周 陽，吳德偉，邰能建，杜 佳

(空軍工程大學 信息與導航學院，陜西 西安710077)

責任編輯:任健男

認知導航系統(tǒng)(Unmanned Combat Aerial Vehicles，UCAV)[1]能從當前環(huán)境中提取合適的特征以描述UCAV當前所在環(huán)境的局部特征，計算出所對應的空間3D坐標等幾何信息，并以此作為環(huán)境自然路標，實現(xiàn)全局定位與環(huán)境認知地圖的創(chuàng)建?？梢姯h(huán)境感知是UCAV實現(xiàn)認知導航的一個重要環(huán)節(jié)。

UCAV不同于人，其環(huán)境感知難以體現(xiàn)智能性。然而環(huán)境感知的關鍵在于對環(huán)境的描述，也就是說，當UCAV具有很好的描述能力時，也就具備了一定環(huán)境感知能力。通常環(huán)境信息可通過視覺獲取，其直觀表示便是圖像，因此以圖像信息表征環(huán)境信息成為了環(huán)境感知一種形式，對圖像的描述能力間接體現(xiàn)了環(huán)境感知能力。然而UCAV高機動性及所處環(huán)境復雜性，帶來圖像尺度、旋轉甚至仿射變化，使得環(huán)境感知更加困難，特征點提取方法的出現(xiàn)為克服這種困難提供了思路。

本文首先分析了幾種特征點檢測方法，然后以SURF算法為重點，分析了基于該算法的特征點提取原理，最后仿真驗證了SURF算法提取特征點魯棒性，并以此作為UCAV環(huán)境感知的依據，較好解決UCAV以圖像作為環(huán)境感知信息時多變性問題。

1 特征點檢測方法分析

特征點檢測目的在于找到圖像中對平移、旋轉、尺度不變性的特征點，通過局部不變性的分析達到識別圖像的目的。常用的特征點檢測方法有Harris算法[2]、SIFT算法[3]和SURF算法[4]。

Harris特征點檢測算法對圖像的平移、旋轉和噪聲都具有很強的穩(wěn)定性，但不具有尺度不變性，因而無法直接應用于尺度不變特征的定位處理[5]，無法滿足UCAV認知導航環(huán)境感知中特征點提取多尺度要求。SIFT算法是Lowe在LOG算子[6]基礎上提出的，其具有較好的抗旋轉、平移、尺度變化和噪聲污染能力，但該算法計算復雜度高、匹配速度慢，不具有實時性要求[7]。SURF算法是Bay提出的基于積分圖像的快速Hessian算子三維極值點搜索尺度不變特征定位方法，其具有SIFT算法提取特征點的魯棒性，且有效克服了SIFT算法實時性差的缺點，而且在克服尺度變化影響方面優(yōu)于Harris算法[8]，較好運用在景象匹配輔助導航[9]、智能車輛交通信號檢測識別[10]、目標姿態(tài)估算[11]等方面，更適合于UCAV認知導航環(huán)境感知中特征點檢測。

2 基于SURF算法的特征點檢測

SURF算法實現(xiàn)核心是引入了積分圖像，并將高斯二階微分模板進行了轉換，采用Haar小波響應獲取特征點的主方向及特征描述矢量。該算法大大縮短了圖像特征點的提取時間，同時提取的特征點具有旋轉和尺度不變性，以滿足圖像特征點匹配的要求。

2.1 特征點檢測

特征點檢測時首先需要積分圖像，然后將高斯二階微分模板替換為盒子濾波器，圖像的卷積轉換成盒子濾波運算，以此檢測特征點。同時通過不斷擴大的盒子濾波器尺寸來求取積分圖像濾波響應，以此建立尺度金字塔。

積分圖像由Viola和Jones[12]提出，圖像中任意一點p=(i，j)的積分值II(i，j)為原圖像原點到P點相應的對角線區(qū)域灰度值總和

給定圖像I中一點p=(i，j)，在點P處，尺度為σ的Hessian矩陣H(p，σ)定義為

式中:Lxx(p，σ)為高斯二階微分在點P處與圖像I的卷積。Lxy(p，σ)，Lyy(p，σ)以此類推。Hessain矩陣的行列式為

SURF算法進行特征點檢測時需簡化模板，對于σ=1.2的高斯二階微分模板，設定模板的尺寸為9×9，并將白色區(qū)域的值設為1，灰色區(qū)域設為0，黑色區(qū)域設為-2。模板簡化前后如圖1所示。

圖1 模板對比圖

設對應簡化后模板對圖像進行卷積的結果為Dxx，Dyy和Dxy。由此對Hessian矩陣行列式進行簡化可得

不同大小的盒子濾波器和原圖像進行卷積就可得到尺度圖像金字塔。本文特征點檢測時設置了5組濾波器尺寸。其中前3組尺寸如圖2所示。

圖2 濾波器尺寸圖形化表示

由此，將空間每個點在相鄰位置和相鄰尺度上的Hessian響應值(共26個)進行比較，極值點即為檢測到的特征點，其對應的位置和尺度即為特征點位置和尺度。

2.2 確定特征點主方向

確定特征點主方向時，首先以特征點為中心，以6s(s為特征點的尺度)為半徑的圓形區(qū)域內在x和y方向進行Haar小波響應運算。然后使用σ=2s的高斯加權函數(shù)對Haar小波響應進行高斯加權。最后用60°的扇形窗口在以特征點為圓心的區(qū)域內以固定步長進行滑動，求取滑動窗口內x和y方向Haar小波響應累加值，特征點主方向即為最大值所對應的方向，如圖3所示。

圖3 Haar小波x方向和y方向響應模板

2.3 生成特征描述矢量

生成特征描述矢量時首先以特征點為中心沿主方向將20s×20s的圖像劃分成4×4個子塊，然后用尺寸為2s的Haar模板求取每個子塊響應值，并對響應值∑dx，∑|dx|，∑dy，∑|dy|進行統(tǒng)計，生成特征描述矢量。由于對每個特征點進行描述時有4×4個子塊，而每個子塊用4維向量表示，因此生成的特征點特征矢量共有64維。

在完成以上3個步驟后，即可獲得圖像的特征點，同時給出每個特征點的位置、尺度、主方向和描述矢量的信息。圖4給出了圖像中檢測到的特征點。圖像大小為306×306，共檢測到516個特征點。

2.4 特征點匹配

特征點匹配時需要充分利用待匹配圖中的特征點描述矢量間關系，如果提取的兩個特征點描述矢量間距離很小，則表示這兩個特征點在對應場景同一位置的可能性很大;反之，若描述矢量間距離很大，則在對應場景同一位置的可能性很小。

圖4 圖像中檢測到的特征點

3 仿真驗證及結果分析

仿真圖像大小為306×306，首先用SURF算法檢測待匹配兩幅圖像的特征點，然后采用最近距離法進行特征點粗匹配，最后通過最近和次近距離比值法提純匹配對(閾值為0.65)。具體分析內容有SURF特征點抗噪聲性分析，SURF特征點抗旋轉性分析，SURF特征點抗尺度變化性分析。性能指標為匹配分數(shù)和錯誤率。

匹配分數(shù)定義為兩幅圖像特征點之間正確匹配對的數(shù)量與兩幅圖像中檢測到的較少特征點數(shù)量之比。錯誤率表示提純后特征點錯誤匹配對數(shù)量與提純后總匹配對總數(shù)量之比。

3.1 抗噪聲性分析

表1給出了圖像受不同強度噪聲干擾時特征點檢測與匹配情況。選取噪聲為零均值高斯噪聲，在相同條件下做了20組實驗，取平均值進行性能分析。

表1 高斯噪聲下特征點檢測匹配情況

由表可知:不同噪聲強度下檢測到的特征點數(shù)與匹配分數(shù)不同;隨噪聲方差增加，匹配分數(shù)逐級減小，且噪聲小時匹配分數(shù)很高(方差為0.01時匹配分數(shù)高達40.12%);各個噪聲下匹配對錯誤率均在5%以下;當噪聲方差超過0.06時匹配分數(shù)低于10%，圖像基本無法識別。

可見，SURF算法檢測到的特征點有一定的抗噪聲能力，當UCAV的感知圖像受到弱噪聲干擾時，可以通過特征點提取來識別圖像，實現(xiàn)環(huán)境感知。高斯噪聲下特征點匹配圖如圖5所示。

3.2 抗旋轉性分析

表2給出了目標圖像旋轉不同角度時特征點檢測與匹配情況。

圖5 高斯噪聲下特征點匹配圖

表2 不同旋轉角度下特征點檢測與匹配情況

由表可知:同一場景在不同旋轉角度下檢測到的特征點數(shù)是有差別的;各個旋轉角度下均有較高的匹配分數(shù)和較低的錯誤率。

可見，SURF算法提取特征點具有良好的抗旋轉能力。當UCAV感知圖像發(fā)生任何角度旋轉，都能通過提取特征點達到識別圖像感知環(huán)境的目的。

圖6是目標圖像相對基準圖像旋轉180°時特征點匹配圖。

圖6 圖像旋轉180°特征點匹配圖

3.3 抗尺度變化性分析

表3給出了圖像發(fā)生尺度變化時特征點檢測與匹配情況。

表3 尺度變化下特征點檢測與匹配情況

由表可知:不同縮放比例下檢測到特征數(shù)量差別很大，但采用比值法提純匹配后能獲得較高的匹配分數(shù)，均超過45%;各縮放尺度下特征點匹配對錯誤率均低于3%。圖像縮小0.5時的特征點匹配圖如圖7所示。

圖7 圖像縮小0.5時的特征點匹配圖

可見，SURF算法提取特征點能有效克服圖像尺度變化，當UCAV獲得感知圖像在尺度上發(fā)生變化時均能通過特征點提取來感知環(huán)境。

4 結束語

本文將SURF特征點檢測與匹配引入到UCAV環(huán)境感知中。實驗結果表明SURF算法提取特征點具有較好的魯棒性，能有效解決UCAV以圖像作為環(huán)境感知信息時遇到的圖像污染、旋轉和尺度變化等問題，為UCAV較好地實現(xiàn)環(huán)境感知提供了有效的方法。

[1]吳德偉，邰能建，戚君宜.基于認知理論的UCAV智能導航研究新進展[J].空軍工程大學學報:自然科學版，2011，12(4):52-57.

[2]HARRIS C，STEPHENS M.A combined corner and edge detector[EB/OL].[2012-11-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.231.1604.

[3]LOWE D G.Object recognition from local scale-invariant feature[C]//Proc.IEEE International Conference of Computer Vision.Kerkyra，Greece:IEEE Press，1999:1150-1157.

[4]BAY H，TUVTELLARS T，GOOL L V.SURF:speeded up robust feature[C]//Proc.the European Conference on Computer Vision.Graz，Austria:University of Liubljanna，2006:404-417.

[5]王廣學，黃曉濤，周智敏.SAR圖像尺度不變特征提取方法研究[J].中國圖象圖形學報，2011，12(12):2199-2250.

[6]LINDEBERG T.Feature detection with automatic scale selection[J].International Journal of Computer Vision，1998，30(2):79-116.

[7]朱英宏，李俊山，郭莉莎，等.基于LBP的瓷都不變特征的描述和匹配算法[J].計算機輔助設計與圖形學報，2011，10(10):1758-1763.

[8]鄭玉龍.復雜環(huán)境下尺度不變特征點檢測與匹配技術研究[J].科學技術與工程，2011，11(23):5693-5701.

[9]王先敏，增慶化，熊智，等.結合慣性導航特性的快速景象匹配算法[J].系統(tǒng)工程與電子技術，2011，9(9):2055-2059.

[10]CHEN Long，LI Qingquan，LI Ming，et al.Traffic sign detection and recognition for intelligent vehicle[C]//Proc.IEEE Intelligent Vehicles Symposium.[S.l.]:IEEE Press，2011:908-913.

[11]SONG Kaitai，CHANG Chehao.Objiect pose estimation for grasping based on robust center point detection[C]//Proc.Asian Control Conference.[S.l.]:IEEE Press，2011:305-310.

[12]VIOLA P，JONES M.Rapid objiect detection using a boosted cascade of simple feature[C]//Proc.IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE Press，2001:1511-1518.