顧海艷 陳穎潔 丁堯

摘要：視覺里程計(jì)（VO）通過軌跡推算，累加運(yùn)動(dòng)矢量，得出當(dāng)前位置的相對(duì)定位方法，單目里程計(jì)僅使用單個(gè)相機(jī)作為圖像獲取載體，使獲得信息的要求更低，且能較精確地識(shí)別和定位特征點(diǎn)，實(shí)時(shí)性好，成本也少很多，因此具有更廣的應(yīng)用前景。本課題采用SURF算法來同時(shí)檢測(cè)和匹配特征點(diǎn)，使用一種基于機(jī)器學(xué)習(xí)算法（SVM）自適應(yīng)卡爾曼濾波器，減緩原本卡爾曼濾波器中會(huì)出現(xiàn)的精度低和發(fā)散狀況，起到優(yōu)化單目里程計(jì)的系統(tǒng)準(zhǔn)確度。

關(guān)鍵詞：?jiǎn)文?視覺里程計(jì);SURF算法;卡爾曼濾波

中圖分類號(hào)：G642.0 ? ? 文獻(xiàn)標(biāo)志碼：A ? ? 文章編號(hào)：1674-9324（2016）43-0257-03

移動(dòng)機(jī)器人的自主定位導(dǎo)航是機(jī)器人運(yùn)動(dòng)的前提之一，隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，利用機(jī)器視覺進(jìn)行導(dǎo)航逐漸成為熱點(diǎn)之一[1]。視覺里程計(jì)（VO）通過軌跡推算，累加運(yùn)動(dòng)矢量，得出當(dāng)前位置的相對(duì)定位，從而幫助機(jī)器人感知周圍環(huán)境和自由移動(dòng)。對(duì)比雙目里程計(jì)，單目里程計(jì)僅使用單個(gè)相機(jī)作為圖像獲取載體，使獲得信息的要求更低，實(shí)時(shí)性好，成本也更少，因此具有更廣的應(yīng)用前景[2]。本研究課題引入機(jī)器學(xué)習(xí)算法，對(duì)傳統(tǒng)單目視覺里程計(jì)進(jìn)行改良，提出了一種新的解決方案，優(yōu)化單目視覺里程計(jì)，對(duì)后期的工程應(yīng)用有一定的實(shí)踐意義。

一、設(shè)計(jì)單目視覺里程計(jì)系統(tǒng)模型

單目視覺里程計(jì)模型設(shè)計(jì)分為：硬件設(shè)計(jì)和軟件設(shè)計(jì)。硬件設(shè)計(jì)就是安裝在機(jī)器上帶有調(diào)節(jié)機(jī)構(gòu)的單個(gè)相機(jī)。軟件模型設(shè)計(jì)包括：圖像的采集和預(yù)處理、目標(biāo)的選取特征與運(yùn)動(dòng)估計(jì)等模塊，其軟件設(shè)計(jì)工作流程如圖1所示：

圖1中，在采集到圖像后，要進(jìn)行濾波、圖像矯正、標(biāo)定參數(shù)等預(yù)處理，相機(jī)參數(shù)標(biāo)定獲得的參數(shù)能將現(xiàn)實(shí)三維與相機(jī)二維圖像聯(lián)系起來，是單目里程計(jì)能否準(zhǔn)確定位的關(guān)鍵[3]，本課題采用張友正的棋盤標(biāo)定法，較其他算法實(shí)現(xiàn)起來更簡(jiǎn)單，準(zhǔn)確度較高。

圖片在成像過程中會(huì)出現(xiàn)畸變、失真等情況，可以采用灰度插值法或雙線條插值法進(jìn)行矯正，以起到減小里程計(jì)誤差的作用。由于估算圖像特征的運(yùn)動(dòng)參數(shù)是估算相機(jī)運(yùn)動(dòng)的關(guān)鍵，因此特征的選取顯得尤為重要。選擇具體的物體作為特征，在復(fù)雜的外部環(huán)境中是不現(xiàn)實(shí)的，所以，應(yīng)該盡可能的選擇簡(jiǎn)單，明顯的點(diǎn)線面、角點(diǎn)、特定區(qū)域作為特征。在計(jì)算圖像特征運(yùn)動(dòng)時(shí)，需要檢測(cè)出兩幅連續(xù)的圖像中對(duì)應(yīng)的特征點(diǎn)，然后找出所有特征點(diǎn)之間的對(duì)應(yīng)關(guān)系進(jìn)行匹配[4]。常用的特征點(diǎn)提取算法有Harris角點(diǎn)檢測(cè)算法，SUSA（smallest univalve segment assimilating nucleus）角點(diǎn)檢測(cè)算法，SIFT，SURF，F(xiàn)AST角點(diǎn)算法等。Harris算法定義局部領(lǐng)域內(nèi)極大興趣值對(duì)應(yīng)的像素點(diǎn)為檢測(cè)的特征點(diǎn)，并不如SURF（Speeded Up Robust Features）算法選取的特征點(diǎn)明顯[5]，所以相較于兩者SURF更適合于本課題的研究，SURF基于積分圖像提取特征點(diǎn)，通過Haar小波濾波器描述特征點(diǎn)，是一種集特征提取和描述于一體的算法，其抗干擾能力強(qiáng)，運(yùn)算量低于SIFT算法，運(yùn)算速度卻更快，并且結(jié)合了SIFT算法的許多優(yōu)點(diǎn)，因此本文選用SURF算法進(jìn)行特征提取和匹配。由于SURF算法具有平移、旋轉(zhuǎn)時(shí)尺寸不變的優(yōu)勢(shì)，因此所檢測(cè)出的特征無論在哪個(gè)角度都是同一個(gè)特征，首先給特征點(diǎn)確定一個(gè)主方向，以特征點(diǎn)為原點(diǎn)，建立二維直角坐標(biāo)系，獲得一個(gè)64維特征向量r來描述特征點(diǎn)。之后SURF對(duì)特征點(diǎn)的匹配就可分為兩步：第一步，快速索引進(jìn)行初步匹配，但是會(huì)存在較大的誤差，第二步進(jìn)行最近鄰匹配算法運(yùn)算，若最近鄰歐氏距離與次近鄰歐式距離的比值在一定閾值范圍內(nèi)，則認(rèn)為特征點(diǎn)匹配正確，反之則是匹配錯(cuò)誤[6]，能快速有效的剔除錯(cuò)誤的匹配點(diǎn)。SURF算法的流程圖如圖2所示：

SURF最近鄰歐式距離算法如式1所示：

dis（j）=（dis（rr）） （式1）

SURF次近鄰歐氏距離算法如式2、式3所示：

dis（j）=（dis（rr）） ?（式2）

R= （式3）

式（1）中，dis（j）——兩個(gè)特征點(diǎn)間的最近鄰歐氏距離，r中第j個(gè)向量與r中第i個(gè)向量的歐式距離最小;

式（2）中，dis（j）——兩個(gè)特征點(diǎn)間的次近鄰歐氏距離，r中第j個(gè)向量（除第j個(gè)向量外）與r中第i個(gè)向量的歐式距離最小;

式（3）中，R為最近鄰歐氏距離與次近鄰歐氏距離之比。設(shè)閾值為R，當(dāng)R≤R時(shí)，特征向量匹配成功，反之則失敗。

二、單目視覺里程計(jì)目標(biāo)定位：

在設(shè)計(jì)完單目視覺里程計(jì)的模型后，進(jìn)行計(jì)算，得出現(xiàn)實(shí)中的點(diǎn)的三維坐標(biāo);首先先確立相機(jī)的位置關(guān)系，就是在本質(zhì)矩陣E（一個(gè)有5個(gè)自由度，秩為2的三階矩陣）中分解出旋轉(zhuǎn)矩陣R和平移向量T，可以由E=UDV，計(jì)算出R=UGV，其中G=，

Z=。而得到的平移向量T是一個(gè)比例值，只能根據(jù)現(xiàn)實(shí)數(shù)據(jù)計(jì)算出，因此平移向量還是一個(gè)未知數(shù)。在現(xiàn)實(shí)相機(jī)標(biāo)定時(shí)可直接選用張友正的棋盤標(biāo)定算法，使用ROS下的標(biāo)定庫，通過camera_calibration直接標(biāo)定插入電腦的相機(jī)，當(dāng)拍攝照片達(dá)到一定量之后，標(biāo)定程序會(huì)自動(dòng)開始計(jì)算各種參數(shù)，我們只需要選定焦距值，圖像尺寸大小，主點(diǎn)坐標(biāo)（u，v）。知道兩張相片的坐標(biāo)分別為A=（x，y，z），A=（x，y，z），可以通過數(shù)學(xué)計(jì)算來獲取目標(biāo)的三維坐標(biāo)， 由先前得到的相機(jī)坐標(biāo)位置關(guān)系可得式4：

A=RA+T （式4）

由于（u，v）和（u，v），R，T均可得出所以可以求出x，y如式5所示：

x=y= （式5）

z和平移系數(shù)可由最小二乘法得出。算出結(jié)果后我們可以的得出A=（x，y，z）為當(dāng)前相機(jī)坐標(biāo)系下算出的目標(biāo)點(diǎn)的三維坐標(biāo)，因此目標(biāo)點(diǎn)被定位成功。

三、基于機(jī)器學(xué)習(xí)算法的Kalman濾波改良設(shè)計(jì)

卡爾曼濾波器（Kalman Filtering）是一種軟件濾波方式，以最小方差估計(jì)為算法基礎(chǔ)，通過狀態(tài)方程來描述被估計(jì)量的動(dòng)態(tài)變化過程，利用相機(jī)上一時(shí)刻的狀態(tài)和當(dāng)前時(shí)刻傳感器的測(cè)量值來估計(jì)當(dāng)前的狀態(tài)值[7]?；究枮V波器算法，適用于解決隨機(jī)線性離散系統(tǒng)的參數(shù)估計(jì)問題，卡爾曼濾波器在濾波過程中不需要存儲(chǔ)歷史數(shù)據(jù)，有效地減少了計(jì)算量，大大節(jié)省了運(yùn)算時(shí)間。但是基本卡爾曼濾波器會(huì)因?yàn)閷?shí)際噪聲和其使用的噪聲不相符，而導(dǎo)致濾波運(yùn)算精度低，甚至?xí)霈F(xiàn)濾波器發(fā)散的現(xiàn)象。為了直觀地理解卡爾曼濾波器的應(yīng)用，可給出其運(yùn)行流程圖如圖3所示：

研究者們?cè)岢鲎赃m應(yīng)卡爾曼濾波器（AKF）來克服這一缺點(diǎn)，其中Sage-Husa自適應(yīng)濾波器算法因?yàn)樵砗?jiǎn)單，實(shí)時(shí)性好，受到廣泛的關(guān)注，但存在著時(shí)間窗口難以設(shè)置的問題，時(shí)間窗口是指測(cè)量數(shù)據(jù)選取的時(shí)間長(zhǎng)度，若設(shè)得過大，算法效率會(huì)變得很低，動(dòng)態(tài)性能也變差;若過小，算法中用到的數(shù)據(jù)就顯得過少，估算出的當(dāng)前相機(jī)狀態(tài)值會(huì)發(fā)生偏差。所以本文介紹了一種基于機(jī)器學(xué)習(xí)算法SVM（支持向量機(jī)）的自適應(yīng)卡爾曼濾波設(shè)計(jì)方法。支持向量機(jī)（SVM）是一種將結(jié)構(gòu)風(fēng)險(xiǎn)最小化的機(jī)器學(xué)習(xí)算法[8]，在解決非線性問題領(lǐng)域有著極大的優(yōu)勢(shì)，恰好在基于SVM的新型自適應(yīng)卡爾曼濾波算法中，正是運(yùn)用SVM的回歸預(yù)測(cè)分析（SVR），將原本復(fù)雜的非線性問題通過構(gòu)造線性函數(shù)轉(zhuǎn)化成線性問題，進(jìn)而動(dòng)態(tài)的調(diào)節(jié)卡爾曼濾波器算法中的噪聲矩陣參數(shù)。巧妙地避開了選取時(shí)間窗口的難題，并且這一新型的算法增加了單目里程計(jì)的穩(wěn)定性和準(zhǔn)確性。

四、提高單目里程計(jì)算法的研究

如何提高單目里程計(jì)算法，可以從三個(gè)角度進(jìn)行分析：魯棒性、實(shí)時(shí)性和精確度。

1.提高系統(tǒng)的魯棒性。魯棒性可以是指，控制系統(tǒng)在參數(shù)攝動(dòng)情況下保持系統(tǒng)某個(gè)性能指標(biāo)保持不變，即抗干擾能力。在視覺里程計(jì)中，局部視覺特征能有效的提高系統(tǒng)的魯棒性，局部視覺特征有尺寸不變特性，并且對(duì)復(fù)雜的外部環(huán)境有很好的檢測(cè)能力，適用于室外等復(fù)雜場(chǎng)地，若與GPS等設(shè)備結(jié)合使用，實(shí)現(xiàn)多傳感器信息融合。

2.提高系統(tǒng)的實(shí)時(shí)性。在特征檢測(cè)和匹配時(shí)，選取有效的少量特征進(jìn)行檢測(cè)和匹配，并運(yùn)用好的數(shù)據(jù)加以描述，能有效的提高系統(tǒng)的實(shí)時(shí)性，簡(jiǎn)而言之，特征的選取要易跟蹤，匹配算法要高效可行?？梢詮膬蓚€(gè)角度提高算法的實(shí)時(shí)性：數(shù)據(jù)處理并行優(yōu)化和數(shù)據(jù)降維。數(shù)據(jù)降維能高效利用有限的計(jì)算能力，主成分分析PCA（Principle component analysis）方式已有效的運(yùn)用于SIFT數(shù)據(jù)降維中，可以在大大降低計(jì)算量的情況下，達(dá)到了相同的特征匹配效果。

3.提高系統(tǒng)的精確度。視覺里程計(jì)是一個(gè)數(shù)據(jù)迭代累加的過程，但在迭代累加過程中，都會(huì)存在誤差的累積，如何有效地減少誤差的累加，就成了視覺里程計(jì)特高精確度的關(guān)鍵。減少誤差的累加，應(yīng)該從選取特征點(diǎn)這一源頭開始。由此特征的選取，檢測(cè)和匹配都要選擇合適的方式[9]。特征點(diǎn)的選取應(yīng)盡量選擇靜止物體的顯著特征，減少特征帶來誤差和大量的無用外點(diǎn)。運(yùn)用圖的最大團(tuán)內(nèi)點(diǎn)檢測(cè)方法對(duì)錯(cuò)誤匹配有很強(qiáng)的制約能力。

視覺里程計(jì)作為移動(dòng)機(jī)器人自主導(dǎo)航的重要組成部分，已成功運(yùn)用于海陸空及宇宙探索中，本文主要研究了一種基于機(jī)器學(xué)習(xí)算法的單目里程計(jì)算法，僅使用一個(gè)攝像機(jī)，在不借助于其他傳感設(shè)備的幫助下，實(shí)現(xiàn)機(jī)器的自主定位。本課題引入SURF算法對(duì)目標(biāo)進(jìn)行特征匹配，提高了系統(tǒng)的魯棒性，同時(shí)較SIFT算法提高了運(yùn)算速度。利用機(jī)器學(xué)習(xí)改善傳統(tǒng)的卡曼濾波，有效的抑制了噪聲發(fā)散。通過上述改善，本課題所研究設(shè)計(jì)的單目里程計(jì)在魯棒性、實(shí)時(shí)性和精準(zhǔn)性上有了一定的提高。

參考文獻(xiàn)：

[1]姜國(guó)權(quán)，何曉蘭，杜尚豐，柯杏.機(jī)器視覺在農(nóng)業(yè)機(jī)器人自主導(dǎo)航系統(tǒng)中的研究進(jìn)展[J].農(nóng)機(jī)化研究，2008，（3）：9-11.

[2]羅堪.基于復(fù)眼模型的視覺里程計(jì)方法研究[D].湖南大學(xué)，2014.

[3]劉曉利，田媛，童飛，唐艦，隋國(guó)榮，陳抱雪.雙目立體視覺的光學(xué)標(biāo)定技術(shù)[J]光學(xué)儀器，2013，（3）：11-15.

[4]蘇宇，郭寶龍.一種基于曲率尺度空間的圖像拼接算法[J].計(jì)算機(jī)工程與應(yīng)用2008，（1）：39-41.

[5]相陽.基于點(diǎn)特征的圖像配準(zhǔn)技術(shù)研究[D].東北大學(xué)，2010.

[6]白廷柱，侯喜報(bào).基于SIFT算子的圖像匹配算法研究[J].北京理工大學(xué)學(xué)報(bào)，2013，（6）：622-627.

[7]戴洪德，陳明，周紹磊，李娟，彭賢.基于支持向量機(jī)的自適應(yīng)卡爾曼濾波技術(shù)研究[J].控制與決策，2008，（8）：949-952.

[8]張偲敏，汪艷，郭天太，洪博，劉焱煜.支持向量回歸機(jī)的參數(shù)擇優(yōu)算法[J].中國(guó)科技信息，2015，（13）：26-27.

[9]李宇波，朱效洲，盧惠民，張輝.視覺里程計(jì)技術(shù)綜述[J].計(jì)算機(jī)應(yīng)用研究，2012，（8）：2801-2805，2810.

A Study on Monocular Mileage based on Machine Learning Algorithm

GU Hai-yan 2，CHEN Ying-jie 1，DING Yao 1

（1.Nanjing University Jinling College，Nanjing，Jiangsu 210089，China;2. Jiangsu Police Institute，Nanjing，Jiangsu 210000，China）

Abstract：Visual odometry（VO） through the trajectory calculation，cumulative motion vector，the relative positioning method of current position. Monocular odometer using only a single camera as image acquisition carrier，make information requirements lower，and can identify and locate the feature point accurately，real-time，cost much less，so it has more wide prospect of application. This paper uses SURF algorithm to simultaneously detect and match feature points，using a machine learning algorithm based on adaptive Calman filter （SVM），slow down will appear originally Calman filter in low precision and divergence，to system optimization of monocular odometric accuracy.

Key words：Single camera;Visual odometry;SURF;Calman filter