已知，最后可通過(guò)標(biāo)記點(diǎn)解出每一幀的期望點(diǎn)。

圖10 標(biāo)記點(diǎn)中心匹配效果

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)基本條件設(shè)置

本文實(shí)驗(yàn)的軟件運(yùn)行環(huán)境為Visual Studio 2017+OPENCV，操作系統(tǒng)為Windows10 專(zhuān)業(yè)版。 硬件環(huán)境為ALIENWARE M17 筆記本電腦，CPU 型號(hào)為i7-9750H，顯卡型號(hào)為NVIDIA GeForce GTX 1660 Ti。

4.2 標(biāo)記點(diǎn)匹配準(zhǔn)確率實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證本文方法的優(yōu)越性，以金屬柱體、塑料筆筒、長(zhǎng)方體木塊、T 型木塊、筆袋、錘子、鼠標(biāo)、透明礦泉水瓶、鴨蛋為目標(biāo)物(如圖11 所示)，分別在背光、自然光環(huán)境下，各拍攝10 張不同角度的圖片，用本文算法與SIFT 算法、Harris-SIFT 算法、光流法做對(duì)比實(shí)驗(yàn)，即每種實(shí)驗(yàn)環(huán)境下各獲取9 組數(shù)據(jù)，每組數(shù)據(jù)包括各算法的匹配準(zhǔn)確率、耗時(shí)。 其中背光環(huán)境是在室內(nèi)無(wú)燈光環(huán)境下進(jìn)行，自然光環(huán)境是中午室外環(huán)境，且保證采集的各組目標(biāo)物數(shù)據(jù)中超過(guò)20%遮擋的標(biāo)記點(diǎn)占比均低于5%。 由于本文算法匹配的是標(biāo)記點(diǎn)，故匹配準(zhǔn)確率可視為匹配成功的標(biāo)記點(diǎn)數(shù)除以第一幀標(biāo)記點(diǎn)總數(shù)。 SIFT 匹配、Harris-SIFT 匹配、光流匹配算法的匹配準(zhǔn)確率為匹配成功的特征點(diǎn)數(shù)除以第一幀獲取的特征點(diǎn)總數(shù)。

圖11 實(shí)驗(yàn)?zāi)繕?biāo)物

匹配實(shí)驗(yàn)效果如圖12、13 所示，表3、表4 分別記錄了背光環(huán)境下以及自然光干擾環(huán)境下的匹配結(jié)果。

圖12 背光環(huán)境下匹配效果對(duì)比圖

由表3、表4 可以看出，由于SIFT 算法提取的無(wú)效特征點(diǎn)較多，最終導(dǎo)致平均匹配準(zhǔn)確率最低，兩種環(huán)境下平均匹配正確率只有30.34%和22.79%；Harris-SIFT 采用角點(diǎn)作為特征點(diǎn)并結(jié)合SIFT 算法，相對(duì)純SIFT 算法在一定程度上提高了匹配準(zhǔn)確率及耗時(shí)；光流法無(wú)論是匹配準(zhǔn)確率還是耗時(shí)方面都略?xún)?yōu)于Harris-SIFT 算法，但由于光流法是基于灰度不變假設(shè)，因此在自然光環(huán)境下受到自然光干擾后的準(zhǔn)確率只有54.46%；尤其在單一光源的照射下，且目標(biāo)物運(yùn)動(dòng)過(guò)快時(shí)，目標(biāo)物周?chē)年幱耙约氨砻娣瓷涔鈴?qiáng)弱變化都會(huì)嚴(yán)重影響最終匹配準(zhǔn)確率。 而本文算法準(zhǔn)確率達(dá)到了100%，平均耗時(shí)也只有32 ms 左右，不僅可以滿(mǎn)足在線匹配要求，而且在光線變化環(huán)境下保持較好的魯棒性。

表3 背光環(huán)境下匹配結(jié)果

表4 自然光環(huán)境下匹配結(jié)果

以陶瓷水杯為例，通過(guò)本文算法對(duì)水杯期望點(diǎn)(重心位置)進(jìn)行跟蹤，實(shí)驗(yàn)視頻序列如圖14 所示。

圖14 期望點(diǎn)跟蹤視頻序列

圖13 自然光環(huán)境下匹配效果對(duì)比圖

4.3 期望點(diǎn)定位精度實(shí)驗(yàn)

本文實(shí)驗(yàn)選取的期望點(diǎn)是目標(biāo)物重心位置點(diǎn)。相較于傳統(tǒng)特征點(diǎn)提取方法，本文算法可以對(duì)目標(biāo)物上期望點(diǎn)進(jìn)行跟蹤匹配。 為了驗(yàn)證對(duì)期望點(diǎn)的定位精度，設(shè)計(jì)了如下實(shí)驗(yàn)。

如圖15 所示，在目標(biāo)物期望點(diǎn)處貼上標(biāo)記點(diǎn)Q4作為實(shí)際期望點(diǎn)坐標(biāo)，標(biāo)記點(diǎn)Q1、Q2、Q3沿標(biāo)記點(diǎn)Q4圓周均勻分布用于計(jì)算理論期望點(diǎn)坐標(biāo)。 通過(guò)比較理論期望點(diǎn)坐標(biāo)與實(shí)際期望點(diǎn)坐標(biāo)得到期望點(diǎn)定位誤差。 實(shí)驗(yàn)分別求取Q1、Q2、Q3中心坐標(biāo)從而得到ΔQ1Q2Q3。 求取三角形兩條中線l1，l2交點(diǎn)坐標(biāo)PL并與標(biāo)記點(diǎn)Q4中心坐標(biāo)PQ作差。 定義期望點(diǎn)定位誤差為EP，則有:

圖15 標(biāo)記點(diǎn)分布圖

式中:PLx，PLy，PQy，PQy分別為交點(diǎn)坐標(biāo)PL、PQ的橫坐標(biāo)、縱坐標(biāo)。

分別在背光環(huán)境、自然光環(huán)境下對(duì)4 種貼好標(biāo)記點(diǎn)的目標(biāo)物分別采集10 組不同角度的圖片分別采用橢圓擬合與圓形擬合進(jìn)行計(jì)算，在計(jì)算過(guò)程中，每個(gè)標(biāo)記點(diǎn)上采集的特征點(diǎn)數(shù)量N分別取7、15、20、30，得到如下數(shù)據(jù)。

通過(guò)表5、表6 可知，無(wú)論是橢圓擬合還是圓形擬合，隨著特征點(diǎn)采集數(shù)量的增加，中心點(diǎn)定位精度不斷提升。 由于圓形標(biāo)記點(diǎn)在移動(dòng)過(guò)程中受拍攝角度影響，產(chǎn)生了徑向畸變，所以橢圓擬合的精度整體優(yōu)于圓形擬合。 當(dāng)特征點(diǎn)采集數(shù)量N到達(dá)20 時(shí)橢圓擬合的誤差僅有0.4 像素左右，且兩種采光環(huán)境對(duì)中心點(diǎn)精度的影響不大，因此本文算法可以達(dá)到較高精度且具有一定魯棒性。

表5 橢圓擬合在不同環(huán)境下定位精度

表6 圓形擬合在不同環(huán)境下定位精度

為進(jìn)一步驗(yàn)證分析橢圓擬合的定位精度整體優(yōu)于圓形擬合，設(shè)計(jì)了兩者的對(duì)比實(shí)驗(yàn)。

如圖16 所示，固定目標(biāo)物位置不動(dòng)，通過(guò)逐步平移和旋轉(zhuǎn)相機(jī)采集目標(biāo)物數(shù)據(jù)，采用橢圓擬合以及圓形擬合分別計(jì)算定位精度。 本次實(shí)驗(yàn)在室內(nèi)燈光環(huán)境下進(jìn)行，取N＝20，得到實(shí)驗(yàn)數(shù)據(jù)如表7、表8所示。

圖16 對(duì)比實(shí)驗(yàn)示意圖

表7 橢圓擬合在各相機(jī)位姿下的定位精度

表8 圓形擬合在各相機(jī)位姿下的定位精度

通過(guò)表7、表8 可知，在相機(jī)正對(duì)目標(biāo)物發(fā)生平移時(shí)，橢圓擬合與圓形擬合的定位精度接近，且兩者定位精度基本不受相機(jī)平移的影響。 當(dāng)相機(jī)正對(duì)目標(biāo)物發(fā)生旋轉(zhuǎn)時(shí)，由于圓形標(biāo)記點(diǎn)的成像在相機(jī)旋轉(zhuǎn)過(guò)程中，產(chǎn)生了徑向畸變，故在相機(jī)旋轉(zhuǎn)角度增大后圓形擬合的定位誤差也變大。 而相較于圓形擬合，橢圓擬合的定位誤差在旋轉(zhuǎn)過(guò)程中具有較好的魯棒性。 因此采用橢圓擬合整體定位誤差優(yōu)于圓形擬合。

5 結(jié)論

針對(duì)特征點(diǎn)匹配過(guò)程中非標(biāo)準(zhǔn)形狀目標(biāo)物提取的特征點(diǎn)具有隨機(jī)性，無(wú)法對(duì)目標(biāo)物上某一點(diǎn)持續(xù)提?。磺沂墉h(huán)境影響，特征點(diǎn)匹配準(zhǔn)確率不高等問(wèn)題，提出了一種基于標(biāo)記點(diǎn)的目標(biāo)物期望點(diǎn)動(dòng)態(tài)匹配方法。 在目標(biāo)物期望點(diǎn)附近按一定規(guī)律貼上標(biāo)記點(diǎn)。 采用深度學(xué)習(xí)Yolov3 算法進(jìn)行標(biāo)記點(diǎn)框選后用FAST 特征點(diǎn)檢測(cè)并通過(guò)Harris 響應(yīng)值選取N 個(gè)特征點(diǎn)進(jìn)行BRISK 描述后進(jìn)行匹配，特征點(diǎn)匹配結(jié)果僅作為標(biāo)記點(diǎn)的相似度描述，避免了部分特征點(diǎn)受環(huán)境影響發(fā)生誤匹配從而影響整體精度。 再通過(guò)對(duì)特征點(diǎn)進(jìn)行最小二乘法擬合橢圓，以橢圓圓心作為標(biāo)記點(diǎn)中心。 由于標(biāo)記點(diǎn)在期望點(diǎn)附近的分布規(guī)則是已知的，因此根據(jù)標(biāo)記點(diǎn)分布規(guī)則可計(jì)算出目標(biāo)物的期望點(diǎn)，根據(jù)匹配關(guān)系，可對(duì)目標(biāo)物的期望點(diǎn)進(jìn)行跟蹤，最后通過(guò)實(shí)驗(yàn)證明了該方法的可行性，在背光環(huán)境與自然光環(huán)境中無(wú)論是匹配準(zhǔn)確率還是期望點(diǎn)定位精度均表現(xiàn)出較好的魯棒性。