郭攀 杜鴻

摘要：機(jī)器人的研究是當(dāng)今人工智能領(lǐng)域的熱點(diǎn)之一，而雙目視覺又是機(jī)器人研究領(lǐng)域的熱點(diǎn)之.。文章對機(jī)器人雙目視覺測距避障的實(shí)現(xiàn)過程和原理進(jìn)行介紹。其中特征的提取與匹配是實(shí)現(xiàn)雙目測距的核心和難點(diǎn)，匹配算法的選擇和實(shí)現(xiàn)將決定匹配后測距的精確與否。文章提出一種基于特征點(diǎn)的立體匹配算法的融合實(shí)現(xiàn)方案，最終證明了該算法的有效性和可行性。

關(guān)鍵詞：雙目視覺；特征提?。浑p目標(biāo)定；立體匹配

隨著人工智能的熱潮再次襲來，人們對于許多行業(yè)再次進(jìn)行了深入的探索。比如汽車的自動駕駛技術(shù)、機(jī)器人的擬人化研究、智能語音交互等。而機(jī)器人的研究是其中的熱點(diǎn)之一，怎樣實(shí)現(xiàn)機(jī)器人的擬人化行為如行走避障、負(fù)重搬運(yùn)等成為研究的熱點(diǎn)。

本文針對機(jī)器人雙目視覺的測距算法進(jìn)行了相應(yīng)的研究，提出了一種融合性的立體匹配測距算法。

1 雙目攝像頭的測距原理

用人的雙眼兩眼球間距稱為眼基線去觀察客觀的三維世界的景物，由于幾何光學(xué)投影，離觀察者不同距離的點(diǎn)在左右兩眼視網(wǎng)膜上的構(gòu)像能產(chǎn)生生理視差，稱為雙目視差。它反映了客觀景物的深度。人能有深度感知，就是因?yàn)橛辛诉@個視差，再經(jīng)過大腦的加工形成的?；谝暡罾碚摰碾p目立體視覺，就是運(yùn)用在基線兩端的兩個攝像機(jī)對同一景物成像，獲得景物的立體圖像對，通過各種算法匹配出同名像點(diǎn)，從而計(jì)算出視差，然后采用基于三角測量的方法恢復(fù)深度信息[1]。

雙目攝像頭的測距原理如圖1所示。

其中：O_l和O_r分別為左右攝像頭的光心，f為攝像頭的焦距，T為光心間的距離，P為空間中的一點(diǎn)，X_l和X_r分別為P點(diǎn)在左右成像平面上的點(diǎn)；d=X_l-X_r則為視差，最終Z即為所求的距離，從而實(shí)現(xiàn)點(diǎn)的三維信息恢復(fù)。

通過三角形相似原理可得距離公式（1）如下：

Z=

Tf

（1）

T-d

其中：T的距離是自己兩個攝像頭之間的距離，可以通過物理測量得到；f是攝像頭的焦距，其值可以通過后續(xù)的攝像頭的標(biāo)定得到；故最重要的是要測出視差d，下面將給出具體的實(shí)現(xiàn)方法。

2 攝像頭的標(biāo)定

在攝像瞬間，物點(diǎn)、攝像機(jī)透鏡中心和像點(diǎn)應(yīng)處在一條直線上，但因攝像機(jī)物鏡畸變的影響，物點(diǎn)在像片中的像點(diǎn)位置發(fā)生了位移，偏離了三點(diǎn)共線條件。所以，利用像片對目標(biāo)進(jìn)行識別前應(yīng)進(jìn)行預(yù)處理以消除物鏡畸變的影響。這里利用棋盤進(jìn)行矯正，這是因?yàn)槠灞P的角點(diǎn)（即特征點(diǎn)）明顯，矯正簡單易行。矯正過程和得出數(shù)據(jù)如圖2所示（上下攝像頭一樣）。

這樣的圖片共14張（不同角度），通過OpenCV和MATLAB處理后得到數(shù)據(jù)，處理時注意棋盤的內(nèi)點(diǎn)數(shù)，本圖片為6×6共36個內(nèi)角點(diǎn)。左右攝像頭相同，最終一起測量，得到的結(jié)果如圖3所示。

其中內(nèi)部參數(shù)：Focal Length為焦距、Principal point為主點(diǎn)、Skew為扭曲因子、Distortion為畸變系數(shù)。

外部參數(shù)：Rotation vector為平移向量、Translationvector為轉(zhuǎn)移向量[2]。

到這一步就測出了公式（1）中的焦距f了，而T可以物理測量，相當(dāng)于已知，接下來得出視差d就可以測出距離。

3 特征提取與匹配

特征提取一般分為輪廓和點(diǎn)兩個方面，這里要進(jìn)行點(diǎn)的匹配與距離測算，故選用特征點(diǎn)的提取方式。特征提取的主流算法一般有3種：SIFT，SURF，ORB等特征點(diǎn)提取算法。由于SURF是SIFT的改進(jìn)版，故這里只研究SURF和ORB算法[3]。

3.1 SURF算法

SURF算法在積分圖像上使用了盒子濾波器對二階微分模板進(jìn)行了簡化，從而構(gòu)建了Hessian矩陣元素值，進(jìn)而縮短了特征提取的時間，提高了效率。其中SURF算法在每個尺度上對每個像素點(diǎn)進(jìn)行檢測，其近似構(gòu)建的Hessian矩陣及其行列式的值分別為：

＼（H_{approx）=＼begin{bmatrix}D_{xx）（＼sigma） &D;_{xy）（＼sigma）＼＼D_{xy） （＼sigma）&D;_{yy） （＼sigma）＼end{bmatrix）＼）

＼（c（X，y，＼sigma）=D一{xx）D一{yy）-（0.9D一{xy））^2＼）

其中＼fD一{xx），D一{xy）＼）和＼（D一{yy）＼）為利用盒子濾波器獲得的近似卷積值。如果＼（c（X，y，＼sigma）＼）大于設(shè)置的門限值，則判定該像素點(diǎn)為關(guān)鍵字。然后與SIFT算法近似，在以關(guān)鍵點(diǎn)為中心的＼（3＼times3＼times3＼）像素鄰域內(nèi)進(jìn)行非極大值抑制，最后通過對斑點(diǎn)特征進(jìn)行差值運(yùn)算，完成了SURF特征點(diǎn)的精確定位。

而SURF特征點(diǎn)的描述，則也是充分利用了積分圖，用兩個方向上的Harr小波模板來計(jì)算梯度，然后用一個扇形對鄰域內(nèi)點(diǎn)的梯度方向進(jìn)行統(tǒng)計(jì)，求得特征點(diǎn)的主方向。

3.2 0RB算法

ORB特征是將FAST特征點(diǎn)的檢測方法與BRIEF特征描述子結(jié)合起來，并在它們原來的基礎(chǔ)上做了改進(jìn)與優(yōu)化。首先，它利用FAST特征點(diǎn)檢測的方法來檢測特征點(diǎn)，然后利用Harris角點(diǎn)的度量方法，從FAST特征點(diǎn)中挑選出Hams角點(diǎn)響應(yīng)值最大的NN個特征點(diǎn)。其原理如下：

（1）構(gòu)造金字塔，在每層金字塔上采用Fast算法提取特征點(diǎn)，采用Harris角點(diǎn)響應(yīng)函數(shù)，按角點(diǎn)響應(yīng)值排序，選取前N個特征點(diǎn)。

（2） oFast：計(jì)算每個特征點(diǎn)的主方向，灰度質(zhì)心法，計(jì)算特征點(diǎn)半徑為r的圓形鄰域范圍內(nèi)的灰度質(zhì)心位置。從中心位置到質(zhì)心位置的向量，定義為該特征點(diǎn)的主方向。

定義矩的計(jì)算公式，x，y∈[-r，r]：

rBrief：為了解決旋轉(zhuǎn)不變性，把特征點(diǎn)的Patch旋轉(zhuǎn)到主方向上（steered Brief）。通過實(shí)驗(yàn)得到，描述子在各個維度上的均值比較離散（偏離0.5），同時維度間相關(guān)性很強(qiáng)，說明特征點(diǎn)描述子區(qū)分性不好，影響匹配的效果。論文中提出采取學(xué)習(xí)的方法，采用300 k個訓(xùn)練樣本點(diǎn)。每一個特征點(diǎn)，選取Patch大小為wp=31，Patch內(nèi)每對點(diǎn)都采用wt=5大小的子窗口灰度均值做比較，子窗口的個數(shù)即為N=（wp-wt）×（wp -wt），從Ⅳ個窗口中隨機(jī)選兩個做比較即構(gòu)成描述子的一個bit，論文中采用M-205 590種可能的情況：

（1）對所有樣本點(diǎn)，做M種測試，構(gòu)成M維的描述子，每個維度上非1即0。

（2）按均值對M個維度排序（以0.5為中心），組成向量T。

（3）貪婪搜索：把向量T中第一個元素移動到R中，然后繼續(xù)取T的第二個元素，與R中的所有元素做相關(guān)性比較，如果相關(guān)性大于指定的閾值Threshold，拋棄T的這個元素，否則加入到R中。

（4）重復(fù)第3個步驟，直到R中有256個元素，若檢測完畢，少于256個元素，則降低閾值，重復(fù)上述步驟。

綜上所述：（1）尺度、旋轉(zhuǎn)不變性（ORB算法在尺度方面效果較差）。（2） ORB較快，SURF運(yùn)行速度大約為SIFT的3倍，ORB是sift的100倍，是surf的10倍。（3） SURF的魯棒性較好；由于測量的實(shí)時性較強(qiáng)，故對于計(jì)算速度要求較高。因此，比較后最終選擇基于ORB的特征點(diǎn)提取與匹配算法。

4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)環(huán)境：在實(shí)驗(yàn)室條件下實(shí)驗(yàn)桌上進(jìn)行。

實(shí)驗(yàn)設(shè)備：攝像頭兩個、計(jì)算機(jī)一臺、儀表。

實(shí)驗(yàn)平臺：visual studi02013，OpenCV， MATLAB。

如圖3所示，在基于ORB算法前提下，進(jìn)行提取匹配后如上圖，特征點(diǎn)匹配雜亂不準(zhǔn)確；在用Ransac算法和ORB算法融合優(yōu)化后為下圖，此時匹配準(zhǔn)確，且誤差小。最終能相應(yīng)的測出視差d，最后根據(jù)匹配的特征點(diǎn)測出相應(yīng)的數(shù)據(jù)如表l所示。

通過表1可知，特征點(diǎn)的匹配測距實(shí)現(xiàn)誤差允許范圍內(nèi)的準(zhǔn)確測量，只有少數(shù)點(diǎn)會出現(xiàn)較大誤差，證實(shí)了ORB和Ransac融合算法的可行性。

5 結(jié)語

本文對于雙目視覺測距的流程進(jìn)行了較為詳細(xì)的描述，通過對幾種不同算法的性能和特點(diǎn)的對比和融合，實(shí)現(xiàn)了對于特征點(diǎn)的較為準(zhǔn)確的匹配，從而計(jì)算出視差，最終計(jì)算出實(shí)際距離。后續(xù)研究將對匹配算法進(jìn)行進(jìn)一步融合測試以提高測試的準(zhǔn)確率，減小測量誤差。

[參考文獻(xiàn)]

[l]于仕琪，劉瑞禎.學(xué)習(xí)Open CV（中文版）[M]北京：清華出版社，2009.

[2]馬頌德，張正友計(jì)算機(jī)視覺：計(jì)算理論與算法基礎(chǔ)[M].北京：科學(xué)出版社，1998.

[3]PAPADAKIS N， CASELLES V.Multi-label depth estimation for graph cuts stereo problems[J].Journal of Mathematical Imaging&Vision;， 2010 （1）： 70-82.