FAST算法機器人角點檢測中的應用與研究

張衛兵

（湖南信息職業技術學院，湖南長沙，410200）

0 引言

機器人作為當前最為先進的自動化工具，可以在很多復雜的環境中工作，取代人們完成高精度、高難度和高危險作業，大大地提高了社會的信息化和智能化[1]。蛇形機器人是機器人應用的關鍵研究領域，其可以應用于復雜多變的環境，但是蛇形機器人的導航和控制技術一直是制約其應用的關鍵技術，針對單目視覺未知環境的蛇形機器人SLAM進行研究發現，可以利用實時的圖像角點檢測和特征提取實現相鄰關鍵幀快速特征匹配與局部圖像構建，接著可以使用卷積神經網絡的回環檢測方法來生成全局地圖[2]。因此，本文針對高動態不確定性環境下實時圖像角點檢測與特征提取針對高動態復雜未知運動環境下，為提高蛇形搜救機器人在蜿蜒、蠕動、翻滾步態運動時圖像的尺度、平移、旋轉變化的角點檢測速度與特征提取準確度，詳細地描述具有方向特征信息的改進FAST角點檢測算法，然后改進基于像素點二進制位比較的BRIEF特征描述子，使其具備對旋轉不變性及對圖像噪聲不敏感，提高特征提取準確度，提高機器人動態環境下圖像跟蹤的準確度和魯棒性[3]。

1 Fast算法在機器人角點檢測中的應用現狀

FAST（Features From Accelerated Segment Test）是一種非常先進的角點檢測算法，該算法運算過程簡單，計算速度非?？?，能夠實現特征點提取，完成物體對象的跟蹤和映射，遠優于傳統的SIFT算法、SURE算法、Harris算法。FAST算法定義了角點，形式化角點判定規則如下：比較候選像素與其周圍一圈像素的灰度值，如果灰度值相差非常大的像素集合在一起能夠構成連續的弧，通過計算可以發現弧長大于圓周長的75%，因此可以判定這個弧即是角點[4]。圖像角點檢測與配準在高動態不確定性環境中，高速提取特征點十分必要。FAST算法是一種基于機器學習的快速角點檢測算法。對于灰度圖像的FAST角點檢測可以定義為：在某一像素點的周圍鄰域內有足夠多像素點的灰度值大于或者小于該點灰度值，則該點選為角點。機器人角點檢測需要使用特征點的鄰域階距，某特征點鄰域的(p+q)階矩定義如公式1所示。

特征點鄰域的質心坐標C計算過程如公式2所示。

質心的方向計算過程如公式3所示。

采用分割檢測判據進行FAST特征檢測，即在以像素點p為中心，以r為半徑的圓周上如果存在聯系的n個像素，通過下式判斷該像素點是否為角點：表示圓周上任意一個像素點的灰度值；表示中心像素點p的灰度值，t是給定的一個很小的閾值，如果CRF=1的個數大于一個給定的閾值T，則該點選為候選點，通常T=12。Fast角點檢測示意圖由于FAST興趣點不具有多尺度特性，因此建立圖像金字塔，在每一層圖像中提取FAST角點以引入尺度特性。然后就要為FAST興趣點添加方向，使其成為具有方向的FAST興趣點，通過引入灰度質心法確定特征點的方向，即通過計算特征點的矩來得到點的方向。在單目視覺中，由于單個CCD攝像頭無法直接獲得圖像的深度信息，即無法獲得相機與特征點之間的坐標關系，在蛇形機器人平臺中需要采用特殊的特征初始化方法來解決這個問題。FAST角點檢測算法通常應用于機器人單目視覺，可以大大地提升角點檢測效率。但是，經過多年的應用和普及，FAST算法也在不斷地改進和提升。劉亮等人針對FAST角點檢測僅僅針對單一類型角點檢測的問題進行分析，發現其采用單一閾值應用于一幀圖像檢測無法取得理想效果，引入了自適應思想，提出一種基于區域灰度變化的FAST角點檢測算法，該算法可以針對一幀圖像進行高斯濾波，然后結合灰度差篩選出候選點，再引入自適應閾值針對不同大小的灰度值進行分類，使用檢測模板再次對候選點進行篩選，獲得一個最佳的匹配角點，該算法能夠提取出有效的角點，能夠克服不同的角點輪廓檢測產生的丟失或冗余問題，具有較好的魯棒性。劉妍等人詳細地描述了合成雷達孔徑檢測過程中FAST算法存在的問題，引入了變化檢測和圖像信息融合技術提出SAR-FAST算法，該算法能夠使用迭代引導平滑算法抑制斑點噪聲針對角點檢測造成的影響，然后以檢測點為圓心，選擇一個合適的半徑在圓周上選擇檢測窗口，能夠準確統計與檢測點不相似的窗口數量，準確判斷檢測點是否為角點，可以有效地保證檢測算法穩定，提高檢測的準確度。另外，FAST算法還引入了擴展卡爾曼濾波技術，該技術是一種應用非常廣泛的誤匹配剔除算法，隨著匹配點個數的增加，算法迭代次數就會迅速上升，大大地增加了算法的計算效率，因此采用卡爾曼濾波可以利用先驗信息，確保角點檢測的計算速度，確保計算精度，降低迭代次數，該算法應用于機器人檢測時，可以充分利用周圍環境信息，結合卡爾曼濾波算法提出誤匹配算法，獲得更加穩定的特征點，從而構建環境的地圖信息，最后用得到的匹配點進行三維環境重建和機器人定位。

2 Fast算法在機器人角點檢測中的應用發展趨勢

目前，蛇形機器人具有一個較強的運動性，因此高動態不確定性環境下構建一個大尺度旋轉性較強的實時圖像特征提取能力，可以提高機器人動態環境圖像跟蹤的魯棒性。為了能夠縮小機器人運動距離，局部擴大運動地圖面積，縮小相關的數據誤差。蛇形機器人視覺系統結構設計為了保證機器人能夠適應復雜現場環境，要求機器人結構具有高穩定性和適應性，兼具基本運動和復雜運動的多步態運動方式，要遵循質量輕、體積小、結構簡單等原則；采用模塊化設計及建模仿真設計方法，應用三維模型設計軟件、機械系統動力學仿真軟件和輔助分析設計軟件等進行設計，蛇形機器人變形、分體及總體裝配結構如圖1所示。

圖1 蛇形機器人總體結構

蛇形機器人視覺圖像包含的內容非常豐富，模式特征也較多，比如直方圖特征、模板各種、顏色特征、結構特征等，圖像檢測就是可以將有價值的信息挑出來，利用這些特征實現對象檢測。圖像識別時，蛇形機器人視覺系統拍攝的照片光線不均勻，因此圖像識別時產生的噪聲數據非常多，需要利用二值法、閾值法等針對圖像進行預處理，降低圖像識別時的噪聲數據，更加準確的獲取圖像內容。利用FAST算法以及其他深度學習可以構建多層次的神經網絡提取圖像特征，然后針對特征內容進行分類，將圖像劃分為背景內容、目標對象，然后針對圖像進行加工，將這些內容與數據庫中保存的模式進行比對，更好的識別申請對象提交的內容。這樣就可以更好的完成目標檢測。蛇形機器人視覺目標檢測主要包括兩類，分別是基于區域的方法和無區域的方法。區域特征檢測技術采用選擇性搜索策略提取候選區域，從學習網絡中的每個區域提取固定長度的特征向量，經過多個卷積層和全連接層進行處理，可以得到一個高緯度特征向量進行分類，這樣就可以獲取區域高度的交疊。無區域特征檢測將目標檢測看作是一個回歸問題，其可以估計圖像中的目標位置和類型概率，采取BP神經網絡的回歸輸出目標輪廓，更加有利于分類特征描述，準確捕獲目標幾何信息。隨著機器人技術的發展和改進，這些機器人技術應用的場景日趨復雜，因此未來FAST算法需要在機器人檢測中進一步改進和提升，研究發展趨勢包括以下兩個方面：

（1）針對蛇形機器人的機械結構特點，FAST算法需要合理部署多個攝像機位置，從不同的角度實現圖像信息采集，優化機器人系統的并聯結構，實現多目視覺檢測，提高機器人系統可擴展性和魯棒性。

（2）本文總結分析FAST算法使用的圖形圖案標定板，針對標定攝像機計算時產生的誤差進行分析，建立一個橢圓形投影過程，這樣可以更好地保證誤差分析模型，利用簡潔的矩陣表達式替代繁瑣的空間幾何投影，這樣也可以縮小計算繁雜程度，同時減少計算產生的誤差，基于圓形測量應用提供強大的理論基礎。

3 結束語

蛇形機器人運動過程非常復雜，具有較強的實時性和高效性要求，因此為了提高蛇形機器人的運動準確度，保證運動軌跡與預測一致，本文在蛇形機器人角點檢測中引入了FAST算法，該算法可以提高角點特征提取的魯棒性和準確度，進一步改進蛇形機器人導航控制能力。