基于實(shí)時(shí)局部特征描述的自然路標(biāo)提取與匹配

1、基于實(shí)時(shí)局部特征描述的自然路標(biāo)提取與匹配摘 要： 針對(duì)戶外場(chǎng)景路標(biāo)匹配中所需的局部特征抽取和匹配技術(shù)進(jìn)行研究，提出了基于曲率的特征抽取和二進(jìn)制特征描述相結(jié)合的方法。算法利用基于曲率算法的特征分布較合理的特性，克服了傳統(tǒng)特征分布不均的問題，且通過二進(jìn)制描述算法解決了特征匹配的實(shí)時(shí)性問題，最后通過實(shí)驗(yàn)對(duì)比了不同算法的有效性和實(shí)時(shí)性。結(jié)果表明，該算法能夠在保證實(shí)時(shí)性的同時(shí)提取出有效的均勻特征點(diǎn)。關(guān)鍵詞： 特征匹配； 特征抽取； 路標(biāo)匹配； 曲率算法中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）15?0008?04Extraction and mat

2、ching of natural road signbased on real?time local features descriptionLIU Tianheng1， SHI Chaoxia1， WANG Yipu2（1. School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China；2. School of Computer Science and Technology， Harbin University of Science

3、 and Technology， Harbin 150080， China）Abstract： Local features extraction and matching techniques required in outdoor scene road sign matching are studied. The method in combination with curvature based feature extraction and binary feature description is proposed. The algorithm takes the advantage

4、of reasonable features distribution in curvature algorithm to overcome the problems of traditional features uneven distribution. The real?time problem of feature matching is resolved by binary description algorithm. The validity and real?time performance of different algorithms are compared by exper

5、iments. The experimental results show that the proposed algorithm can extract even features effectively while guaranteeing real?time performance.Keywords： feature matching； feature extraction； road sign matching； curvature algorithm0 引 言定位是移動(dòng)機(jī)器人最基本的功能之一，最早的定位研究成果主要是通過機(jī)器人的內(nèi)部傳感器，如碼表、慣性儀等設(shè)施實(shí)現(xiàn)定位，但由于打滑、地

6、面崎嶇不平等原因造成的誤差累積常常會(huì)導(dǎo)致定位結(jié)果不精確，不宜長(zhǎng)時(shí)間單獨(dú)導(dǎo)航。如果通過GPS定位或者利用我國(guó)的北斗導(dǎo)航系統(tǒng)定位，在有遮擋區(qū)域等信號(hào)不好的地方定位系統(tǒng)將失效，因此，人們開始逐漸采用外部傳感器來(lái)輔助定位，比如紅外和視覺傳感器。視覺傳感器因其豐富的環(huán)境信息如視覺、紋理、形狀等備受關(guān)注，而且由計(jì)算機(jī)視覺理論可知，通過視覺系統(tǒng)便可準(zhǔn)確識(shí)別出目標(biāo)并判斷出自身位姿。目前許多現(xiàn)存的方法中，大多采用人工設(shè)置路標(biāo)，然后在機(jī)器人移動(dòng)過程中對(duì)事先設(shè)定的人工路標(biāo)進(jìn)行匹配實(shí)現(xiàn)定位。但是隨著研究工作的不斷進(jìn)展，人們逐漸將移動(dòng)機(jī)器人的應(yīng)用場(chǎng)景從室內(nèi)轉(zhuǎn)到了室外，此時(shí)許多特定情況下，人工設(shè)置路標(biāo)是不現(xiàn)實(shí)的，所以自然

7、路標(biāo)就成為在戶外條件下的首選方法。所謂自然特征就是指環(huán)境中已有的、非人工設(shè)置的、能夠用以標(biāo)識(shí)不同環(huán)境場(chǎng)景的特征對(duì)象。相對(duì)于室內(nèi)大多結(jié)構(gòu)化的環(huán)境，室外復(fù)雜的非結(jié)構(gòu)化環(huán)境對(duì)移動(dòng)機(jī)器人的定位和導(dǎo)航帶來(lái)了相當(dāng)大的挑戰(zhàn)，同時(shí)，相對(duì)于室內(nèi)，室外不斷變化的光照條件和氣候環(huán)境也是研究中的一大挑戰(zhàn)?；谝曈X的自然路標(biāo)需要提取其不變點(diǎn)，之后利用特征點(diǎn)匹配的方法判斷和識(shí)別路標(biāo)，從而實(shí)現(xiàn)移動(dòng)機(jī)器人的定位。與GPS定位方法不同，基于特征的定位方法首先將原始的采樣數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的局部特征，在只需少量存儲(chǔ)空間的情況下保存豐富而精確的環(huán)境信息。這類方法通常具有較好的魯棒性，能滿足相對(duì)復(fù)雜的應(yīng)用，但在道路兩旁有植被分布時(shí)，大多

8、數(shù)特征點(diǎn)都集中于道路兩旁的樹木，而且提取的特征較為相似，這對(duì)后期的特征匹配和機(jī)器人定位帶來(lái)了較大的影響。因此，如何剔除植被對(duì)自然路標(biāo)提取的影響，將特征點(diǎn)盡可能均勻地分布到場(chǎng)景的建筑物中去，成為自然路標(biāo)提取中的一大難題 【3】。目前已有的局部特征匹配算法主要有Harris，SIFT，SURF，ORB等，SIFT（Scale?invariant Feature Transform）算法由David Lowe在1999年提出，2004年完善總結(jié)。因其具有良好的尺度旋轉(zhuǎn)不變性而受到廣泛關(guān)注，但由于其運(yùn)算速度較慢，影響了其在實(shí)時(shí)應(yīng)用中的應(yīng)用。Herbert Bay針對(duì)SIFT算法提出了改進(jìn)的SURF算法

9、，在速度上提升了一個(gè)量級(jí)，但是在一些實(shí)時(shí)應(yīng)用中此速度依舊不夠。直到2011年Willowgarage提出了ORB算法，可以滿足大多數(shù)實(shí)時(shí)性應(yīng)用。但是，ORB算法提取的特征點(diǎn)，在戶外應(yīng)用中，特征點(diǎn)分布都不夠均勻，故本文采用基于曲率的算法來(lái)實(shí)現(xiàn)較均勻的特征點(diǎn)提取。1 基于曲率的特征點(diǎn)抽取基于曲率的特征點(diǎn)抽取方法計(jì)算簡(jiǎn)單，提取出來(lái)的特征點(diǎn)具有旋轉(zhuǎn)不變性，對(duì)噪聲和亮度變化也都具有良好的魯棒性，且特征點(diǎn)分布均勻，更重要的是可以提取定量的特征點(diǎn)。該方法主要通過灰度變化來(lái)判斷是否是角點(diǎn)，當(dāng)圖像中某一點(diǎn)沿任意方向的微小偏移都會(huì)產(chǎn)生灰度的大量變化，則該點(diǎn)被認(rèn)為是角點(diǎn)。設(shè)為水平方向灰度的變化，為豎直方向的灰度變化

10、，那么角點(diǎn)就是變化都很大的點(diǎn)，而邊緣則是中只有一個(gè)變化較大的點(diǎn)。設(shè)是以為中心的一個(gè)滑塊，當(dāng)其在任意方向滑動(dòng)時(shí)，產(chǎn)生灰度變化的計(jì)算方法如下： （1）而后根據(jù)泰勒級(jí)數(shù)計(jì)算出一階到階的偏導(dǎo)數(shù)，最終可以得到一個(gè)矩陣公式： （2）再根據(jù)矩陣的特征值判斷是否為角點(diǎn)，但實(shí)際操作中一般計(jì)算出角點(diǎn)響應(yīng)值如下： （3）式中：為系數(shù)值，一般取0.040.06，通過來(lái)判斷是否為角點(diǎn)，若為對(duì)應(yīng)的鄰域的極大值就是角點(diǎn)所在位置。鄰域設(shè)置為和時(shí)基于曲率的特征點(diǎn)提取的效果圖，如圖1所示。圖1 基于曲率的特征抽取原本的基于dYLw.nET曲率的特征點(diǎn)提取算法，判斷一個(gè)點(diǎn)是否為特征點(diǎn)的依據(jù)是判斷計(jì)算出的是否在鄰域內(nèi)最大，若最大則為

11、特征點(diǎn)。而這里因?yàn)橐粋€(gè)點(diǎn)的不確定性主要取決于較小的那個(gè)特征值，若采用行列式的特征值來(lái)判斷是否為特征點(diǎn)的話，只需較小的一個(gè)特征值數(shù)值大于預(yù)先設(shè)置的閾值，則該點(diǎn)便可以被認(rèn)為是一個(gè)強(qiáng)角點(diǎn)，即此時(shí)： （4）若大于預(yù)先給定閾值即為強(qiáng)角點(diǎn)，由于該算法對(duì)發(fā)現(xiàn)特征值的要求較低，可以抽取到一些不是特別明顯的特征點(diǎn)，若實(shí)際應(yīng)用中需要特征點(diǎn)均勻分布時(shí)，適當(dāng)提高該算法的運(yùn)算鄰域，即可獲得相對(duì)其他算法而言分布更加均勻的角點(diǎn)分布圖，效果如圖2所示。圖2 改進(jìn)的曲率特征提取效果圖圖2（a）和圖2（b）分別為極大值抑制區(qū)域?yàn)楹偷那闆r，可以發(fā)現(xiàn)當(dāng)極大值抑制區(qū)擴(kuò)大為時(shí)，特征分布已相當(dāng)均勻。2 具有旋轉(zhuǎn)不變性的二進(jìn)制特征描述二進(jìn)制

12、字符串描述符，相對(duì)其他算法減少了描述符的維度，從而減少了描述和匹配的時(shí)間。該算法首先對(duì)圖像進(jìn)行高斯濾波以降低噪聲的影響，后在圖像中選擇一個(gè)局部塊大小為像素，定義一個(gè)測(cè)試如下：是形如的二維坐標(biāo)對(duì)；是所在點(diǎn)的亮度。由若干個(gè)測(cè)試的結(jié)果組成字符串： （6）式中：可以取128，256，512等，這里取512，其需要B的存儲(chǔ)空間。如何有效地選取特征點(diǎn)對(duì)接下來(lái)的運(yùn)用影響很大，經(jīng)實(shí)驗(yàn)證明，采用服從的高斯分布，特征向量具有較好的分辨率，同時(shí)采用Hamming距離代替?zhèn)鹘y(tǒng)的歐式距離判斷是否匹配，匹配時(shí)只需按位進(jìn)行異或操作，大大縮短了特征匹配的時(shí)間。BRIEF運(yùn)算簡(jiǎn)單且所占內(nèi)存較小，比較適用于一些實(shí)時(shí)應(yīng)用，但該算法

13、同樣也存在一些缺點(diǎn)：易受噪聲影響，未考慮dYLw.nET特征方向，不具備旋轉(zhuǎn)不變性，不具備尺度不變性。為了讓該算法具有旋轉(zhuǎn)不變性以減少移動(dòng)機(jī)器人在抖動(dòng)過程中畫面旋轉(zhuǎn)對(duì)匹配結(jié)果造成的影響，通過質(zhì)心算法計(jì)算出各關(guān)鍵點(diǎn)的方向，如下式所示： （7）得到特征點(diǎn)的方向?yàn)椋?（8）式中：為檢測(cè)到興趣點(diǎn)的坐標(biāo)，之后將獲得的以的尺標(biāo)將其量化。在位置上對(duì)任意個(gè)二進(jìn)制特征集，定義一個(gè)的矩陣： （9）用之前得到的校正得到其中： （10）根據(jù)得到的方向再提取描述子就具有旋轉(zhuǎn)不變性了。3 實(shí)驗(yàn)和結(jié)論本實(shí)驗(yàn)在Win7系統(tǒng)下，利用vs2010和opencv2.4.10實(shí)現(xiàn)了基于曲率算法的特征抽取與二進(jìn)制特征描述方法。實(shí)驗(yàn)硬件

14、為AMD四核的A6?3420M APU 1.5 GHz，內(nèi)存4 GB，顯卡HD 7470M 1G。由于實(shí)現(xiàn)移動(dòng)機(jī)器人定位dYLw.nET所需的特征點(diǎn)對(duì)不多，故本文所有算法對(duì)每一幅圖像檢測(cè)到的特征點(diǎn)數(shù)設(shè)置上限為200，所使用圖片采用錄制視頻中相近幀截屏獲得，各算法實(shí)驗(yàn)效果如圖3所示，實(shí)驗(yàn)數(shù)據(jù)見表1。圖3 特征匹配效果表1 各算法實(shí)驗(yàn)數(shù)據(jù)從實(shí)驗(yàn)結(jié)果來(lái)看，SIFT和SURF所獲得的特征點(diǎn)分布比較均勻，但是在速度上和其他算法相比，慢了很多，不適用于實(shí)時(shí)性應(yīng)用，速度最快的快速角點(diǎn)檢測(cè)算法檢測(cè)出的特征點(diǎn)分布較為集中，無(wú)法減少樹木等對(duì)特征匹配的影響。基于曲率的算法在算法實(shí)時(shí)性和特征均勻分布特性方面得到了很好

15、的權(quán)衡，改進(jìn)的基于曲率的特征抽取方法，由于簡(jiǎn)化了運(yùn)算過程，在處理時(shí)間上更短；在正確匹配率方面，兩種方法相差不大，相對(duì)于原算法，本文算法分布更加均勻，減少了樹木等自然路標(biāo)對(duì)特征匹配造成的影響。故本文提出的算法能滿足戶外條件下有效地提取特征點(diǎn)并進(jìn)行匹配的要求，且具有較好的實(shí)時(shí)性和魯棒性。注：本文通訊作者為石朝俠。參考文獻(xiàn)【1】 徐則中，莊燕濱.移動(dòng)機(jī)器人定位方法對(duì)比研究.系統(tǒng)仿真學(xué)報(bào)，2009，21（7）：1891?1896.【2】 張浩峰，趙春霞，王曉麗，等.面向室外自然環(huán)境的移動(dòng)機(jī)器人視覺仿真系統(tǒng).系統(tǒng)仿真學(xué)報(bào)，2006，18（3）：701?705.【3】 王永明，王貴錦.圖像局部不變性特征與

16、描述.北京：國(guó)防工業(yè)出版社，2010.【4】 LEUTENEGGER S， CHLI M， SIEGWART R Y. Brisk： binary robust invariant scalable keypoints / Proceedings of 2011 IEEE International Conference on Computer Vision. ： IEEE， 2011： 2548?2555.【5】 廖婷婷.基于特征匹配的圖像檢索算法研究.廣州：華南理工大學(xué)，2012.【6】 BAY H， ESS A， TUYTELAARS T， et al. Surf： speeded up

17、 robust features / Proceedings of 2006 IEEE International Conference on Computer Vision. ： IEEE， 2006： 346?359.【7】 張銳娟，dYLw.nET張建奇，楊翠.基于SURF的圖像配準(zhǔn)方法研究.紅外與激光工程，2009（1）：160?165. RUBLEE E， RABAUD V， KONOLIGE K， et al. ORB： an efficient alternative to SIFT or SURF / Proceedings of 2011 IEEE International Conference on Computer Vision. ： IEEE， 2011： 2564?2571. 許斌鋒.增強(qiáng)現(xiàn)實(shí)中ORB與KLT相結(jié)合的特征點(diǎn)跟蹤方法研究.南京：南京大學(xué)，2012. HARRIS C， STEPHENS M. A combined comer and edge de