顧海艷 陳穎潔 丁堯

摘要：視覺里程計（VO）通過軌跡推算，累加運動矢量，得出當(dāng)前位置的相對定位方法，單目里程計僅使用單個相機作為圖像獲取載體，使獲得信息的要求更低，且能較精確地識別和定位特征點，實時性好，成本也少很多，因此具有更廣的應(yīng)用前景。本課題采用SURF算法來同時檢測和匹配特征點，使用一種基于機器學(xué)習(xí)算法（SVM）自適應(yīng)卡爾曼濾波器，減緩原本卡爾曼濾波器中會出現(xiàn)的精度低和發(fā)散狀況，起到優(yōu)化單目里程計的系統(tǒng)準確度。

關(guān)鍵詞：單目;視覺里程計;SURF算法;卡爾曼濾波

中圖分類號：G642.0 ? ? 文獻標志碼：A ? ? 文章編號：1674-9324（2016）43-0257-03

移動機器人的自主定位導(dǎo)航是機器人運動的前提之一，隨著計算機技術(shù)和圖像處理技術(shù)的發(fā)展，利用機器視覺進行導(dǎo)航逐漸成為熱點之一[1]。視覺里程計（VO）通過軌跡推算，累加運動矢量，得出當(dāng)前位置的相對定位，從而幫助機器人感知周圍環(huán)境和自由移動。對比雙目里程計，單目里程計僅使用單個相機作為圖像獲取載體，使獲得信息的要求更低，實時性好，成本也更少，因此具有更廣的應(yīng)用前景[2]。本研究課題引入機器學(xué)習(xí)算法，對傳統(tǒng)單目視覺里程計進行改良，提出了一種新的解決方案，優(yōu)化單目視覺里程計，對后期的工程應(yīng)用有一定的實踐意義。

一、設(shè)計單目視覺里程計系統(tǒng)模型

單目視覺里程計模型設(shè)計分為：硬件設(shè)計和軟件設(shè)計。硬件設(shè)計就是安裝在機器上帶有調(diào)節(jié)機構(gòu)的單個相機。軟件模型設(shè)計包括：圖像的采集和預(yù)處理、目標的選取特征與運動估計等模塊，其軟件設(shè)計工作流程如圖1所示：

圖1中，在采集到圖像后，要進行濾波、圖像矯正、標定參數(shù)等預(yù)處理，相機參數(shù)標定獲得的參數(shù)能將現(xiàn)實三維與相機二維圖像聯(lián)系起來，是單目里程計能否準確定位的關(guān)鍵[3]，本課題采用張友正的棋盤標定法，較其他算法實現(xiàn)起來更簡單，準確度較高。

圖片在成像過程中會出現(xiàn)畸變、失真等情況，可以采用灰度插值法或雙線條插值法進行矯正，以起到減小里程計誤差的作用。由于估算圖像特征的運動參數(shù)是估算相機運動的關(guān)鍵，因此特征的選取顯得尤為重要。選擇具體的物體作為特征，在復(fù)雜的外部環(huán)境中是不現(xiàn)實的，所以，應(yīng)該盡可能的選擇簡單，明顯的點線面、角點、特定區(qū)域作為特征。在計算圖像特征運動時，需要檢測出兩幅連續(xù)的圖像中對應(yīng)的特征點，然后找出所有特征點之間的對應(yīng)關(guān)系進行匹配[4]。常用的特征點提取算法有Harris角點檢測算法，SUSA（smallest univalve segment assimilating nucleus）角點檢測算法，SIFT，SURF，F(xiàn)AST角點算法等。Harris算法定義局部領(lǐng)域內(nèi)極大興趣值對應(yīng)的像素點為檢測的特征點，并不如SURF（Speeded Up Robust Features）算法選取的特征點明顯[5]，所以相較于兩者SURF更適合于本課題的研究，SURF基于積分圖像提取特征點，通過Haar小波濾波器描述特征點，是一種集特征提取和描述于一體的算法，其抗干擾能力強，運算量低于SIFT算法，運算速度卻更快，并且結(jié)合了SIFT算法的許多優(yōu)點，因此本文選用SURF算法進行特征提取和匹配。由于SURF算法具有平移、旋轉(zhuǎn)時尺寸不變的優(yōu)勢，因此所檢測出的特征無論在哪個角度都是同一個特征，首先給特征點確定一個主方向，以特征點為原點，建立二維直角坐標系，獲得一個64維特征向量r來描述特征點。之后SURF對特征點的匹配就可分為兩步：第一步，快速索引進行初步匹配，但是會存在較大的誤差，第二步進行最近鄰匹配算法運算，若最近鄰歐氏距離與次近鄰歐式距離的比值在一定閾值范圍內(nèi)，則認為特征點匹配正確，反之則是匹配錯誤[6]，能快速有效的剔除錯誤的匹配點。SURF算法的流程圖如圖2所示：

SURF最近鄰歐式距離算法如式1所示：

dis（j）=（dis（rr）） （式1）

SURF次近鄰歐氏距離算法如式2、式3所示：

dis（j）=（dis（rr）） ?（式2）

R= （式3）

式（1）中，dis（j）——兩個特征點間的最近鄰歐氏距離，r中第j個向量與r中第i個向量的歐式距離最小;

式（2）中，dis（j）——兩個特征點間的次近鄰歐氏距離，r中第j個向量（除第j個向量外）與r中第i個向量的歐式距離最小;

式（3）中，R為最近鄰歐氏距離與次近鄰歐氏距離之比。設(shè)閾值為R，當(dāng)R≤R時，特征向量匹配成功，反之則失敗。

二、單目視覺里程計目標定位：

在設(shè)計完單目視覺里程計的模型后，進行計算，得出現(xiàn)實中的點的三維坐標;首先先確立相機的位置關(guān)系，就是在本質(zhì)矩陣E（一個有5個自由度，秩為2的三階矩陣）中分解出旋轉(zhuǎn)矩陣R和平移向量T，可以由E=UDV，計算出R=UGV，其中G=，

Z=。而得到的平移向量T是一個比例值，只能根據(jù)現(xiàn)實數(shù)據(jù)計算出，因此平移向量還是一個未知數(shù)。在現(xiàn)實相機標定時可直接選用張友正的棋盤標定算法，使用ROS下的標定庫，通過camera_calibration直接標定插入電腦的相機，當(dāng)拍攝照片達到一定量之后，標定程序會自動開始計算各種參數(shù)，我們只需要選定焦距值，圖像尺寸大小，主點坐標（u，v）。知道兩張相片的坐標分別為A=（x，y，z），A=（x，y，z），可以通過數(shù)學(xué)計算來獲取目標的三維坐標， 由先前得到的相機坐標位置關(guān)系可得式4：

A=RA+T （式4）

由于（u，v）和（u，v），R，T均可得出所以可以求出x，y如式5所示：

x=y= （式5）

z和平移系數(shù)可由最小二乘法得出。算出結(jié)果后我們可以的得出A=（x，y，z）為當(dāng)前相機坐標系下算出的目標點的三維坐標，因此目標點被定位成功。

三、基于機器學(xué)習(xí)算法的Kalman濾波改良設(shè)計

卡爾曼濾波器（Kalman Filtering）是一種軟件濾波方式，以最小方差估計為算法基礎(chǔ)，通過狀態(tài)方程來描述被估計量的動態(tài)變化過程，利用相機上一時刻的狀態(tài)和當(dāng)前時刻傳感器的測量值來估計當(dāng)前的狀態(tài)值[7]?；究枮V波器算法，適用于解決隨機線性離散系統(tǒng)的參數(shù)估計問題，卡爾曼濾波器在濾波過程中不需要存儲歷史數(shù)據(jù)，有效地減少了計算量，大大節(jié)省了運算時間。但是基本卡爾曼濾波器會因為實際噪聲和其使用的噪聲不相符，而導(dǎo)致濾波運算精度低，甚至?xí)霈F(xiàn)濾波器發(fā)散的現(xiàn)象。為了直觀地理解卡爾曼濾波器的應(yīng)用，可給出其運行流程圖如圖3所示：

研究者們曾提出自適應(yīng)卡爾曼濾波器（AKF）來克服這一缺點，其中Sage-Husa自適應(yīng)濾波器算法因為原理簡單，實時性好，受到廣泛的關(guān)注，但存在著時間窗口難以設(shè)置的問題，時間窗口是指測量數(shù)據(jù)選取的時間長度，若設(shè)得過大，算法效率會變得很低，動態(tài)性能也變差;若過小，算法中用到的數(shù)據(jù)就顯得過少，估算出的當(dāng)前相機狀態(tài)值會發(fā)生偏差。所以本文介紹了一種基于機器學(xué)習(xí)算法SVM（支持向量機）的自適應(yīng)卡爾曼濾波設(shè)計方法。支持向量機（SVM）是一種將結(jié)構(gòu)風(fēng)險最小化的機器學(xué)習(xí)算法[8]，在解決非線性問題領(lǐng)域有著極大的優(yōu)勢，恰好在基于SVM的新型自適應(yīng)卡爾曼濾波算法中，正是運用SVM的回歸預(yù)測分析（SVR），將原本復(fù)雜的非線性問題通過構(gòu)造線性函數(shù)轉(zhuǎn)化成線性問題，進而動態(tài)的調(diào)節(jié)卡爾曼濾波器算法中的噪聲矩陣參數(shù)。巧妙地避開了選取時間窗口的難題，并且這一新型的算法增加了單目里程計的穩(wěn)定性和準確性。

四、提高單目里程計算法的研究

如何提高單目里程計算法，可以從三個角度進行分析：魯棒性、實時性和精確度。

1.提高系統(tǒng)的魯棒性。魯棒性可以是指，控制系統(tǒng)在參數(shù)攝動情況下保持系統(tǒng)某個性能指標保持不變，即抗干擾能力。在視覺里程計中，局部視覺特征能有效的提高系統(tǒng)的魯棒性，局部視覺特征有尺寸不變特性，并且對復(fù)雜的外部環(huán)境有很好的檢測能力，適用于室外等復(fù)雜場地，若與GPS等設(shè)備結(jié)合使用，實現(xiàn)多傳感器信息融合。

2.提高系統(tǒng)的實時性。在特征檢測和匹配時，選取有效的少量特征進行檢測和匹配，并運用好的數(shù)據(jù)加以描述，能有效的提高系統(tǒng)的實時性，簡而言之，特征的選取要易跟蹤，匹配算法要高效可行。可以從兩個角度提高算法的實時性：數(shù)據(jù)處理并行優(yōu)化和數(shù)據(jù)降維。數(shù)據(jù)降維能高效利用有限的計算能力，主成分分析PCA（Principle component analysis）方式已有效的運用于SIFT數(shù)據(jù)降維中，可以在大大降低計算量的情況下，達到了相同的特征匹配效果。

3.提高系統(tǒng)的精確度。視覺里程計是一個數(shù)據(jù)迭代累加的過程，但在迭代累加過程中，都會存在誤差的累積，如何有效地減少誤差的累加，就成了視覺里程計特高精確度的關(guān)鍵。減少誤差的累加，應(yīng)該從選取特征點這一源頭開始。由此特征的選取，檢測和匹配都要選擇合適的方式[9]。特征點的選取應(yīng)盡量選擇靜止物體的顯著特征，減少特征帶來誤差和大量的無用外點。運用圖的最大團內(nèi)點檢測方法對錯誤匹配有很強的制約能力。

視覺里程計作為移動機器人自主導(dǎo)航的重要組成部分，已成功運用于海陸空及宇宙探索中，本文主要研究了一種基于機器學(xué)習(xí)算法的單目里程計算法，僅使用一個攝像機，在不借助于其他傳感設(shè)備的幫助下，實現(xiàn)機器的自主定位。本課題引入SURF算法對目標進行特征匹配，提高了系統(tǒng)的魯棒性，同時較SIFT算法提高了運算速度。利用機器學(xué)習(xí)改善傳統(tǒng)的卡曼濾波，有效的抑制了噪聲發(fā)散。通過上述改善，本課題所研究設(shè)計的單目里程計在魯棒性、實時性和精準性上有了一定的提高。

參考文獻：

[1]姜國權(quán)，何曉蘭，杜尚豐，柯杏.機器視覺在農(nóng)業(yè)機器人自主導(dǎo)航系統(tǒng)中的研究進展[J].農(nóng)機化研究，2008，（3）：9-11.

[2]羅堪.基于復(fù)眼模型的視覺里程計方法研究[D].湖南大學(xué)，2014.

[3]劉曉利，田媛，童飛，唐艦，隋國榮，陳抱雪.雙目立體視覺的光學(xué)標定技術(shù)[J]光學(xué)儀器，2013，（3）：11-15.

[4]蘇宇，郭寶龍.一種基于曲率尺度空間的圖像拼接算法[J].計算機工程與應(yīng)用2008，（1）：39-41.

[5]相陽.基于點特征的圖像配準技術(shù)研究[D].東北大學(xué)，2010.

[6]白廷柱，侯喜報.基于SIFT算子的圖像匹配算法研究[J].北京理工大學(xué)學(xué)報，2013，（6）：622-627.

[7]戴洪德，陳明，周紹磊，李娟，彭賢.基于支持向量機的自適應(yīng)卡爾曼濾波技術(shù)研究[J].控制與決策，2008，（8）：949-952.

[8]張偲敏，汪艷，郭天太，洪博，劉焱煜.支持向量回歸機的參數(shù)擇優(yōu)算法[J].中國科技信息，2015，（13）：26-27.

[9]李宇波，朱效洲，盧惠民，張輝.視覺里程計技術(shù)綜述[J].計算機應(yīng)用研究，2012，（8）：2801-2805，2810.

A Study on Monocular Mileage based on Machine Learning Algorithm

GU Hai-yan 2，CHEN Ying-jie 1，DING Yao 1

（1.Nanjing University Jinling College，Nanjing，Jiangsu 210089，China;2. Jiangsu Police Institute，Nanjing，Jiangsu 210000，China）

Abstract：Visual odometry（VO） through the trajectory calculation，cumulative motion vector，the relative positioning method of current position. Monocular odometer using only a single camera as image acquisition carrier，make information requirements lower，and can identify and locate the feature point accurately，real-time，cost much less，so it has more wide prospect of application. This paper uses SURF algorithm to simultaneously detect and match feature points，using a machine learning algorithm based on adaptive Calman filter （SVM），slow down will appear originally Calman filter in low precision and divergence，to system optimization of monocular odometric accuracy.

Key words：Single camera;Visual odometry;SURF;Calman filter