基于ORB算法的双目视觉目标定位研究.docVIP

基于ORB算法的双目视觉目标定位研究 　　摘 要：双目视觉定位是模仿人类的双目，从而获得目标物体的形状、位置、颜色等信息。文章通过对ORB和SIFT算法的原理进行研究，得出了ORB与SIFT算法的优缺点，并且根据应用的具体场景，选择了ORB算法提取目标的特征点并进行立体匹配，最终完成了目标的定位。 　　关键词：双目：ORB； SIFT；定位 　　ORB算子是将r-BRIEF特征描述子和o-FAST特征点提取算法结合以后所提出的算法，它由Rublee等在2011年提出。OBR算法主要的改进是在FAST算子特征检测的基础上增加了方向特征，除此之外，该算法将r -BRIEF描述符在点对集矩阵的基础上增加了旋转矩阵R，所以r -BRIEF描述符具有了旋转不变性的特性；此外，ORB算法具有光照、旋转、平移的不变特性。 　　1 0RB算法原理 　　1.1 0-FAST角点特征校测 　　在特征检测部分，该算法运用的是FAST算子，但是原来的算法没有方向性不变的特点，所以o-FAST算法对其进行了改进，使它具有了方向性。ORB算法使用的是FAST算法提取的特征点，实验中使用的FAST-9的算法，得到了很好的结果。由于边缘位置对FAST算法得到的特征点有很大的影响，因此该算法使用了Harris角点检测方法对于得到的特征点进行排序，取前N个较好的角点作为特征点。FAST算法是一种非常快的提取特征点的方法，但是对于这里来说，有两点不足：（1）提取到的特征点没有方向。（2）提取到的特征点不满足尺度变化。针对特征点不满足尺度变化，SIFT算法建立了尺度图像金字塔，通过在不同尺度下的图像中提取特征点以达到满足尺度变化的效果[1]。针对提取到的特征点没有方向的问题，Rosin提出了“intensity centroid”的方法确定了特征点的方向。该思想首先把特征点的邻域范围看成一个patch，然后求取这个patch的质心，最后把该质心与特征点进行连线，求出该直线与横坐标轴的夹角，即为该特征点的方向，Rosin提出了如下公式： 　　然后求取向量OC的方向，同时如果把x，y的范围保持在[-r，r]之间（r为该特征点邻域的半径），以特征点为坐标原点，则得到的方向角为θ，用向量OC的方向表示FAST关键的方向角为： 　　θ=α tan2（m01，m10） 　　（3） 　　αtan2的取值范围在（-π，π]。 　　1.2 r-BRIEF特征描述符 　　ORB算子在特征描述部分采用的是基于BRIEF算子的改进算法。BRIEF算子用二进制串描述局部特征，该方法的好处是：（1）很少的bit就能描述独特的性质。（2）可以用汉明距离计算两个二进制串之间的特征，计算速度快。在实际应用中的好处是：算得准、算得快、省内存。 　　ORB算子选用的是256 bits的描述子，该算法先用积分图像法对图形进行平滑处理，然后再进行图像的特征描述。为了计算BRIEF算法的入方向特征，需要将FAST检测的特征点集改写为矩阵的形式。对于一个n比特的测试点集（x，y），定义一个2n的矩阵S 　　根据FAST得到的方向角，可以计算出它所对应的旋转矩阵Rθ。通过该旋转矩阵可以得到具有方向特性的测试点集Sθ=RθS。则R-BRIEF的描述子就可以表示为： 　　BRIEF算子，它的实现步骤大致如下：（1）取目标像素点一定范围内的领域，一般9X9。（2）对该领域进行高斯模糊处理，一般选核参数σ=2。（3）以满足高斯分布的方式在该领域内随机选取Ⅳ组像素点对，比较这两个像素点的灰度值大小，xy则返回1，xy则返回0（所有特征点的计算均采用统一的随机取样模板）。（4）将步骤3的结果组合成一个N位的二进制编码，即为目标像素点的特征值。 　　2 0RB与SIFT算法的比较 　　SIFT特征是?D像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。SIFT特征描述符由特征点规定的半径r长度的圆邻域内像素点的梯度方向信息组成。SIFT在计算特征描述前，首先确定邻域半径大小，可以按照式（6）来确定圆半径的长度： 　　现在通过图示说明SIFT的梯度方向。如图1所示，它所表示的区域为8×8，然后把区域分为4个4X4的子区域。图左部分的中央为当前关键点的位置，每个小格代表关键点邻域所在尺度空间的一个像素，利用公式求得每个像素的梯度幅值与梯度方向，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，然后用高斯窗口对其进行加权运算。图中圆圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每4X4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点[2]。 　　SIFT算子为使特征描述符具备旋转不