SLAM技術(shù)中視覺(jué)里程計(jì)的特征匹配方法研究

魏麟 陳華杰 王彪 陳玉

（中國(guó)民用航空飛行學(xué)院 四川省廣漢市 618307）

1 引言

人工智能作為現(xiàn)階段的研究熱點(diǎn)，有著光明的前景與應(yīng)用。隨著智能化時(shí)代的到來(lái)，人工智能已經(jīng)漸漸深入到我們的生活當(dāng)中，目前飛機(jī)人工智能副駕駛的研究處于剛剛起步。美國(guó)國(guó)防高級(jí)研究計(jì)劃署（DARPA）2015年設(shè)立Aircrew Labor In-Cockpit Automation System (ALIAS）項(xiàng)目。DARPA 邀請(qǐng)了兩支團(tuán)隊(duì)共同競(jìng)爭(zhēng)來(lái)推動(dòng)ALIAS 項(xiàng)目發(fā)展，他們分別為Aurora Flight Sciences 和Lockheed Martin Sikorsky。Aurora 已經(jīng)完成了帶機(jī)械手柄的原型版本，具備圖像識(shí)別、語(yǔ)音識(shí)別和機(jī)器學(xué)習(xí)、決策控制的能力，并于2016年10月在Cessna 上成功測(cè)試，目前兩家公司的ALIAS 項(xiàng)目在直升機(jī)和固定翼飛機(jī)上都已經(jīng)成功測(cè)試。而我們國(guó)內(nèi)目前針對(duì)人工智能副駕駛的研究幾乎處于空白，但人工智能進(jìn)入飛機(jī)是勢(shì)在必行的方向，有著光明的前景。人工智能副駕駛實(shí)際上是一個(gè)機(jī)器人，能夠幫助主駕駛完成一系列的任務(wù)，減輕主駕駛的壓力，同時(shí)也減少了航空公司的運(yùn)營(yíng)成本，有著極佳的應(yīng)用前景。為了實(shí)現(xiàn)人工智能副駕駛的各項(xiàng)功能，機(jī)器人的視覺(jué)的SLAM 技術(shù)有著很好的適用性，本文就著重于SLAM 技術(shù)中視覺(jué)里程計(jì)模塊的特征匹配研究。

2 SLAM

SLAM 是SimultaneousLocalizationandMapping 的縮寫(xiě)，中文譯為“同時(shí)定位與地圖構(gòu)建技術(shù)”。這項(xiàng)技術(shù)最早起源于機(jī)器人領(lǐng)域，是現(xiàn)在移動(dòng)機(jī)器人實(shí)現(xiàn)自主導(dǎo)航與定位的核心技術(shù)之一。如今更是被用于自動(dòng)駕駛，機(jī)器人導(dǎo)航等多個(gè)領(lǐng)域。SLAM 技術(shù)主要用來(lái)解決兩個(gè)核心的問(wèn)題：一是對(duì)機(jī)器人自身進(jìn)行定位，二是對(duì)周?chē)h(huán)境進(jìn)行建模。SLAM 技術(shù)分為視覺(jué)SLAM 與激光SLAM 兩種，其中激光SLAM 技術(shù)已經(jīng)相對(duì)成熟，目前已經(jīng)投入使用，而視覺(jué)SLAM 技術(shù)還大多處于理論研究階段。本文就是針對(duì)視覺(jué)SLAM技術(shù)，研究飛機(jī)上人工智能副駕駛的視覺(jué)感知技術(shù)。對(duì)視覺(jué)SLAM前端視覺(jué)里程計(jì)中的特征匹配進(jìn)行研究，為人工智能副駕駛的實(shí)現(xiàn)提供視覺(jué)部分的理論依據(jù)。

視覺(jué)SLAM 的就是同時(shí)解決定位和建圖兩個(gè)問(wèn)題，而其實(shí)質(zhì)就是一個(gè)估計(jì)狀態(tài)的問(wèn)題。一般會(huì)選擇相機(jī)作為機(jī)器人的主要傳感器，建立一定的數(shù)學(xué)模型利用連貫的每一幀的圖片來(lái)確定自身的信息提取。

視覺(jué)SLAM 的整個(gè)過(guò)程可以概括為：傳感器信息讀取、視覺(jué)里程計(jì)、后端優(yōu)化、回環(huán)檢測(cè)和建立地圖五步，如圖1。其中的視覺(jué)里程計(jì)又稱(chēng)為前端，主要負(fù)責(zé)狀態(tài)估計(jì)，后端優(yōu)化則是負(fù)責(zé)狀態(tài)估計(jì)的求解與優(yōu)化。本文主要是對(duì)視覺(jué)里程計(jì)中的特征提取和匹配算法進(jìn)行優(yōu)化，以提高匹配的準(zhǔn)確率，為人工智能副駕駛識(shí)別駕駛艙內(nèi)的環(huán)境提供依據(jù)。

圖1

圖2

圖3

3 特征點(diǎn)法

特征點(diǎn)指的是圖中的特別的地方，如角點(diǎn)、邊緣、區(qū)塊等。這些特征更容易被識(shí)別出來(lái)，因此會(huì)作為識(shí)別算法的核心目標(biāo)。那么如何提取特征點(diǎn)關(guān)系著特征點(diǎn)提取的速度和準(zhǔn)確性。目前，角點(diǎn)的提取算法有很多，例如Harris 角點(diǎn)、FAST 角點(diǎn)、GFTT 角點(diǎn)等等。但是單純的角點(diǎn)往往不能滿足需求。例如從遠(yuǎn)處看上去是角點(diǎn)的地方，當(dāng)相機(jī)離近之后可能就不是角點(diǎn)了，又或者角度的變化會(huì)讓角點(diǎn)的外觀發(fā)生變化，使得無(wú)法識(shí)別出是同一個(gè)角點(diǎn)。因此，在計(jì)算機(jī)視覺(jué)領(lǐng)域又產(chǎn)生了新的算法，如SIFT、SURF、ORB 等等。這些新興的算法相比于之前的算法具有更多的優(yōu)勢(shì)。

特征點(diǎn)由關(guān)鍵點(diǎn)和描述子兩部分組成。因此計(jì)算特征點(diǎn)實(shí)際上是提取關(guān)鍵點(diǎn)并計(jì)算描述子兩件事。關(guān)鍵點(diǎn)是指該特征點(diǎn)在圖像里的位置，有些特征點(diǎn)還具有朝向和大小信息。描述子通常是一個(gè)向量，按照某種人為的設(shè)計(jì)方式描述該關(guān)鍵點(diǎn)周?chē)袼氐男畔ⅰＣ枋鲎邮前凑胀庥^相似的特征具有相似的描述子設(shè)計(jì)，如果兩個(gè)特征點(diǎn)的描述子在向量空間上距離相近就可以認(rèn)為他們具有同樣的特征點(diǎn)。

提取特征點(diǎn)的過(guò)程有的很精確，再相機(jī)運(yùn)動(dòng)和光照變化下仍然有較好的效果，但是相應(yīng)的計(jì)算量也更大。如SIFT（尺度不變特征變換）就是最為經(jīng)典的一種。它充分考慮到了光照、尺度和旋轉(zhuǎn)，使得計(jì)算更為精確，但SLAM 本應(yīng)是一個(gè)實(shí)時(shí)的地圖構(gòu)建，目前計(jì)算機(jī)還無(wú)法做到實(shí)時(shí)計(jì)算SIFT 特征的能力，所以一般會(huì)選擇降低精度和魯棒性來(lái)提升計(jì)算速度。最典型的就是ORB 算法，ORB算法采用的是二級(jí)制描述子，在速度上是SIFT 的千百倍，更容易滿足實(shí)時(shí)性要求。

表1：特征匹配結(jié)果

圖4

3.1 ORB特征

ORB 的關(guān)鍵點(diǎn)是一種改進(jìn)的FAST 角點(diǎn)，其描述子稱(chēng)為BRIEF。FAST 是一種角點(diǎn)，主要是檢測(cè)局部像素灰度變化明顯的地方，并且速度較快。其思想是：如果像素和領(lǐng)域像素差別過(guò)大那么就有可能是角點(diǎn)。這種只用比較像素的方法十分便捷。

FAST 特征點(diǎn)計(jì)算速度非常快，但也有重復(fù)性不強(qiáng)、分布不均勻的缺點(diǎn)。且FAST 角點(diǎn)不具有方向性，尺度問(wèn)題也沒(méi)有解決，遠(yuǎn)看是角點(diǎn)的地方接近后可能就不是角點(diǎn)。針對(duì)FAST 角點(diǎn)方向性和尺度的問(wèn)題，ORB 特征中添加了尺度和旋轉(zhuǎn)的描述使得旋轉(zhuǎn)或縮放后依然識(shí)別可靠。構(gòu)建圖像金字塔可以消除圖像放大或縮小帶來(lái)的影響，灰度質(zhì)心法可以消除特征因?yàn)樾D(zhuǎn)帶來(lái)的影響。

3.2 圖像金字塔與灰度質(zhì)心法

金字塔是計(jì)算機(jī)視覺(jué)中常用的方法，金字塔底層是原始圖像，每往上一層就是對(duì)圖像進(jìn)行一定倍率的縮放，這樣可以得到不同分辨率的圖像。我們可以通過(guò)匹配不同分辨率的圖像來(lái)實(shí)現(xiàn)尺度不變性。

利用這種方法FAST 角點(diǎn)便具有了尺度與旋轉(zhuǎn)的描述，從而大大提升了其在不同圖像之間表述的魯棒性。所以在ORB 中，把這種改進(jìn)后的FAST 稱(chēng)為Oriented FAST。

3.3 BRIEF描述子

BRIEF 描述子是一種基于二進(jìn)制位串的描述子方法。其原理是對(duì)圖像進(jìn)行分塊，采用高斯濾波的方式進(jìn)行像素點(diǎn)的測(cè)試，比較灰度值，將比較的結(jié)果進(jìn)行0/1 分類(lèi)。

4 特征匹配仿真

本文將FAST 角點(diǎn)與Harris 角點(diǎn)相結(jié)合來(lái)改進(jìn)ORB 算法，利用高斯金字塔的方法計(jì)算Harris 角點(diǎn)分?jǐn)?shù)，并取FAST 里的前4^(4-n)個(gè)點(diǎn)。再用灰度質(zhì)心法結(jié)合BRIEF 描述子，利用Hamming 距離進(jìn)行暴力匹配。最后將匹配結(jié)果呈現(xiàn)出來(lái)。

5 實(shí)驗(yàn)仿真結(jié)果

本文采用了三組相似圖片進(jìn)行匹配，這些圖片僅存在一定的區(qū)別。第一組存在旋轉(zhuǎn)角度的變化（見(jiàn)圖2）。

經(jīng)過(guò)匹配后發(fā)現(xiàn)，這種匹配方法可以適應(yīng)旋轉(zhuǎn)角度的變化。旋轉(zhuǎn)之后仍然可以識(shí)別出來(lái)對(duì)應(yīng)的特征點(diǎn)。第二組存在顏色上區(qū)別（見(jiàn)圖3）。

經(jīng)過(guò)匹配后發(fā)現(xiàn)大多數(shù)的特征點(diǎn)匹配也是正確的，即使有少量的顏色區(qū)別，只要其周?chē)蠖鄶?shù)的像素點(diǎn)還保持一致特征，它同樣可以匹配為相同特征點(diǎn)，這可以一定程度上避免靈敏度過(guò)高而丟失特征點(diǎn)點(diǎn)對(duì)。第三組是實(shí)驗(yàn)室環(huán)境，圖像為手機(jī)拍攝，攝像頭為1200 萬(wàn)像素。通過(guò)不同角度拍攝獲得的兩張照片（見(jiàn)圖4）。

經(jīng)過(guò)匹配發(fā)現(xiàn)匹配點(diǎn)并不多，且匹配點(diǎn)屬于圖片中較為突出明顯的點(diǎn)，說(shuō)明在實(shí)際應(yīng)用中算法還需要一些優(yōu)化來(lái)達(dá)到更好的效果。特征匹配結(jié)果如表1所示。

6 結(jié)果分析

本文通過(guò)FAST 角點(diǎn)與Harris 角點(diǎn)相結(jié)合，利用改進(jìn)的ORB算法仿真得到人工智能副駕駛視覺(jué)里程計(jì)的特征匹配結(jié)果。結(jié)果雖然還存在完善的空間，但是通過(guò)仿真已經(jīng)驗(yàn)證了算法的可行性，為下一步的座艙地圖構(gòu)建奠定了基礎(chǔ)。