一種改進SOM的雙目視覺特征點快速匹配方法*

王　磊，孟祥萍，紀　秀

一種改進SOM的雙目視覺特征點快速匹配方法*

王磊，孟祥萍，紀秀

（長春工程學院電氣與信息工程學院，吉林長春130012）

針對未知非結構化室內環境中雙目視覺機器人路標特征匹配的問題進行了研究，提出了基于改進自組織映射網絡（Self-Organizing Map，SOM）的雙目視覺特征點快速匹配方法。對雙目視覺獲取的環境圖像提取SIFT特征向量作為改進SOM的輸入，利用獲勝者計算技術完成對輸入SIFT特征點的快速匹配，SOM競爭學習過程中用街區距離與棋盤距離的線性組合作為相似性度量函數。實驗結果表明，所提方法在路標特征匹配的時間和效果上優于傳統SIFT和SURF特征匹配的方法，且能滿足實時性要求。

無監督競爭學習；特征匹配；雙目視覺；自組織映射網絡

0　引言

在未知室內環境中，移動機器人對自身與環境的精確定位是實現自主導航的前提和基礎［1］，而雙目視覺可以獲取更完整的環境信息、探測范圍更廣，匹配雙目圖像顯著的特征點作為路標［2］，構建機器人的環境地圖是移動機器人實現自主導航的基礎。

大多研究人員提出的算法主要是研究如何確定興趣點和其相鄰區域以及如何提取特征點的描述符向量。近些年不斷有新的匹配算法被提出，參考文獻［3］中提出對旋轉、尺度縮放、亮度變化保持不變性的局部特征描述方法（Scale Invariant Feature Transform，SIFT）。該算法復雜度高，提取大量的局部特征點集，導致圖像處理過程很慢，不能滿足實時要求。參考文獻［4］提出Harris-SIFT算法，用Harris角點代替SIFT算法的多尺度空間極值檢測，生成SIFT特征描述子用在雙目圖像對的匹配上。但該算法失去了SIFT算法對于尺度縮放保持不變的特性。參考文獻［5］改進了參考文獻［4］的Harris-SIFT算法，保持了SIFT特性。采用Best Bin First（BBF）來減少匹配搜索的復雜度，提高了匹配速度。

本文提出一種SIFT特征向量提取與SOM競爭學習技術相結合的特征點快速匹配方法，大大減少了檢測時間。實驗表明，所提算法對特征點匹配的速度與效果優于傳統SIFT和SURF匹配算法［6-7］，滿足移動機器人的實時性要求。

1　特征點提取

雙目立體視覺系統由參數相同的兩個攝像頭組成，令兩個攝像頭的光軸互相平行且與透視投影平面垂直，要求同步曝光及圖像質量一致。獲取的左、右目圖像分別記為IL、IR。分別對IL、IR提取SIFT特征點，每一個特征點對應一個描述符特征向量。描述符向量使用4×4的16個種子點來描述，通過高斯加權后歸入8個方向直方圖，獲得一個4×4×8的128維SIFT特征描述子。由IL、IR提取的特征點組成的集合分別記為FL、FR，隨后作為自組織映射網絡（SOM）的輸入進行特征點的快速匹配。

2　自組織映射網絡（SOM）分析

基于Kohonen神經網絡的SOM方法是一種無監督競爭學習的神經網絡學習算法［8-9］。

設輸入變量集合X=｛x1，x2，…，xk｝∈Rn，權重系數W=｛wi1，wi2，…，win｝∈Rn。隨機選取W的初始值，將輸入特征模式向量X輸入到SOM輸入層處理單元中，當網絡得到一個新的輸入模式向量時，競爭層的所有神經元對應的關聯權向量均與其進行相似性比較，并將最相似的權向量判為競爭獲勝神經元，由式（1）可以得到獲勝單元。

在訓練過程中，以獲勝神經元為中心設定一個鄰域半徑，稱為優勝鄰域。優勝鄰域內的節點也會彼此激發學習一個相同的輸入向量X，優勝鄰域Nj*（t）內的所有神經元節點由式（2）進行權值調整。

其中，i=1，2，…n，j∈Nj*（t）；η（t，N）是訓練時間t和鄰域內第j個神經元與獲勝神經元y*之間的拓撲距離N的函數，可表示為：

其中，η（t）為學習率因子（0＜η（t）＜1），優勝鄰域開始定得很大，但隨著訓練次數的增加，優勝鄰域會不斷收縮，最終收縮到半徑為零。

3　改進SOM的特征點匹配

傳統SIFT和SURF的特征匹配算法復雜度高，圖像匹配效率低，不能滿足實時性要求。本文運用改進的SOM網絡完成雙目圖像特征點的快速匹配，加快特征點的匹配速度。基于改進SOM的特征點匹配流程圖如圖1所示。

圖1　基于改進的SOM特征點匹配流程圖

修改后的算法把特征點匹配問題轉換成一個圖像的每個特征點與對應的另一圖像特征點間立體映射的估計，所提算法選取街區距離LJ與棋盤距離LQ的線性組合代替歐氏距離Lo，可知計算LJ和LQ比Lo簡單很多，而且LQ≤Lo≤LJ，所以本文用αLQ+βLJ替代Lo，作為相似性度量函數，減少了計算量，從而提高計算速度。

修改后的SOM特征點匹配步驟如下：

（1）用左目圖像每個特征點對應的圖像坐標和連接強度作為初始權值。左目圖像（i，j）處初始權值表示為

（2）隨意選取一個右目特征點，將相應的特征矢量輸入到SOM。如為右目圖像（m，n）處特征點相應的輸入特征矢量。

（3）根據αLQ+βLJ計算神經網絡中第（m，n）個輸入的獲勝神經元（x，y），表明左目圖像中能夠和右目圖像第（m，n）個特征點匹配。

（4）按照式（4）調整權值向量的前兩個權值。

設H是圖像高度，W是圖像寬度。

（5）將上面4個步驟重復N次結束。其中，N是一個預定的數值N=100×WH。

完成以上步驟后就完成了雙目圖像之間的特征點匹配。為了進一步提高匹配的準確率，使用極線幾何約束、視差約束、有序性約束以及唯一性約束條件消除錯誤的匹配點。

4　實驗與結果分析

本文使用旅行家2號機器人作為實驗平臺，兩個攝像頭之間的基線長20 cm。對獲取到的圖像分別使用SIFT和SURF特征匹配方法以及所提算法進行特征點匹配。圖2（a）為所提算法未使用約束條件進行特征點匹配的實驗結果，圖2（b）為約束條件過濾后的匹配結果。

圖2　本文提出算法特征點匹配

從圖2可以發現，未使用約束條件過濾前有明顯的誤配點，使用極線幾何約束、視差約束等約束條件可以剔除大量的錯誤匹配點，提高匹配的準確度。圖3為實驗仿真對比結果，可以看出所提算法在匹配數量與時間上優于傳統算法。獲取大量圖像對所提算法進行實驗評估，統計運行耗時和特征點匹配數量如圖4、圖5所示。

本文用SIFT算法提取雙目圖像的特征點集作為SOM的輸入，減少了檢測時間。使用棋盤距離和街區距離的線性組合代替歐式距離作為相似度量函數，大大降低了計算量，減少了計算時間。使用獲勝者計算技術保證了特征點的數量。

實驗結果表明，所提算法在實驗室環境下對雙目圖像特征點的匹配速度更快，且匹配的特征點數量穩定，可以滿足機器人導航實時性的要求。

圖3　實驗仿真結果

圖4　特征點匹配計算耗時統計

圖5　特征點匹配數量統計

5　結論

SIFT算法具有尺度、旋轉、視角和光照不變性，但由于復雜性高、效率低等達不到實時性的理想效果。本文使用SIFT特征點向量與改進的SOM相結合的無監督競爭學習算法，對雙目圖像特征點完成快速匹配。實驗結果表明，所提算法在實驗室環境下對雙目圖像特征點的匹配有較好的實驗效果，可以快速、準確地匹配穩定的特征點。在未來的工作中，將在本文所提算法的基礎上，進行雙目視覺機器人實時定位與地圖構建（Simultaneous Localization and Mapping，SLAM）［10］的研究。

［1］林睿.基于圖像特征點的移動機器人立體視覺SLAM研究［D］.哈爾濱：哈爾濱工業大學，2011.

［2］王璐，蔡自興.未知環境中基于視覺顯著性的自然路標檢測［J］.模式識別與人工智能，2006，19（1）：100-105.

［3］LOWE D G.Distinctive image features from scale-invariant keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.

［4］趙欽君，趙東標，韋虎.Harris-SIFT算法及其在雙目立體視覺中的應用［J］.電子科技大學學報，2010，39（4）：546-550．

［5］王民，劉偉光.基于改進SIFT特征的雙目圖像匹配算法［J］.計算機工程與應用，2013，49（2）：203-206.

［6］常青，張斌，邵金玲.基于SIFT和RANSAC的特征圖像匹配方法［J］.華東理工大學學報（自然科學版），2012，38（6）：747-751.

［7］陳小丹，杜宇人，高秀斌.一種基于SURF的圖像特征點快速匹配算法［J］.揚州大學學報（自然科學版），2012，15（4）：64-67.

［8］KOHONEN T.Self-organizing maps［J］.Springer，1995，11 （3）：340-349.

［9］楊占華，楊燕.SOM神經網絡算法的研究與進展［J］.計算機工程，2006，32（16）：201-203.

［10］蘇立.室內環境下移動機器人雙目視SLAM研究［D］.西安：西安理工大學，2010.

A fast matching approach of binocular vision feature points based on im proved SOM

Wang Lei，Meng Xiangping，Ji Xiu
（College of Electrical and Information Engineering，Changchun Institute of Technology，Changchun 130012，China）

Aiming at unknown unstructured indoor environment，the problem of binocular vision robot landmarks feature matching is studied，and a feature points fast matching approach with binocular vision and improved Self-Organizing Map is proposed.Feature vectors of the environmental images acquired by the binocular vision extracted from SIFT as an input for SOM. The fast matching of input SIFT feature points are completed based on winner calculation technique.In competitive learning process of SOM，a linear combination of the block distance and the chessboard distance is used as a similarity measure.Experiments show that the proposed method has better computation time and effect on feature matching than the traditional SIFT and SURF of feature matching methods，and it can satisfy the requirement of real time performance.

unsupervised competitive learning；feature matching；binocular vision；Self-Organizing Map

TP242

A

1674-7720（2015）04-0043-03

吉林省科技發展項目（20130206049GX）；吉林省教育部項目（2012267）

（2014-09-29）

王磊（1988-），通信作者，男，碩士研究生，主要研究方向：機器人SLAM。E-mail：wang@ccitrobot.com。

孟祥萍（1961-），女，博士，教授，主要研究方向：人工智能算法、機器視覺。

紀秀（1981-），男，碩士，講師，主要研究方向：智能電網技術、機器視覺。