立体视觉特征点比对演算法分析与实现.PDF

中華民國第十六屆車輛工程學術研討會，國立臺北科技大學車輛工程系，台灣台北， 2011 年 11月 11日。 th The 16 National Conference on Vehicle Engineering, Nov. 11, 2011, National Taipei U. of Tech., Taipei, Taiwan, R.O.C. X- xxx 立體視覺特徵點比對演算法分析與實現 陳育菘、廖育昇、徐子建 財團法人車輛研究測試中心 E-mail: hsutc@artc.org.tw 摘要 (Percentage of Bad Matching, PBM) ，歸納出一較佳之特 近年來，立體視覺技術逐漸被應用在車輛安全領 徵點比對演算法。 域，利用立體視覺的原理得到以目標深度為主的資訊， 進而偵測障礙物與道路狀況，以確保行車安全。在立體 2. 演算法評判標準 視覺演算法流程中，兩張影像的特徵點比對技術為深度 近年來，立體視覺特徵點比對演算法為非常熱門 影像準確與否的關鍵技術，本研究擬透過多個不同特徵 的研究重點題目，為了評判各種演算法的優劣，需要引 點比對演算法之實現，歸納出最佳的特徵點比對流程， 入統一的演算法評判標準來對演算法進行評定。因此， 並以Tsukuba標準測試圖分析各演算法錯誤匹配像素百 一般都採用大家認可的圖片來檢驗演算法，一般常見的 分率(Percentage of Bad Matching, PBM) ，得到特徵點比 圖片集有 Tsukuba 、Venus 、Teddy 、Map 、Sawtooth 與 對效果。結果指出，採用像素灰階差的絕對值(Absolute Cones 六種。這些圖片是在各種不同環境下拍攝的，其 Intensity Differences, AD)建構的比對代價，再以 BT 法 極線均已校正過，並提供標準視差圖用來與演算法生成 與前景膨脹濾除處理優化比對代價後，以置信度傳遞法 的視差圖進行比對，因此可以很客觀的檢驗立體特徵點 (Belief Propagation, BP)[1] ，並結合Potts模型的平滑性 比對演算法的精度及適用範圍，本研究採用Tsukuba標 限制條件進行訊息更新與疊代，最後以相似點濾除與孤 準測試圖來驗證演算法優劣。通常有兩個指數對演算法 立點濾除處理，可得到最佳特徵點比對效果。由執行結 運算結果的誤差進行評定。 果可知，於第 5 次疊代時，PBM即可降至 5.5 % 。利用 本研究之演算法可有效降低 PBM ，提高深度資訊正確 率，有助於提升立體視覺相關系統效能。 關鍵詞 ：立體視覺、特徵點比對、置信度傳遞法 1. 前言 圖 1 Tsukuba圖的左視圖、右視圖、標準視差圖（從 機器視覺是先進安全車輛系統(Advanced Safety 左至右） Vehicle)中極為重要的一種感測系統，經由攝影機所得 的視覺感測資訊，包含了大量的環境資訊，包括物體外 (1)誤匹配像素百分比 (Percentage of Bad Matching, 型、顏色、明暗、陰影等。一般而言，單眼機械視覺能 PBM) 1 ( ( ) ( ) ) 解決大部分的簡單應用，但其在車輛周圍道路環境的使