周 陽，吳德偉，邰能建，杜 佳

(空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，陜西 西安710077)

責(zé)任編輯:任健男

認(rèn)知導(dǎo)航系統(tǒng)(Unmanned Combat Aerial Vehicles，UCAV)[1]能從當(dāng)前環(huán)境中提取合適的特征以描述UCAV當(dāng)前所在環(huán)境的局部特征，計(jì)算出所對(duì)應(yīng)的空間3D坐標(biāo)等幾何信息，并以此作為環(huán)境自然路標(biāo)，實(shí)現(xiàn)全局定位與環(huán)境認(rèn)知地圖的創(chuàng)建?？梢姯h(huán)境感知是UCAV實(shí)現(xiàn)認(rèn)知導(dǎo)航的一個(gè)重要環(huán)節(jié)。

UCAV不同于人，其環(huán)境感知難以體現(xiàn)智能性。然而環(huán)境感知的關(guān)鍵在于對(duì)環(huán)境的描述，也就是說，當(dāng)UCAV具有很好的描述能力時(shí)，也就具備了一定環(huán)境感知能力。通常環(huán)境信息可通過視覺獲取，其直觀表示便是圖像，因此以圖像信息表征環(huán)境信息成為了環(huán)境感知一種形式，對(duì)圖像的描述能力間接體現(xiàn)了環(huán)境感知能力。然而UCAV高機(jī)動(dòng)性及所處環(huán)境復(fù)雜性，帶來圖像尺度、旋轉(zhuǎn)甚至仿射變化，使得環(huán)境感知更加困難，特征點(diǎn)提取方法的出現(xiàn)為克服這種困難提供了思路。

本文首先分析了幾種特征點(diǎn)檢測(cè)方法，然后以SURF算法為重點(diǎn)，分析了基于該算法的特征點(diǎn)提取原理，最后仿真驗(yàn)證了SURF算法提取特征點(diǎn)魯棒性，并以此作為UCAV環(huán)境感知的依據(jù)，較好解決UCAV以圖像作為環(huán)境感知信息時(shí)多變性問題。

1 特征點(diǎn)檢測(cè)方法分析

特征點(diǎn)檢測(cè)目的在于找到圖像中對(duì)平移、旋轉(zhuǎn)、尺度不變性的特征點(diǎn)，通過局部不變性的分析達(dá)到識(shí)別圖像的目的。常用的特征點(diǎn)檢測(cè)方法有Harris算法[2]、SIFT算法[3]和SURF算法[4]。

Harris特征點(diǎn)檢測(cè)算法對(duì)圖像的平移、旋轉(zhuǎn)和噪聲都具有很強(qiáng)的穩(wěn)定性，但不具有尺度不變性，因而無法直接應(yīng)用于尺度不變特征的定位處理[5]，無法滿足UCAV認(rèn)知導(dǎo)航環(huán)境感知中特征點(diǎn)提取多尺度要求。SIFT算法是Lowe在LOG算子[6]基礎(chǔ)上提出的，其具有較好的抗旋轉(zhuǎn)、平移、尺度變化和噪聲污染能力，但該算法計(jì)算復(fù)雜度高、匹配速度慢，不具有實(shí)時(shí)性要求[7]。SURF算法是Bay提出的基于積分圖像的快速Hessian算子三維極值點(diǎn)搜索尺度不變特征定位方法，其具有SIFT算法提取特征點(diǎn)的魯棒性，且有效克服了SIFT算法實(shí)時(shí)性差的缺點(diǎn)，而且在克服尺度變化影響方面優(yōu)于Harris算法[8]，較好運(yùn)用在景象匹配輔助導(dǎo)航[9]、智能車輛交通信號(hào)檢測(cè)識(shí)別[10]、目標(biāo)姿態(tài)估算[11]等方面，更適合于UCAV認(rèn)知導(dǎo)航環(huán)境感知中特征點(diǎn)檢測(cè)。

2 基于SURF算法的特征點(diǎn)檢測(cè)

SURF算法實(shí)現(xiàn)核心是引入了積分圖像，并將高斯二階微分模板進(jìn)行了轉(zhuǎn)換，采用Haar小波響應(yīng)獲取特征點(diǎn)的主方向及特征描述矢量。該算法大大縮短了圖像特征點(diǎn)的提取時(shí)間，同時(shí)提取的特征點(diǎn)具有旋轉(zhuǎn)和尺度不變性，以滿足圖像特征點(diǎn)匹配的要求。

2.1 特征點(diǎn)檢測(cè)

特征點(diǎn)檢測(cè)時(shí)首先需要積分圖像，然后將高斯二階微分模板替換為盒子濾波器，圖像的卷積轉(zhuǎn)換成盒子濾波運(yùn)算，以此檢測(cè)特征點(diǎn)。同時(shí)通過不斷擴(kuò)大的盒子濾波器尺寸來求取積分圖像濾波響應(yīng)，以此建立尺度金字塔。

積分圖像由Viola和Jones[12]提出，圖像中任意一點(diǎn)p=(i，j)的積分值II(i，j)為原圖像原點(diǎn)到P點(diǎn)相應(yīng)的對(duì)角線區(qū)域灰度值總和

給定圖像I中一點(diǎn)p=(i，j)，在點(diǎn)P處，尺度為σ的Hessian矩陣H(p，σ)定義為

式中:Lxx(p，σ)為高斯二階微分在點(diǎn)P處與圖像I的卷積。Lxy(p，σ)，Lyy(p，σ)以此類推。Hessain矩陣的行列式為

SURF算法進(jìn)行特征點(diǎn)檢測(cè)時(shí)需簡(jiǎn)化模板，對(duì)于σ=1.2的高斯二階微分模板，設(shè)定模板的尺寸為9×9，并將白色區(qū)域的值設(shè)為1，灰色區(qū)域設(shè)為0，黑色區(qū)域設(shè)為-2。模板簡(jiǎn)化前后如圖1所示。

圖1 模板對(duì)比圖

設(shè)對(duì)應(yīng)簡(jiǎn)化后模板對(duì)圖像進(jìn)行卷積的結(jié)果為Dxx，Dyy和Dxy。由此對(duì)Hessian矩陣行列式進(jìn)行簡(jiǎn)化可得

不同大小的盒子濾波器和原圖像進(jìn)行卷積就可得到尺度圖像金字塔。本文特征點(diǎn)檢測(cè)時(shí)設(shè)置了5組濾波器尺寸。其中前3組尺寸如圖2所示。

圖2 濾波器尺寸圖形化表示

由此，將空間每個(gè)點(diǎn)在相鄰位置和相鄰尺度上的Hessian響應(yīng)值(共26個(gè))進(jìn)行比較，極值點(diǎn)即為檢測(cè)到的特征點(diǎn)，其對(duì)應(yīng)的位置和尺度即為特征點(diǎn)位置和尺度。

2.2 確定特征點(diǎn)主方向

確定特征點(diǎn)主方向時(shí)，首先以特征點(diǎn)為中心，以6s(s為特征點(diǎn)的尺度)為半徑的圓形區(qū)域內(nèi)在x和y方向進(jìn)行Haar小波響應(yīng)運(yùn)算。然后使用σ=2s的高斯加權(quán)函數(shù)對(duì)Haar小波響應(yīng)進(jìn)行高斯加權(quán)。最后用60°的扇形窗口在以特征點(diǎn)為圓心的區(qū)域內(nèi)以固定步長(zhǎng)進(jìn)行滑動(dòng)，求取滑動(dòng)窗口內(nèi)x和y方向Haar小波響應(yīng)累加值，特征點(diǎn)主方向即為最大值所對(duì)應(yīng)的方向，如圖3所示。

圖3 Haar小波x方向和y方向響應(yīng)模板

2.3 生成特征描述矢量

生成特征描述矢量時(shí)首先以特征點(diǎn)為中心沿主方向?qū)?0s×20s的圖像劃分成4×4個(gè)子塊，然后用尺寸為2s的Haar模板求取每個(gè)子塊響應(yīng)值，并對(duì)響應(yīng)值∑dx，∑|dx|，∑dy，∑|dy|進(jìn)行統(tǒng)計(jì)，生成特征描述矢量。由于對(duì)每個(gè)特征點(diǎn)進(jìn)行描述時(shí)有4×4個(gè)子塊，而每個(gè)子塊用4維向量表示，因此生成的特征點(diǎn)特征矢量共有64維。

在完成以上3個(gè)步驟后，即可獲得圖像的特征點(diǎn)，同時(shí)給出每個(gè)特征點(diǎn)的位置、尺度、主方向和描述矢量的信息。圖4給出了圖像中檢測(cè)到的特征點(diǎn)。圖像大小為306×306，共檢測(cè)到516個(gè)特征點(diǎn)。

2.4 特征點(diǎn)匹配

特征點(diǎn)匹配時(shí)需要充分利用待匹配圖中的特征點(diǎn)描述矢量間關(guān)系，如果提取的兩個(gè)特征點(diǎn)描述矢量間距離很小，則表示這兩個(gè)特征點(diǎn)在對(duì)應(yīng)場(chǎng)景同一位置的可能性很大;反之，若描述矢量間距離很大，則在對(duì)應(yīng)場(chǎng)景同一位置的可能性很小。

圖4 圖像中檢測(cè)到的特征點(diǎn)

3 仿真驗(yàn)證及結(jié)果分析

仿真圖像大小為306×306，首先用SURF算法檢測(cè)待匹配兩幅圖像的特征點(diǎn)，然后采用最近距離法進(jìn)行特征點(diǎn)粗匹配，最后通過最近和次近距離比值法提純匹配對(duì)(閾值為0.65)。具體分析內(nèi)容有SURF特征點(diǎn)抗噪聲性分析，SURF特征點(diǎn)抗旋轉(zhuǎn)性分析，SURF特征點(diǎn)抗尺度變化性分析。性能指標(biāo)為匹配分?jǐn)?shù)和錯(cuò)誤率。

匹配分?jǐn)?shù)定義為兩幅圖像特征點(diǎn)之間正確匹配對(duì)的數(shù)量與兩幅圖像中檢測(cè)到的較少特征點(diǎn)數(shù)量之比。錯(cuò)誤率表示提純后特征點(diǎn)錯(cuò)誤匹配對(duì)數(shù)量與提純后總匹配對(duì)總數(shù)量之比。

3.1 抗噪聲性分析

表1給出了圖像受不同強(qiáng)度噪聲干擾時(shí)特征點(diǎn)檢測(cè)與匹配情況。選取噪聲為零均值高斯噪聲，在相同條件下做了20組實(shí)驗(yàn)，取平均值進(jìn)行性能分析。

表1 高斯噪聲下特征點(diǎn)檢測(cè)匹配情況

由表可知:不同噪聲強(qiáng)度下檢測(cè)到的特征點(diǎn)數(shù)與匹配分?jǐn)?shù)不同;隨噪聲方差增加，匹配分?jǐn)?shù)逐級(jí)減小，且噪聲小時(shí)匹配分?jǐn)?shù)很高(方差為0.01時(shí)匹配分?jǐn)?shù)高達(dá)40.12%);各個(gè)噪聲下匹配對(duì)錯(cuò)誤率均在5%以下;當(dāng)噪聲方差超過0.06時(shí)匹配分?jǐn)?shù)低于10%，圖像基本無法識(shí)別。

可見，SURF算法檢測(cè)到的特征點(diǎn)有一定的抗噪聲能力，當(dāng)UCAV的感知圖像受到弱噪聲干擾時(shí)，可以通過特征點(diǎn)提取來識(shí)別圖像，實(shí)現(xiàn)環(huán)境感知。高斯噪聲下特征點(diǎn)匹配圖如圖5所示。

3.2 抗旋轉(zhuǎn)性分析

表2給出了目標(biāo)圖像旋轉(zhuǎn)不同角度時(shí)特征點(diǎn)檢測(cè)與匹配情況。

圖5 高斯噪聲下特征點(diǎn)匹配圖

表2 不同旋轉(zhuǎn)角度下特征點(diǎn)檢測(cè)與匹配情況

由表可知:同一場(chǎng)景在不同旋轉(zhuǎn)角度下檢測(cè)到的特征點(diǎn)數(shù)是有差別的;各個(gè)旋轉(zhuǎn)角度下均有較高的匹配分?jǐn)?shù)和較低的錯(cuò)誤率。

可見，SURF算法提取特征點(diǎn)具有良好的抗旋轉(zhuǎn)能力。當(dāng)UCAV感知圖像發(fā)生任何角度旋轉(zhuǎn)，都能通過提取特征點(diǎn)達(dá)到識(shí)別圖像感知環(huán)境的目的。

圖6是目標(biāo)圖像相對(duì)基準(zhǔn)圖像旋轉(zhuǎn)180°時(shí)特征點(diǎn)匹配圖。

圖6 圖像旋轉(zhuǎn)180°特征點(diǎn)匹配圖

3.3 抗尺度變化性分析

表3給出了圖像發(fā)生尺度變化時(shí)特征點(diǎn)檢測(cè)與匹配情況。

表3 尺度變化下特征點(diǎn)檢測(cè)與匹配情況

由表可知:不同縮放比例下檢測(cè)到特征數(shù)量差別很大，但采用比值法提純匹配后能獲得較高的匹配分?jǐn)?shù)，均超過45%;各縮放尺度下特征點(diǎn)匹配對(duì)錯(cuò)誤率均低于3%。圖像縮小0.5時(shí)的特征點(diǎn)匹配圖如圖7所示。

圖7 圖像縮小0.5時(shí)的特征點(diǎn)匹配圖

可見，SURF算法提取特征點(diǎn)能有效克服圖像尺度變化，當(dāng)UCAV獲得感知圖像在尺度上發(fā)生變化時(shí)均能通過特征點(diǎn)提取來感知環(huán)境。

4 結(jié)束語

本文將SURF特征點(diǎn)檢測(cè)與匹配引入到UCAV環(huán)境感知中。實(shí)驗(yàn)結(jié)果表明SURF算法提取特征點(diǎn)具有較好的魯棒性，能有效解決UCAV以圖像作為環(huán)境感知信息時(shí)遇到的圖像污染、旋轉(zhuǎn)和尺度變化等問題，為UCAV較好地實(shí)現(xiàn)環(huán)境感知提供了有效的方法。

[1]吳德偉，邰能建，戚君宜.基于認(rèn)知理論的UCAV智能導(dǎo)航研究新進(jìn)展[J].空軍工程大學(xué)學(xué)報(bào):自然科學(xué)版，2011，12(4):52-57.

[2]HARRIS C，STEPHENS M.A combined corner and edge detector[EB/OL].[2012-11-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.231.1604.

[3]LOWE D G.Object recognition from local scale-invariant feature[C]//Proc.IEEE International Conference of Computer Vision.Kerkyra，Greece:IEEE Press，1999:1150-1157.

[4]BAY H，TUVTELLARS T，GOOL L V.SURF:speeded up robust feature[C]//Proc.the European Conference on Computer Vision.Graz，Austria:University of Liubljanna，2006:404-417.

[5]王廣學(xué)，黃曉濤，周智敏.SAR圖像尺度不變特征提取方法研究[J].中國(guó)圖象圖形學(xué)報(bào)，2011，12(12):2199-2250.

[6]LINDEBERG T.Feature detection with automatic scale selection[J].International Journal of Computer Vision，1998，30(2):79-116.

[7]朱英宏，李俊山，郭莉莎，等.基于LBP的瓷都不變特征的描述和匹配算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào)，2011，10(10):1758-1763.

[8]鄭玉龍.復(fù)雜環(huán)境下尺度不變特征點(diǎn)檢測(cè)與匹配技術(shù)研究[J].科學(xué)技術(shù)與工程，2011，11(23):5693-5701.

[9]王先敏，增慶化，熊智，等.結(jié)合慣性導(dǎo)航特性的快速景象匹配算法[J].系統(tǒng)工程與電子技術(shù)，2011，9(9):2055-2059.

[10]CHEN Long，LI Qingquan，LI Ming，et al.Traffic sign detection and recognition for intelligent vehicle[C]//Proc.IEEE Intelligent Vehicles Symposium.[S.l.]:IEEE Press，2011:908-913.

[11]SONG Kaitai，CHANG Chehao.Objiect pose estimation for grasping based on robust center point detection[C]//Proc.Asian Control Conference.[S.l.]:IEEE Press，2011:305-310.

[12]VIOLA P，JONES M.Rapid objiect detection using a boosted cascade of simple feature[C]//Proc.IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE Press，2001:1511-1518.