机器人立体视觉中立体匹配的研究

吴玲 朱宝忠

摘 要：文章结合特征点提取经典的Harris算子与Forstner算子，给出了Harris的改进算法；结合特征点的双向匹配算法，对基于区域的匹配算法有所改进，依据归一化互相关算法（NCC）计算相关灰度值来判断是否互为匹配点。

关键词：特征提取；特征点；匹配算法；灰度值

中图分类号：TP391.41 文献标识码：A 文章编号：1006-8937（2015）24-0083-02

1 特征提取

特征提取的目的是为了获取立体匹配时的图像特征，这些特征有点、线和区域等，这些提取特征的准确性对图像匹配的成功性有着直接的影响，因此，特征提取也是不容忽视的一个阶段。本文基于Harris算子简单、均匀及稳定的优势，考虑其只能定位单个像素的不足，结合Forstner算子对其作了一些改进。

2 Harris算子

2.1 Harris算子方法

Harris算子是一类典型的基于点特征的提取算子，它是由C.Harris和M.Stephens提出的为了简化运算，用一阶导数近似取代二阶导数的一种算法，而且提取到的特征点其准确性较高。图像的角点在水平和垂直方向上的导数值比较大，如果某一点是角点，则当该点向任意方向仅有一点点很小的偏移，都会引起图像灰度很大的变化。

2.2 Harris算子理念

Harris算子的理念是给出自相关矩阵，矩阵的特征值是通过计算图像像素点的相关函数的曲率构成，两个曲率都比较大的像素点则为角点。Harris算子的运算只用到灰度图像的一阶导数，因此该算子较简单且稳定。

3 Forstner算子

Forstner算子的基本思想是：选取图像上大小的窗口，并用Roberts算子对其进行滤波处理，确定最佳窗口并在包含每个像元的（影像单元，是数字化影像的最小组成单元）最佳窗口内加权中心化操作，从而确定特征点的坐标。Forstner算子的计算公式为：

Q=N-1=

（1）

其中，、为选定的大小的图像窗口中每个像素点的Roberts梯度值。通过每个窗口的兴趣值q、w，分别对应选定阈值T9（0.5～0.75）与Tw（（0.5～1.5）x，其中，—为w的平均值，若某像

元同时满足-两个条件时，则该像元确定为特征点。

4 Harris算子的改进算法

结合这两种算法的优点，克服其不足，对Harris算法进行改进，以提高提取点特征的最终效果，以便后期更成功地实现匹配。改进的具体思想为：由于Harris算子的运算只涉及一阶导数，不涉及阈值，首先，用其提取出一些特征点，可见这些特征点可以反映局部区域内最优特征，每个特征点都是一个像素点；然后，用提取出来的特征点来更加快速地确定Forstner的最佳窗口，用其作为最佳窗口的中心点，再在窗口实施加权中心化，以进一步提高特征点的精度，更加精确地给出特征点的坐标。

5 改进的双向匹配算法

在匹配过程中，采用归一化互相关函数（NCC，Normalized Cross-Correlation）来描述窗口间的像素灰度相似性。设定（u，v）为图像中某一点的像素坐标，该像素点在左、右图像中的灰度值分别为I1（u，v）和I2（u，v），所选择灰度分布窗口的模板大小为M（m×n），d表示视差，即待匹配点P1与P2在I1可能匹配点P1之间的间距，则有：

NCC（u，v，d）=

× （2）

[图1 匹配的原图像对]

在这里归一化互相关函数是用来比较两个窗口像素灰度的相似性，其NCC值越接近于1，则表示这两个窗口就越相似，求相似性的目的是最终实现匹配。

6 匹配实验及结果

实验的具体过程为：首先采用改进的Harris算法对图像对的同一区域提取特征点，然后再利用改进的双向匹配算法对该区域进行立体匹配。首先设定5×5的窗口，结合外极线约束条件，沿着水平方向在右侧区域进行搜索，采用归一化互相关算法NCC来计算每个对应窗口灰度相关值，根据双向匹配算法的原理，找到灰度值最大的特征点作为匹配点，直至区域的最后一个特征点，以实现最终匹配。匹配的原图像对如图1所示，匹配最终得到的深度图，如图2所示。