基于SIFT算法机器人视觉定位技术.docVIP

基于SIFT算法机器人视觉定位技术 　　【摘 要】智能机器人是集环境感知、动态决策与规划，行为控制与执行等多功能于一体的综合系统，定位系统部分在其中起到了关键性的作用。文章主要研究基于SIFT算法的机器人视觉定位技术。视觉定位技术常采用“尺度不变特征变换”（Scale Invariant Feature Transform，SIFT）的方法获得信息和三维环境图像，分析数据。研究表明，视觉定位技术在机器人的设计中起到了重要的作用。 　　【关键词】机器人定位技术；视觉定位；SIFT算法 　　智能机器人是当今技术领域一个热点也是一个新兴产业，它具有灵活、易调试、适应性强等特点。世界各国都很重视智能机器人的视觉系统研究工作，投入了大量的精力。David G.Lowe在1999年提出的一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子――“尺度不变特征变换”算子具有经典意义。该方法通过对图像进行不同程度的模糊和缩放，产生不同比例的图像，然后从这些图像中分别提取特征。 　　一、机器人的视觉系统 　　机器人视觉系统分为硬件和软件两个部分，硬件部分包括各种传感器、处理器等数字设备；软件部分计算机软件、处理算法和控制软件。 　　目前，在机器人视觉定位方面，根据摄像头数目不同，可以分为单目、双目和多目视觉定位。多目视觉可以得到更为丰富的信息，但视觉控制器的设计比较复杂，单目视觉无法直接得到目标的三维信息，只能通过移动获得环境中的特征点的深度信息，适用于工作任务比较简单且深度信息要求不高的情况；但计算量相对较小，速度较快。而双目视觉可以得到深度信息，并提取三维环境特征。所以往往利用双目视觉定位来获取信息。 　　二、SIFT视觉定位算法 　　（一）经典SIFT算法 　　图像匹配的过程实际是指寻求两幅图像间的映射过程，也就是说，要将两幅不同视点的同一景物或物体的图像中对应于空间同一位置的点联系起来 对应点就是同一三维空间点在不同视点图像上的投影。SIFT独特性好，信息量丰富，并对尺度缩放旋转视角变化遮挡噪声和亮度变化等大部分干扰都具有很好的鲁棒性。在相关实验中，SIFT算子己被证实其匹配性能明显高于同类型的局部特征，在场景匹配目标识别等领域有很大的利用价值。 　　SIFT算法基于图像特征尺度选择的思想，建立图像的多尺度控件，在不同的尺度下检测到同一个特征点。确定特征点位置的同时确定其尺寸，达到尺度抗缩放的目的，以实现算子对尺度和方向的无关性。主要分为四个步骤： 　　1.尺度空间极值检测 　　3.确定关键点方向 　　将坐标轴旋转到特征点方向，以保证旋转不变性.实际计算过程中。为了增强匹配的稳健性，建议对每个关键点使用 4×4 共 16 个种子点来描述，这样对于一个关键点就可以产生 128个数据，即最终 形成 128 维的 SIFT特征向量（即特征描述符）。SIFT特征描述符对光照、噪声、旋转和尺度都具有良好的不变性。 　　4.特征匹配描述 　　特征点匹配是指在找出图像的特征点后，寻找图像间特征点的对应关系。通常采用最近邻方法，即查找每一个特征点在另外一幅图像中的最近邻。理想状态下两幅图像之间相同部分的特征点应该具有相同的特征描述向量，所以它们之间的距离应该最近。SIFT特征向量的匹配主要就是对两幅待匹配图像的SIFT特征向量进行相似性度量，图像的每局部特征点在待匹配图像的特征点集中的最邻近匹配，这里使用斜面距离作为特征点的相似性度量。计算两个特征向量（a1，a2，a3，…），（b1，b2，b3，…）之间的斜面距离： 　　式中：Umin为最邻近距，U1为次邻近距离，当它们的比值小于距离比例阈值 R 时判定为正确匹配，否则为错误匹配。 　　（二）SIFT算法的改进 　　由于SIFT特征向量高达128维，这对在大规模特征数据库中进行SIFT特征的索引带来了很大的存储压力，更由于其巨大的计算量因而对匹配速度造成不利影响应用SIFT算法匹配图像时，必须计算一幅图像中的特征点与另外一幅图像中的所有特征点的距离，而每一个距离涉及128维数据，计算的复杂度是可想而知的本文SIFT算法特征向量匹配中，通过准欧式距离代替欧氏距离，在通过极限几何约束消除多的错误匹配点对，从而缩短匹配时间，提高算法的匹配效率SIFT图像匹配一般采用欧氏距离函数作为特征的相似性度量，欧氏距离是指两个像素的直线距离，在二维情况下定义为： 　　根据定义即可知计算Lq比计算L0简单多因此如果用计算Lq代替计算L0，求得的数值偏小若用Lq适当的线性组合代替L0，应该既能使计算保持简单，又能使计算的偏差减少在本文中用αLq代替L0，即L0=αLq明显，在一次计算L0时，需要128次乘法和一次开平方；这种算法只需要一次乘法若图像中生成的1