基于双目视觉的水面障碍物识别算法

韩佳颖 周楠

摘要：为了实现无人艇对水面障碍物的定位，将双目视觉技术应用于障碍物图像识别与定位，提出一种改进的双目识别的快速算法。该算法基于HSI颜色空间和SURF 特征原理实现特征点的提取，运用多类约束条件对匹配点对进行筛选，提高匹配效率。

关键词：双目识别；特征匹配；识别算法

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2018）05-0140-02

双目识别技术作为立体视觉的前沿科学在工业自动化生产、人机交互和虚拟现实等诸多领域都得到了广泛应用[1]。目前在双目识别技术的研究中，特征的提取和匹配是关键技术，主流采用SURF特征点提取和匹配算法，但是通过SURF特征匹配识别目标，会使图像特征点数量多，运算量较大，实时性较差。无人艇水面实时避障过程中，障碍物的距离信息是需要提取的主要信息，由此改进SURF特征匹配算法，优化特征点对匹配的约束条件，提高匹配速度和精度，为无人艇的自动航行和避障提供一种有效技术。

1 双目识别与定位基本原理

双目识别与定位的常规过程包括：图像获取、摄像机标定与矫正、特征提取、特征匹配和立体重构[2]。本文实现主要流程如下：

（1）通过双目摄像头来获得二维图像；（2）采用SURF原理获得左右图像匹配的特征点对，特征提取前进行图像预处理，便于特征提取；（3）利用三类约束条件进行左右图像中对应特征点对的筛选；其中特征点对筛选和匹配是本文研究的关键问题。

2 特征提取与匹配

2.1 图像预处理

摄像头获取的图像常采用RGB颜色空间描述，相比于RGB空間，HSI颜色空间用色调、色饱和度和亮度来细分颜色空间，有助于目标物体的分离。采用图像分割方法，容易将目标物体从背景中分离出来，分离后图像特征提取的计算量大大减小[3]。

2.2 基于SURF的特征点提取与匹配

Speeded Up Robust Features（SURF）[4]，是一种稳健的局部特征点检测和描述算法，是对David Lowe在1999年提出的Sift算法的改进[5]。

SURF特征点的提取和匹配由4个步骤组成（1）检测特征点；（2）选取特征点主方向；（3）生成特征描述符；（4）SURF特征点匹配。

3 特征匹配点对的筛选

双目识别技术在机器人的传感器中已得到广泛应用。利用它可以计算摄像机可拍摄范围内任意一点的三维坐标，其关键在于对应点的匹配[6]。通过SURF特征匹配获得的匹配点对数据量大，实时性较差，需要对匹配点进行进一步筛选。

3.1 误匹配原因分析

在左右图像匹配中，受摄像头差异、畸变和特征不一致性、精度等诸多因素影响，特征点匹配过程中会出现误匹配。一般有两种误匹配：一对多和匹配到错误的特征点。前者一般是由于图像中存在多个区域亮度信息分布近似的点，导致左图像中的一个特征点可与右图像中的多个特征点匹配。后者一般是由于特征点局部信息近似，导致左图像中的特征点匹配到了与之无关的特征点。因而需要对匹配点对进行筛选，增强匹配点对的准确率，提高计算的精度。

3.2 约束条件

本文设定三类约束：针对一对多的误匹配，采用唯一性约束原理排除此类误匹配；针对匹配到错误特征点的误匹配，采用局部极线约束和左右坐标约束减少误匹配。

（1）唯一性约束条件。对于左图像中的特征点，在右图中与之匹配的点若存在，则是唯一的[7]。左图中的特征点一旦匹配到右图特征点，则停止匹配。

（2）局部极限约束条件。极线约束常用于特征匹配[8]，应用极线约束可以大大减少匹配到错误匹配点，但左右图像特征点互相映射，增大了算法的运算量，不适用于实时系统中。所以本文采用局部极线约束，不做投影变换，选用合理阈值来减少第二类误匹配，方法如下：

根据上述双目摄像头特点，左右图像在纵向 y 轴上存在一个左、右目标点的匹配搜索区域，如式（1）所示。

其中，yl、yr分别为左、右匹配点自y轴坐标。若T取值太小（接近0），则蜕化为极线约束。这使得正确匹配点对被大量滤除；当T取值太大，则不能滤除错误匹配点对，需要通过试错法来获取T。

（3）左右坐标约束条件。左右坐标差可表示为：

其中，zc为目标点在摄像机坐标系中的z坐标，b为基线的长度，f为焦距，ds为像素的物理尺寸，xl为目标点在左图像中x坐标，xr为该目标点在右图像中对应的x坐标。如式2所示，需满足左右图像横坐标xl与xr的差值为正。

4 实验结果与分析

采用索尼1300万像素Exmor RSTM堆栈式图像传感器，获取左右摄像头图像后处理过程如图1（a-c）所示。本文采用局部极线约束条件，大大减少了匹配算法的计算量。

在matlab环境下分别进行SURF匹配、SURF加上局部约束条件后以及SURF加上三类约束条件后匹配的匹配点对数量，如表1所示，通过三类约束能够修正误匹配点对。经过唯一性约束、局部极线约束和左、右坐标约束后，误匹配点对数量大大减少，不仅减少了目标深度数据的计算量，提高系统时效性，还能提高深度计算数据的精度。

5 结语

本文采用双目摄像头，通过改进SURF匹配算法，实现水面障碍物识别。首先对图像进行预处理，提取有用特征图像，然后基于SURF特征原理实现特征点的提取和匹配，运用优化的三类约束条件，对误匹配的特征点对进行筛选，获得有效的特征点对。该算法能够应用于水面无人艇障碍物识别与距离测量，深度的测量范围主要由摄像头的像素量决定。本文所识别的障碍物为远处小型障碍物，障碍物的深度信息视为各处基本一致，测量快速有效，但对于大型障碍物，各处深度信息变化较大，有效的特征点对的选取仍是值得研究的问题。

参考文献

[1]尚倩.基于双目立体视觉的目标识别与定位[D].北京交通大学，2011.

[2]唐献献.基于双目立体视觉的目标识别与定位研究[D].哈尔滨理工大学，2017.

[3]高丽，令晓明.基于数学形态学的HSI空间彩色边缘检测方法[J].光电工程，2010，（4）：125-129.

[4]H Bay，A Ess， T Tuytelaars ，LV Gool. SURF： Speeded Up Robust Feature[J].Computer Vision & Image Understanding， 2008，110（3）：346-359.

[5]苏勇刚，高茂庭.基于分布式并行计算的SIFT算法[J].现代计算机，2016，（20）：18-23.

[6]肖婷，文怀兴，夏田.基于双目视觉技术的挖掘机智能化控制系统[J].工程机械，2007，（3）：4-7.

[7]向登宁，邓文怡，燕必希，等.利用极线约束方法实现图像特征点的匹配[J].北京信息科技大学学报（自然科学版），2002，（4）：21-25.

[8]陈洁，高志强，密保秀，陈会.引入极线约束的SURF特征匹配算法[J].中国图象图形学报，2016，（8）：1048-1056.