基于实时局部特点描述的自然路标提取与匹配.docVIP

基于实时局部特征描述的自然路标提取与匹配-电气论文 基于实时局部特征描述的自然路标提取与匹配 刘天衡1，石朝侠1，王一璞2 （1.南京理工大学计算机科学与工程学院，江苏南京210094；2.哈尔滨理工大学计算机科学与技术学院，黑龙江哈尔滨150080） 摘要：针对户外场景路标匹配中所需的局部特征抽取和匹配技术进行研究，提出了基于曲率的特征抽取和二进制特征描述相结合的方法。算法利用基于曲率算法的特征分布较合理的特性，克服了传统特征分布不均的问题，且通过二进制描述算法解决了特征匹配的实时性问题，最后通过实验对比了不同算法的有效性和实时性。结果表明，该算法能够在保证实时性的同时提取出有效的均匀特征点。 关键词 ：特征匹配；特征抽取；路标匹配；曲率算法 中图分类号：TN911.73?34 文献标识码：A 文章编号：1004?373X（2015）15?0008?04 收稿日期：2015?02?08 基金项目：国家自然科学基金；中国博士后科学基金项目（1108000152）资助 0 引言 定位是移动机器人最基本的功能之一，最早的定位研究成果主要是通过机器人的内部传感器，如码表、惯性仪等设施实现定位，但由于打滑、地面崎岖不平等原因造成的误差累积常常会导致定位结果不精确，不宜长时间单独导航。如果通过GPS定位或者利用我国的北斗导航系统定位，在有遮挡区域等信号不好的地方定位系统将失效，因此，人们开始逐渐采用外部传感器来辅助定位，比如红外和视觉传感器[1?2]。 视觉传感器因其丰富的环境信息如视觉、纹理、形状等备受关注，而且由计算机视觉理论可知，通过视觉系统便可准确识别出目标并判断出自身位姿。目前许多现存的方法中，大多采用人工设置路标，然后在机器人移动过程中对事先设定的人工路标进行匹配实现定位。但是随着研究工作的不断进展，人们逐渐将移动机器人的应用场景从室内转到了室外，此时许多特定情况下，人工设置路标是不现实的，所以自然路标就成为在户外条件下的首选方法。所谓自然特征就是指环境中已有的、非人工设置的、能够用以标识不同环境场景的特征对象。相对于室内大多结构化的环境，室外复杂的非结构化环境对移动机器人的定位和导航带来了相当大的挑战，同时，相对于室内，室外不断变化的光照条件和气候环境也是研究中的一大挑战。 基于视觉的自然路标需要提取其不变点，之后利用特征点匹配的方法判断和识别路标，从而实现移动机器人的定位。与GPS定位方法不同，基于特征的定位方法首先将原始的采样数据转换为相应的局部特征，在只需少量存储空间的情况下保存丰富而精确的环境信息。这类方法通常具有较好的鲁棒性，能满足相对复杂的应用，但在道路两旁有植被分布时，大多数特征点都集中于道路两旁的树木，而且提取的特征较为相似，这对后期的特征匹配和机器人定位带来了较大的影响。因此，如何剔除植被对自然路标提取的影响，将特征点尽可能均匀地分布到场景的建筑物中去，成为自然路标提取中的一大难题[3]。 目前已有的局部特征匹配算法主要有Harris，SIFT，SURF，ORB 等[4?5]，SIFT（Scale ? invariant Feature Trans?form）算法由David Lowe在1999年提出，2004年完善总结。因其具有良好的尺度旋转不变性而受到广泛关注，但由于其运算速度较慢，影响了其在实时应用中的应用。Herbert Bay 针对SIFT 算法提出了改进的SURF 算法[6?7]，在速度上提升了一个量级，但是在一些实时应用中此速度依旧不够。直到2011 年Willowgarage 提出了ORB算法[8?9]，可以满足大多数实时性应用。但是，ORB算法提取的特征点，在户外应用中，特征点分布都不够均匀，故本文采用基于曲率的算法来实现较均匀的特征点提取[10]。 1 基于曲率的特征点抽取 基于曲率的特征点抽取方法计算简单，提取出来的特征点具有旋转不变性，对噪声和亮度变化也都具有良好的鲁棒性，且特征点分布均匀，更重要的是可以提取定量的特征点。该方法主要通过灰度变化来判断是否是角点，当图像中某一点沿任意方向的微小偏移都会产生灰度的大量变化，则该点被认为是角点。设Ix 为水平方向灰度的变化，Iy 为竖直方向的灰度变化，那么角点就是Ix，Iy 变化都很大的点，而边缘则是Ix，Iy 中只有一个变化较大的点。设w(x,y) 是以(x,y) 为中心的一个滑块，当其在任意方向滑动[u,v] 时，产生灰度变化E(u,v) 的计算方法如下： 而后根据泰勒级数计算出一阶到n 阶的偏导数，最终可以得到一个矩阵公式：