摘  要： 針對未知非結(jié)構(gòu)化室內(nèi)環(huán)境中雙目視覺機(jī)器人路標(biāo)特征匹配的問題進(jìn)行了研究，提出了基于改進(jìn)自組織映射網(wǎng)絡(luò)（Self-Organizing Map，SOM）的雙目視覺特征點(diǎn)快速匹配方法。對雙目視覺獲取的環(huán)境圖像提取SIFT特征向量作為改進(jìn)SOM的輸入，利用獲勝者計(jì)算技術(shù)完成對輸入SIFT特征點(diǎn)的快速匹配，SOM競爭學(xué)習(xí)過程中用街區(qū)距離與棋盤距離的線性組合作為相似性度量函數(shù)。實(shí)驗(yàn)結(jié)果表明，所提方法在路標(biāo)特征匹配的時間和效果上優(yōu)于傳統(tǒng)SIFT和SURF特征匹配的方法，且能滿足實(shí)時性要求。

　　關(guān)鍵詞： 無監(jiān)督競爭學(xué)習(xí)；特征匹配；雙目視覺；自組織映射網(wǎng)絡(luò)

0 引言

　　在未知室內(nèi)環(huán)境中，移動機(jī)器人對自身與環(huán)境的精確定位是實(shí)現(xiàn)自主導(dǎo)航的前提和基礎(chǔ)[1]，而雙目視覺可以獲取更完整的環(huán)境信息、探測范圍更廣，匹配雙目圖像顯著的特征點(diǎn)作為路標(biāo)[2]，構(gòu)建機(jī)器人的環(huán)境地圖是移動機(jī)器人實(shí)現(xiàn)自主導(dǎo)航的基礎(chǔ)。

　　大多研究人員提出的算法主要是研究如何確定興趣點(diǎn)和其相鄰區(qū)域以及如何提取特征點(diǎn)的描述符向量。近些年不斷有新的匹配算法被提出，參考文獻(xiàn)[3]中提出對旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性的局部特征描述方法（Scale Invariant Feature Transform，SIFT）。該算法復(fù)雜度高，提取大量的局部特征點(diǎn)集，導(dǎo)致圖像處理過程很慢，不能滿足實(shí)時要求。參考文獻(xiàn)[4]提出Harris-SIFT算法，用Harris角點(diǎn)代替SIFT算法的多尺度空間極值檢測，生成SIFT特征描述子用在雙目圖像對的匹配上。但該算法失去了SIFT算法對于尺度縮放保持不變的特性。參考文獻(xiàn)[5]改進(jìn)了參考文獻(xiàn)[4]的Harris-SIFT算法，保持了SIFT特性。采用Best Bin First（BBF）來減少匹配搜索的復(fù)雜度，提高了匹配速度。

　　本文提出一種SIFT特征向量提取與SOM競爭學(xué)習(xí)技術(shù)相結(jié)合的特征點(diǎn)快速匹配方法，大大減少了檢測時間。實(shí)驗(yàn)表明，所提算法對特征點(diǎn)匹配的速度與效果優(yōu)于傳統(tǒng)SIFT和SURF匹配算法[6-7]，滿足移動機(jī)器人的實(shí)時性要求。

1 特征點(diǎn)提取

　　雙目立體視覺系統(tǒng)由參數(shù)相同的兩個攝像頭組成，令兩個攝像頭的光軸互相平行且與透視投影平面垂直，要求同步曝光及圖像質(zhì)量一致。獲取的左、右目圖像分別記為IL、IR。分別對IL、IR提取SIFT特征點(diǎn)，每一個特征點(diǎn)對應(yīng)一個描述符特征向量。描述符向量使用4×4的16個種子點(diǎn)來描述，通過高斯加權(quán)后歸入8個方向直方圖，獲得一個4×4×8的128維SIFT特征描述子。由IL、IR提取的特征點(diǎn)組成的集合分別記為FL、FR，隨后作為自組織映射網(wǎng)絡(luò)（SOM）的輸入進(jìn)行特征點(diǎn)的快速匹配。

2 自組織映射網(wǎng)絡(luò)（SOM）分析

　　基于Kohonen神經(jīng)網(wǎng)絡(luò)的SOM方法是一種無監(jiān)督競爭學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[8-9]。

　　設(shè)輸入變量集合X={x1，x2，…，xk}∈Rn，權(quán)重系數(shù)W={wi1，wi2，…，win}∈Rn。隨機(jī)選取W的初始值，將輸入特征模式向量X輸入到SOM輸入層處理單元中，當(dāng)網(wǎng)絡(luò)得到一個新的輸入模式向量時，競爭層的所有神經(jīng)元對應(yīng)的關(guān)聯(lián)權(quán)向量均與其進(jìn)行相似性比較，并將最相似的權(quán)向量判為競爭獲勝神經(jīng)元，由式（1）可以得到獲勝單元。

　　在訓(xùn)練過程中，以獲勝神經(jīng)元為中心設(shè)定一個鄰域半徑，稱為優(yōu)勝鄰域。優(yōu)勝鄰域內(nèi)的節(jié)點(diǎn)也會彼此激發(fā)學(xué)習(xí)一個相同的輸入向量X，優(yōu)勝鄰域Nj*（t）內(nèi)的所有神經(jīng)元節(jié)點(diǎn)由式（2）進(jìn)行權(quán)值調(diào)整。

　　其中，（t）為學(xué)習(xí)率因子（0<（t）<1），優(yōu)勝鄰域開始定得很大，但隨著訓(xùn)練次數(shù)的增加，優(yōu)勝鄰域會不斷收縮，最終收縮到半徑為零。

3 改進(jìn)SOM的特征點(diǎn)匹配

　　傳統(tǒng)SIFT和SURF的特征匹配算法復(fù)雜度高，圖像匹配效率低，不能滿足實(shí)時性要求。本文運(yùn)用改進(jìn)的SOM網(wǎng)絡(luò)完成雙目圖像特征點(diǎn)的快速匹配，加快特征點(diǎn)的匹配速度?；诟倪M(jìn)SOM的特征點(diǎn)匹配流程圖如圖1所示。

　　修改后的算法把特征點(diǎn)匹配問題轉(zhuǎn)換成一個圖像的每個特征點(diǎn)與對應(yīng)的另一圖像特征點(diǎn)間立體映射的估計(jì)，所提算法選取街區(qū)距離LJ與棋盤距離LQ的線性組合代替歐氏距離Lo，可知計(jì)算LJ和LQ比Lo簡單很多，而且LQ≤Lo≤LJ，所以本文用LQ+LJ替代Lo，作為相似性度量函數(shù)，減少了計(jì)算量，從而提高計(jì)算速度。

　　修改后的SOM特征點(diǎn)匹配步驟如下：

　　完成以上步驟后就完成了雙目圖像之間的特征點(diǎn)匹配。為了進(jìn)一步提高匹配的準(zhǔn)確率，使用極線幾何約束、視差約束、有序性約束以及唯一性約束條件消除錯誤的匹配點(diǎn)。

4 實(shí)驗(yàn)與結(jié)果分析

　　本文使用旅行家2號機(jī)器人作為實(shí)驗(yàn)平臺，兩個攝像頭之間的基線長20 cm。對獲取到的圖像分別使用SIFT和SURF特征匹配方法以及所提算法進(jìn)行特征點(diǎn)匹配。圖2（a）為所提算法未使用約束條件進(jìn)行特征點(diǎn)匹配的實(shí)驗(yàn)結(jié)果，圖2（b）為約束條件過濾后的匹配結(jié)果。

　　從圖2可以發(fā)現(xiàn)，未使用約束條件過濾前有明顯的誤配點(diǎn)，使用極線幾何約束、視差約束等約束條件可以剔除大量的錯誤匹配點(diǎn)，提高匹配的準(zhǔn)確度。圖3為實(shí)驗(yàn)仿真對比結(jié)果，可以看出所提算法在匹配數(shù)量與時間上優(yōu)于傳統(tǒng)算法。獲取大量圖像對所提算法進(jìn)行實(shí)驗(yàn)評估，統(tǒng)計(jì)運(yùn)行耗時和特征點(diǎn)匹配數(shù)量如圖4、圖5所示。

　　本文用SIFT算法提取雙目圖像的特征點(diǎn)集作為SOM的輸入，減少了檢測時間。使用棋盤距離和街區(qū)距離的線性組合代替歐式距離作為相似度量函數(shù)，大大降低了計(jì)算量，減少了計(jì)算時間。使用獲勝者計(jì)算技術(shù)保證了特征點(diǎn)的數(shù)量。

　　實(shí)驗(yàn)結(jié)果表明，所提算法在實(shí)驗(yàn)室環(huán)境下對雙目圖像特征點(diǎn)的匹配速度更快，且匹配的特征點(diǎn)數(shù)量穩(wěn)定，可以滿足機(jī)器人導(dǎo)航實(shí)時性的要求。

5 結(jié)論

　　SIFT算法具有尺度、旋轉(zhuǎn)、視角和光照不變性，但由于復(fù)雜性高、效率低等達(dá)不到實(shí)時性的理想效果。本文使用SIFT特征點(diǎn)向量與改進(jìn)的SOM相結(jié)合的無監(jiān)督競爭學(xué)習(xí)算法，對雙目圖像特征點(diǎn)完成快速匹配。實(shí)驗(yàn)結(jié)果表明，所提算法在實(shí)驗(yàn)室環(huán)境下對雙目圖像特征點(diǎn)的匹配有較好的實(shí)驗(yàn)效果，可以快速、準(zhǔn)確地匹配穩(wěn)定的特征點(diǎn)。在未來的工作中，將在本文所提算法的基礎(chǔ)上，進(jìn)行雙目視覺機(jī)器人實(shí)時定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）[10]的研究。

　　參考文獻(xiàn)

　　[1] 林睿.基于圖像特征點(diǎn)的移動機(jī)器人立體視覺SLAM研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

　　[2] 王璐，蔡自興.未知環(huán)境中基于視覺顯著性的自然路標(biāo)檢測[J].模式識別與人工智能，2006，19（1）：100-105.

　　[3] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）：91-110.

　　[4] 趙欽君，趙東標(biāo)，韋虎.Harris-SIFT算法及其在雙目立體視覺中的應(yīng)用[J].電子科技大學(xué)學(xué)報(bào)，2010，39（4）：546-550．

　　[5] 王民，劉偉光.基于改進(jìn)SIFT特征的雙目圖像匹配算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（2）：203-206.

　　[6] 常青，張斌，邵金玲.基于SIFT和RANSAC的特征圖像匹配方法[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，38（6）：747-751.

　　[7] 陳小丹，杜宇人，高秀斌.一種基于SURF的圖像特征點(diǎn)快速匹配算法[J].揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，15（4）：64-67.

　　[8] KOHONEN T. Self-organizing maps[J]. Springer， 1995，11（3）：340-349.

　　[9] 楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程，2006，32（16）：201-203.

　　[10] 蘇立.室內(nèi)環(huán)境下移動機(jī)器人雙目視SLAM研究[D].西安：西安理工大學(xué)，2010.