FAST算法机器人角点检测中的应用与研究

张卫兵

（湖南信息职业技术学院，湖南长沙，410200）

0 引言

机器人作为当前最为先进的自动化工具，可以在很多复杂的环境中工作，取代人们完成高精度、高难度和高危险作业，大大地提高了社会的信息化和智能化[1]。蛇形机器人是机器人应用的关键研究领域，其可以应用于复杂多变的环境，但是蛇形机器人的导航和控制技术一直是制约其应用的关键技术，针对单目视觉未知环境的蛇形机器人SLAM进行研究发现，可以利用实时的图像角点检测和特征提取实现相邻关键帧快速特征匹配与局部图像构建，接着可以使用卷积神经网络的回环检测方法来生成全局地图[2]。因此，本文针对高动态不确定性环境下实时图像角点检测与特征提取针对高动态复杂未知运动环境下，为提高蛇形搜救机器人在蜿蜒、蠕动、翻滚步态运动时图像的尺度、平移、旋转变化的角点检测速度与特征提取准确度，详细地描述具有方向特征信息的改进FAST角点检测算法，然后改进基于像素点二进制位比较的BRIEF特征描述子，使其具备对旋转不变性及对图像噪声不敏感，提高特征提取准确度，提高机器人动态环境下图像跟踪的准确度和鲁棒性[3]。

1 Fast算法在机器人角点检测中的应用现状

FAST（Features From Accelerated Segment Test）是一种非常先进的角点检测算法，该算法运算过程简单，计算速度非常快，能够实现特征点提取，完成物体对象的跟踪和映射，远优于传统的SIFT算法、SURE算法、Harris算法。FAST算法定义了角点，形式化角点判定规则如下：比较候选像素与其周围一圈像素的灰度值，如果灰度值相差非常大的像素集合在一起能够构成连续的弧，通过计算可以发现弧长大于圆周长的75%，因此可以判定这个弧即是角点[4]。图像角点检测与配准在高动态不确定性环境中，高速提取特征点十分必要。FAST算法是一种基于机器学习的快速角点检测算法。对于灰度图像的FAST角点检测可以定义为：在某一像素点的周围邻域内有足够多像素点的灰度值大于或者小于该点灰度值，则该点选为角点。机器人角点检测需要使用特征点的邻域阶距，某特征点邻域的(p+q)阶矩定义如公式1所示。

特征点邻域的质心坐标C计算过程如公式2所示。

质心的方向计算过程如公式3所示。

采用分割检测判据进行FAST特征检测，即在以像素点p为中心，以r为半径的圆周上如果存在联系的n个像素，通过下式判断该像素点是否为角点：表示圆周上任意一个像素点的灰度值；表示中心像素点p的灰度值，t是给定的一个很小的阈值，如果CRF=1的个数大于一个给定的阈值T，则该点选为候选点，通常T=12。Fast角点检测示意图由于FAST兴趣点不具有多尺度特性，因此建立图像金字塔，在每一层图像中提取FAST角点以引入尺度特性。然后就要为FAST兴趣点添加方向，使其成为具有方向的FAST兴趣点，通过引入灰度质心法确定特征点的方向，即通过计算特征点的矩来得到点的方向。在单目视觉中，由于单个CCD摄像头无法直接获得图像的深度信息，即无法获得相机与特征点之间的坐标关系，在蛇形机器人平台中需要采用特殊的特征初始化方法来解决这个问题。FAST角点检测算法通常应用于机器人单目视觉，可以大大地提升角点检测效率。但是，经过多年的应用和普及，FAST算法也在不断地改进和提升。刘亮等人针对FAST角点检测仅仅针对单一类型角点检测的问题进行分析，发现其采用单一阈值应用于一帧图像检测无法取得理想效果，引入了自适应思想，提出一种基于区域灰度变化的FAST角点检测算法，该算法可以针对一帧图像进行高斯滤波，然后结合灰度差筛选出候选点，再引入自适应阈值针对不同大小的灰度值进行分类，使用检测模板再次对候选点进行筛选，获得一个最佳的匹配角点，该算法能够提取出有效的角点，能够克服不同的角点轮廓检测产生的丢失或冗余问题，具有较好的鲁棒性。刘妍等人详细地描述了合成雷达孔径检测过程中FAST算法存在的问题，引入了变化检测和图像信息融合技术提出SAR-FAST算法，该算法能够使用迭代引导平滑算法抑制斑点噪声针对角点检测造成的影响，然后以检测点为圆心，选择一个合适的半径在圆周上选择检测窗口，能够准确统计与检测点不相似的窗口数量，准确判断检测点是否为角点，可以有效地保证检测算法稳定，提高检测的准确度。另外，FAST算法还引入了扩展卡尔曼滤波技术，该技术是一种应用非常广泛的误匹配剔除算法，随着匹配点个数的增加，算法迭代次数就会迅速上升，大大地增加了算法的计算效率，因此采用卡尔曼滤波可以利用先验信息，确保角点检测的计算速度，确保计算精度，降低迭代次数，该算法应用于机器人检测时，可以充分利用周围环境信息，结合卡尔曼滤波算法提出误匹配算法，获得更加稳定的特征点，从而构建环境的地图信息，最后用得到的匹配点进行三维环境重建和机器人定位。

2 Fast算法在机器人角点检测中的应用发展趋势

目前，蛇形机器人具有一个较强的运动性，因此高动态不确定性环境下构建一个大尺度旋转性较强的实时图像特征提取能力，可以提高机器人动态环境图像跟踪的鲁棒性。为了能够缩小机器人运动距离，局部扩大运动地图面积，缩小相关的数据误差。蛇形机器人视觉系统结构设计为了保证机器人能够适应复杂现场环境，要求机器人结构具有高稳定性和适应性，兼具基本运动和复杂运动的多步态运动方式，要遵循质量轻、体积小、结构简单等原则；采用模块化设计及建模仿真设计方法，应用三维模型设计软件、机械系统动力学仿真软件和辅助分析设计软件等进行设计，蛇形机器人变形、分体及总体装配结构如图1所示。

图1 蛇形机器人总体结构

蛇形机器人视觉图像包含的内容非常丰富，模式特征也较多，比如直方图特征、模板各种、颜色特征、结构特征等，图像检测就是可以将有价值的信息挑出来，利用这些特征实现对象检测。图像识别时，蛇形机器人视觉系统拍摄的照片光线不均匀，因此图像识别时产生的噪声数据非常多，需要利用二值法、阈值法等针对图像进行预处理，降低图像识别时的噪声数据，更加准确的获取图像内容。利用FAST算法以及其他深度学习可以构建多层次的神经网络提取图像特征，然后针对特征内容进行分类，将图像划分为背景内容、目标对象，然后针对图像进行加工，将这些内容与数据库中保存的模式进行比对，更好的识别申请对象提交的内容。这样就可以更好的完成目标检测。蛇形机器人视觉目标检测主要包括两类，分别是基于区域的方法和无区域的方法。区域特征检测技术采用选择性搜索策略提取候选区域，从学习网络中的每个区域提取固定长度的特征向量，经过多个卷积层和全连接层进行处理，可以得到一个高纬度特征向量进行分类，这样就可以获取区域高度的交叠。无区域特征检测将目标检测看作是一个回归问题，其可以估计图像中的目标位置和类型概率，采取BP神经网络的回归输出目标轮廓，更加有利于分类特征描述，准确捕获目标几何信息。随着机器人技术的发展和改进，这些机器人技术应用的场景日趋复杂，因此未来FAST算法需要在机器人检测中进一步改进和提升，研究发展趋势包括以下两个方面：

（1）针对蛇形机器人的机械结构特点，FAST算法需要合理部署多个摄像机位置，从不同的角度实现图像信息采集，优化机器人系统的并联结构，实现多目视觉检测，提高机器人系统可扩展性和鲁棒性。

（2）本文总结分析FAST算法使用的图形图案标定板，针对标定摄像机计算时产生的误差进行分析，建立一个椭圆形投影过程，这样可以更好地保证误差分析模型，利用简洁的矩阵表达式替代繁琐的空间几何投影，这样也可以缩小计算繁杂程度，同时减少计算产生的误差，基于圆形测量应用提供强大的理论基础。

3 结束语

蛇形机器人运动过程非常复杂，具有较强的实时性和高效性要求，因此为了提高蛇形机器人的运动准确度，保证运动轨迹与预测一致，本文在蛇形机器人角点检测中引入了FAST算法，该算法可以提高角点特征提取的鲁棒性和准确度，进一步改进蛇形机器人导航控制能力。