礦山井筒視頻圖像實時配準的改進Sift算法

白艷玲

（鄭州鐵路職業技術學院軟件學院，河南鄭州451460）

現階段主要依靠人工方式檢測和排除礦山井筒設施故障［1］。隨著計算機圖像處理技術的飛速發展，基于礦山井筒視頻場景實時拼接的故障點智能檢測技術日漸得到研究和應用［2］。為對礦山井筒故障進行有效檢測，有必要首先對井筒視頻圖像進行精確配準［3-4］。目前，主要有基于灰度信息、基于優化策略、基于特征的圖像配準算法，其中基于灰度信息的配準算法實現簡單，但計算量巨大，對于非線性形變的井筒視頻圖像配準效果不理想；基于優化策略的配準算法可以對待搜尋區域的所有點進行搜尋，但計算量大；基于特征的配準算法盡管效果較好，但不具備旋轉縮放不變特性［5-7］。Sift算法和Harris角點檢測算法為2種典型的基于特征的配準算法。其中，Sift算法運算復雜、處理速度極慢，對于寬幅影像，難以進行處理或進行實時應用［8-9］。Harris角點檢測算法由于計算簡單，不易遭受光照、旋轉、噪聲影響，可以有效彌補Sift算法的不足［10］。因此，本研究對Sift算法進行適當改進，并用于井筒視頻圖像實時配準。

1 改進Sift算法

1.1 Sift算法配準原理

Sift算法作為一種以特征為基礎的配準方法，包括特征點提取及精確定位、描述子生成及相似性度量匹配等步驟，具體實現流程如圖1所示。

（1）特征點提取及精準定位。Sift算法采用高斯核函數實現圖像尺度變化，計算圖像與不同尺度空間的高斯差分圖像形成DoG形式的金字塔結構［11-12］。對金字塔結構的尺度空間進行局部極值檢測時，可將每個像素點與同一層相鄰的8個像素點以及上下層18個相鄰像素點進行比較，從而確定極值像素點。在尺度空間上，進行DoG算子的泰勒級數展開，進而對關鍵點的位置和尺度進行精確定位。

（2）構造描述子并進行特征匹配。為保證特征點滿足旋轉和縮放不變要求，采用每個關鍵點周圍鄰域的梯度模值及方向進行特征描述。即：首先對坐標軸進行旋轉，依據關鍵點的方向、尺度以及位置，以特征點為中心，選取周圍1個大小為16×16區域，將該區域劃分為4個大小均等的小區域，并對每個小區域進行計算，形成梯度直方圖。Sift算法一般采用最鄰近距離法進行特征匹配，該方法根據最近鄰特征點與次鄰近特征點的歐氏距離比值實現特征點匹配，而后基于RANSAC算法提取匹配點，消除誤匹配點，提高匹配精度。

1.2 Sift算法改進

為有效克服Sift算法的缺陷，本研究利用Harris角點檢測方法對Sift算法進行改進，結合Forstner算子進行角點精確定位，并利用Ransac法和隨機K-D樹完成特征點匹配。

1.2.1 基于Harris角點檢測的Sift算法改進

本研究采用多尺度Harris角點檢測方法改進Sift算法，根據尺度信息的Harris角點并結合8鄰域相似像素數目，在運算前剔除非角點；而后計算目標像素點與相鄰8鄰域內像素點灰度差絕對值，通過設定閾值，并與計算獲得的灰度差絕對值進行比較，確定Harris角點。

1.2.2 基于Forstner算子的角點定位

Forstner算子具有精度高、運算速度快的特點，基本思想為獲得候選點，以此為中心，構建最佳窗口，并對最佳窗口內通過每個像素的邊緣直線進行加權中心化處理，從而進行精確定位。若基于Sift算法獲得的角點滿足Forstner算子的最佳窗口中心點要求，可將其作為最佳窗口中心點，并對其進行加權中心化處理和精確定位。最佳窗口內任一像素點（x，y）所在的邊緣直線可表示為

式中，ρ為坐標原點（最佳窗口左上角的像素）與直線的垂直距離；θ為梯度角，θ=arctan(gxgy)，gx、gy為像素點（x，y）的Robert梯度。

設角點坐標為（x0,y0），v為像素點（x,y）到直線的垂直距離，則像素點（x，y）處的誤差方程為

將坐標原點到邊緣直線的距離ρ視為觀測值，邊緣直線保持方向不改變，對上式法化，可得：

求解式（3），即可獲得角點坐標(x0,y0)。

1.2.3 基于KD樹算法的特征點搜索

對于Sift算法，特征描述完畢后，需要進行特征點匹配，即尋找到2幅影像中特征點之間的對應關系。由于Sift描述子具有高維特點，本研究采用隨機KD樹算法進行搜索，即首先生成m個具有不同結構的KD樹，并在搜索階段，基于統一優先隊列，對多個隨機KD樹進行搜索，完成后獲得初始最近鄰候選點，并對所有候選點通過1個隊列統一進行節點排序［11-12］。

1.2.4 參數求解

為滿足圖像旋轉、平移、縮放變換等要求，本研究采用基于8參數的投影變換模型進行處理。圖像投影變換含有8個未知參數，需要至少4對特征點構建方程組方可求解相關參數。為此，本研究首先采用RANSAC算法進行特征點提取，消除錯誤的匹配點；然后構建誤差方程，基于最小二乘法進行參數求解。

2 試驗分析

本研究井筒圖像來源于山西潞安某煤礦視頻監控系統，采用3組采樣頻率為150幀的圖像進行算法測試。為確保圖像旋轉單一性以及穩定性，在礦山井筒視頻圖像采集過程中，相鄰幀不具有旋轉變化特征，僅在水平以及垂直位移方面產生微小尺度變化。為詳細測試本研究改進Sift算法的性能，分別從匹配精度、功耗、耗時等方面與Sift算法進行對比分析。2種算法在CPU為2.4 G雙核、內存為4 G的PC機程序上運行。相比于攝像機，礦山井筒內纜繩固定不動，故而本研究中纜繩匹配可忽略，試驗結果見圖2～圖4以及表1～表3所示。

分析表1可知：試驗次數一定時，Sift算法在匹配對數為125時，匹配準確率高達89%以上；匹配對數為70時，精確度最低，低于80%，不利于大范圍應用；改進的Sift算法在匹配對數為70時，匹配精度最高，大于98%；匹配對數為125時，準確率最低，大于96%。

由表2可知：在相同試驗次數條件下，Sift算法的匹配能耗最高為108 J，最低為74 J，整體均值約為87.8 J；改進Sift算法的匹配能耗最高為66 J，最低為60 J，整體均值約63.1 J。

由表3分析可知：5次試驗中，采用Sift算法對3組圖像進行匹配的平均耗時為5.6 s，采用改進Sift算法對3組圖像進行匹配時，平均耗時僅為3.5 s。

3 結語

為實現礦山井筒圖像實時精確配準，提出了一種改進型Sift配準算法，該算法以Harris角點檢測代替Sift算法的極值檢測部分，采用Forsnter算子對提取點進行精確定位，利用Sift算法的特征描述方式對提取點進行描述，并利用Ransac法和隨機K-D樹完成特征點匹配。試驗表明，相對于Sift算法，改進Sift算法在匹配精度、匹配功耗、匹配耗時等方面均有一定的優勢。