機器人雙目測距算法研究

郭攀 杜鴻

摘要：機器人的研究是當今人工智能領域的熱點之一，而雙目視覺又是機器人研究領域的熱點之.。文章對機器人雙目視覺測距避障的實現過程和原理進行介紹。其中特征的提取與匹配是實現雙目測距的核心和難點，匹配算法的選擇和實現將決定匹配后測距的精確與否。文章提出一種基于特征點的立體匹配算法的融合實現方案，最終證明了該算法的有效性和可行性。

關鍵詞：雙目視覺；特征提取；雙目標定；立體匹配

隨著人工智能的熱潮再次襲來，人們對于許多行業再次進行了深入的探索。比如汽車的自動駕駛技術、機器人的擬人化研究、智能語音交互等。而機器人的研究是其中的熱點之一，怎樣實現機器人的擬人化行為如行走避障、負重搬運等成為研究的熱點。

本文針對機器人雙目視覺的測距算法進行了相應的研究，提出了一種融合性的立體匹配測距算法。

1 雙目攝像頭的測距原理

用人的雙眼兩眼球間距稱為眼基線去觀察客觀的三維世界的景物，由于幾何光學投影，離觀察者不同距離的點在左右兩眼視網膜上的構像能產生生理視差，稱為雙目視差。它反映了客觀景物的深度。人能有深度感知，就是因為有了這個視差，再經過大腦的加工形成的。基于視差理論的雙目立體視覺，就是運用在基線兩端的兩個攝像機對同一景物成像，獲得景物的立體圖像對，通過各種算法匹配出同名像點，從而計算出視差，然后采用基于三角測量的方法恢復深度信息[1]。

雙目攝像頭的測距原理如圖1所示。

其中：O_l和O_r分別為左右攝像頭的光心，f為攝像頭的焦距，T為光心間的距離，P為空間中的一點，X_l和X_r分別為P點在左右成像平面上的點；d=X_l-X_r則為視差，最終Z即為所求的距離，從而實現點的三維信息恢復。

通過三角形相似原理可得距離公式（1）如下：

Z=

Tf

（1）

T-d

其中：T的距離是自己兩個攝像頭之間的距離，可以通過物理測量得到；f是攝像頭的焦距，其值可以通過后續的攝像頭的標定得到；故最重要的是要測出視差d，下面將給出具體的實現方法。

2 攝像頭的標定

在攝像瞬間，物點、攝像機透鏡中心和像點應處在一條直線上，但因攝像機物鏡畸變的影響，物點在像片中的像點位置發生了位移，偏離了三點共線條件。所以，利用像片對目標進行識別前應進行預處理以消除物鏡畸變的影響。這里利用棋盤進行矯正，這是因為棋盤的角點（即特征點）明顯，矯正簡單易行。矯正過程和得出數據如圖2所示（上下攝像頭一樣）。

這樣的圖片共14張（不同角度），通過OpenCV和MATLAB處理后得到數據，處理時注意棋盤的內點數，本圖片為6×6共36個內角點。左右攝像頭相同，最終一起測量，得到的結果如圖3所示。

其中內部參數：Focal Length為焦距、Principal point為主點、Skew為扭曲因子、Distortion為畸變系數。

外部參數：Rotation vector為平移向量、Translationvector為轉移向量[2]。

到這一步就測出了公式（1）中的焦距f了，而T可以物理測量，相當于已知，接下來得出視差d就可以測出距離。

3 特征提取與匹配

特征提取一般分為輪廓和點兩個方面，這里要進行點的匹配與距離測算，故選用特征點的提取方式。特征提取的主流算法一般有3種：SIFT，SURF，ORB等特征點提取算法。由于SURF是SIFT的改進版，故這里只研究SURF和ORB算法[3]。

3.1 SURF算法

SURF算法在積分圖像上使用了盒子濾波器對二階微分模板進行了簡化，從而構建了Hessian矩陣元素值，進而縮短了特征提取的時間，提高了效率。其中SURF算法在每個尺度上對每個像素點進行檢測，其近似構建的Hessian矩陣及其行列式的值分別為：

＼（H_{approx）=＼begin{bmatrix}D_{xx）（＼sigma） &D;_{xy）（＼sigma）＼＼D_{xy） （＼sigma）&D;_{yy） （＼sigma）＼end{bmatrix）＼）

＼（c（X，y，＼sigma）=D一{xx）D一{yy）-（0.9D一{xy））^2＼）

其中＼fD一{xx），D一{xy）＼）和＼（D一{yy）＼）為利用盒子濾波器獲得的近似卷積值。如果＼（c（X，y，＼sigma）＼）大于設置的門限值，則判定該像素點為關鍵字。然后與SIFT算法近似，在以關鍵點為中心的＼（3＼times3＼times3＼）像素鄰域內進行非極大值抑制，最后通過對斑點特征進行差值運算，完成了SURF特征點的精確定位。

而SURF特征點的描述，則也是充分利用了積分圖，用兩個方向上的Harr小波模板來計算梯度，然后用一個扇形對鄰域內點的梯度方向進行統計，求得特征點的主方向。

3.2 0RB算法

ORB特征是將FAST特征點的檢測方法與BRIEF特征描述子結合起來，并在它們原來的基礎上做了改進與優化。首先，它利用FAST特征點檢測的方法來檢測特征點，然后利用Harris角點的度量方法，從FAST特征點中挑選出Hams角點響應值最大的NN個特征點。其原理如下：

（1）構造金字塔，在每層金字塔上采用Fast算法提取特征點，采用Harris角點響應函數，按角點響應值排序，選取前N個特征點。

（2） oFast：計算每個特征點的主方向，灰度質心法，計算特征點半徑為r的圓形鄰域范圍內的灰度質心位置。從中心位置到質心位置的向量，定義為該特征點的主方向。

定義矩的計算公式，x，y∈[-r，r]：

rBrief：為了解決旋轉不變性，把特征點的Patch旋轉到主方向上（steered Brief）。通過實驗得到，描述子在各個維度上的均值比較離散（偏離0.5），同時維度間相關性很強，說明特征點描述子區分性不好，影響匹配的效果。論文中提出采取學習的方法，采用300 k個訓練樣本點。每一個特征點，選取Patch大小為wp=31，Patch內每對點都采用wt=5大小的子窗口灰度均值做比較，子窗口的個數即為N=（wp-wt）×（wp -wt），從Ⅳ個窗口中隨機選兩個做比較即構成描述子的一個bit，論文中采用M-205 590種可能的情況：

（1）對所有樣本點，做M種測試，構成M維的描述子，每個維度上非1即0。

（2）按均值對M個維度排序（以0.5為中心），組成向量T。

（3）貪婪搜索：把向量T中第一個元素移動到R中，然后繼續取T的第二個元素，與R中的所有元素做相關性比較，如果相關性大于指定的閾值Threshold，拋棄T的這個元素，否則加入到R中。

（4）重復第3個步驟，直到R中有256個元素，若檢測完畢，少于256個元素，則降低閾值，重復上述步驟。

綜上所述：（1）尺度、旋轉不變性（ORB算法在尺度方面效果較差）。（2） ORB較快，SURF運行速度大約為SIFT的3倍，ORB是sift的100倍，是surf的10倍。（3） SURF的魯棒性較好；由于測量的實時性較強，故對于計算速度要求較高。因此，比較后最終選擇基于ORB的特征點提取與匹配算法。

4 實驗結果

實驗環境：在實驗室條件下實驗桌上進行。

實驗設備：攝像頭兩個、計算機一臺、儀表。

實驗平臺：visual studi02013，OpenCV， MATLAB。

如圖3所示，在基于ORB算法前提下，進行提取匹配后如上圖，特征點匹配雜亂不準確；在用Ransac算法和ORB算法融合優化后為下圖，此時匹配準確，且誤差小。最終能相應的測出視差d，最后根據匹配的特征點測出相應的數據如表l所示。

通過表1可知，特征點的匹配測距實現誤差允許范圍內的準確測量，只有少數點會出現較大誤差，證實了ORB和Ransac融合算法的可行性。

5 結語

本文對于雙目視覺測距的流程進行了較為詳細的描述，通過對幾種不同算法的性能和特點的對比和融合，實現了對于特征點的較為準確的匹配，從而計算出視差，最終計算出實際距離。后續研究將對匹配算法進行進一步融合測試以提高測試的準確率，減小測量誤差。

[參考文獻]

[l]于仕琪，劉瑞禎.學習Open CV（中文版）[M]北京：清華出版社，2009.

[2]馬頌德，張正友計算機視覺：計算理論與算法基礎[M].北京：科學出版社，1998.

[3]PAPADAKIS N， CASELLES V.Multi-label depth estimation for graph cuts stereo problems[J].Journal of Mathematical Imaging&Vision;， 2010 （1）： 70-82.