基于FREAK匹配算法的目標工件測距

改造者：黃曉城 劉 偉 李德隆

基于FREAK匹配算法的目標工件測距

改造者：黃曉城 劉 偉 李德隆

為了精確地測量出目標物的三維空間距離，解決雙目立體視覺區域匹配算法視差圖效果不穩定、匹配困難等問題，提出一種自行選取目標物，利用FREAK匹配算法和RANSAC迭代算法相結合的方式直接對目標物進行立體匹配的方法，不僅在背景復雜的環境下能有效對目標工件進行立體匹配，同時較于SIFT、SUFT具有更高的匹配速率，實驗證明，本文方法在精確測量目標工件的情況下，很好的減少了立體匹配時間。

隨著我國科學技術和市場經濟的快速發展，如何降低成本、保證質量的生產情況下，提升整個生產企業的生產效率關乎每個生產企業的競爭力，因此采用工業機器人對整個壓鑄生產線進行智能化生產加工，成為企業的發展方向。在工業生產中，傳統的機器人一般通過設置固定位姿對目標工件進行抓取，但這種設置機器人固定位姿的操作方式，經常會因為工件位置發生偏差造成對工件的抓取失敗，利用雙目立體視覺不僅可以對工件進行高精度的二維或三維空間定位，同時受外界環境干擾小，可靠性高。

雙目測距拘束的關鍵在于特征點的匹配，傳統的雙目立體視覺測距就是利用視差圖的方式，得到目標物體的三維空間信息，而視差圖的計算距離（BM算法）存在較大的誤差，根本原因在于模塊匹配中，搜索區域的匹配點存在較大的誤差；在基于SIFT、SURF立體匹配算法中，由于匹配速率低，導致目標工件測距時間長等原因，本文提出一種基于FREAK立體匹配算法的研究。

FREAK匹配算法

FREAK（Fast Retina Keypoint，）算法即快速視網膜關鍵點匹配算法，是由Alahi等提出的一種局部不變特征匹配算法，該算法基于視網膜采用模型，基本的低精度圖像基本信息由特征點周邊的采樣區域處理，細節等高精度的圖像信息由特征點中心區域處理，類似于BRISK，是一種固定的抽樣策略。

Freak描述符是在一個類似人眼視網膜拓撲結構進行采樣，如圖1所示。其中Fovea區域主要是對高精度的圖像信息進行處理，Para主要是對低精度的圖像信息進行處理。該結構中，以大圓中心的點為特征點，其他分布的點為特征點的采樣點，采樣點距離特征點越近，密集度越大，同時采樣點的圓半徑越小，其中以每個采樣點為中心的圓半徑代表的是高斯平滑核的大小。通過二進制比特串來表示FREAK描述符，由采樣點對和其對應的高斯核進行閾值對比以生成二值串。將結果級聯便形成最終描述符F。具體生成方法為：

（1）FREAK描述符

假設F為二進制描述子，是一對視網膜網格感受野，是期望的二進制編碼長度， 表示采樣點對 中前一個采樣點的像素值，則：

FREAK的旋轉不變性是基于描述符的圓形對稱采樣結構，而圓半徑和采樣位置隨著尺度的變化而變化，使FREAK具有尺度不變性，在對每個采樣點進行高斯平滑生成的圓半徑使FREAK具有一定的削弱噪聲的能力。

（2）掃視搜索

人類視覺系統通常是由人眼周圍區域感知外界的基本信息，然后由中央凹對目標物進行捕捉。FREAK使用類似掃視方法，首先，構建匹配比較器的第一級，由FREAK描述子的前N1個字節對圖像進行搜索，如果距離在某個閾值T1范圍內，則構建下一個匹配比較器第二級，以此類推。超過90%的候選匹配描述子可以通過前16個字節被剔除。

（3）方向的定位

為了計算關鍵點的旋轉角度，對選取的采樣點對進行局部梯度的計算。假設G為用于計算局部梯度的采樣點對的集合，M是G中采樣點對的個數，是一個由感受域中心點的空間坐標組成的二維向量，其描述子的主方向由梯度之和的平均值求得：

實驗效果如圖2所示。

圖1 FREAK描述符采樣結構圖

圖2 FREAK特征提取和匹配

圖3 FREAK特征提取和匹配

圖4 FREAK特征提取和匹配

由圖2可以看出，基于FREAK算法對物體的匹配產生了大量的誤匹配點，同時在對目標工件的測距中，產生了大量的其他區域的匹配，不僅造成匹配效率更低，同時給目標物的匹配帶來許多誤匹配信息。基于雙目立體視覺系統，提出一種FREAK立體匹配算法與RANSAC迭代算法相結合的匹配算法，同時利用自行選取目標工件的ROI區域，實現對目標物的正確提取和匹配。

通過RANSAC迭代算法對FREAK匹配算法的匹配點對進行篩選，去除錯誤匹配點對，同時本文采用一種自行選取ROI區域的方式，直接對目標工件區域進行選取，再通過FREAK匹配算法對目標進行匹配，有效的提高了目標工件的匹配效率和正確率。具體實驗效果以圖3、圖4所示。

本文同時采用SIFT、SURF立體匹配算法分別對該場景的目標物進行區域選取和立體匹配，比較三種立體匹配算法的匹配速度、成功匹配度以及穩定性。

表1 FREAK匹配算法實驗結果

表2 SIFT、SURF、FREAK匹配算法比較

測距結果

利用上述匹配算法得到目標物的匹配像素坐標，根據雙目立體視覺原理，根據式（3）計算出目標物的深度信息，如表1所示（目標工件的實際測量距離為1100mm）。

表3 目標工件的三維距離測距實驗結果

由上述結果可以看出，在利用FREAK匹配算法對目標工件進行立體匹配中，測得的目標工件的深度平均距離為1097.925m誤差為2.075mm，符合測量誤差。

結語

通過以上分析，基于FREAK的特征點提取和匹配實驗中，FREAK通過利用人眼視網膜拓撲結構進行特征點的掃視搜索，提取出了較多的特征點，在基于原圖的FREAK特征提取和匹配中，FREAK與SIFT和SURF算法一樣，由于其他物體的干擾導致了一些錯誤匹配點對，采用自行選取的ROI區域可以看出，FREAK去除了一些外界物體帶來的誤匹配點對。利用RANSAC算法結合FREAK算法再對ROI區域內的匹配點對進行篩選，去除了所有的誤匹配點對，使目標物的提取和匹配達到了較好的效果，同時在速度上比SIFT算法、SURF算法更快，但是FREAK算法對仿射發生變化情況下，匹配成功率會有所降低，穩定性一般。

黃曉城 劉 偉 李德隆

廣東工業大學材料與能源學院

黃曉城，（1989－）男，碩士研究生，研究領域為圖像處理、機器視覺等，劉偉，男，副教授，研究領域為圖像處理，機器視覺等，李德隆，（1988－）男，碩士研究生，研究領域為圖像處理、機器視覺等。

10.3969/j.issn.1001-8972.2016.09.034