李思璇，胡志剛，2，王新征，付東遼，祖向陽

1.河南科技大學(xué)醫(yī)學(xué)與技術(shù)工程學(xué)院，河南 洛陽 471003

2.河南省智能康復(fù)醫(yī)療機(jī)器人工程研究中心，河南 洛陽 471003

在視覺SLAM（simultaneous localization and mapping）[1]中前端（視覺里程計(jì)）為后端優(yōu)化提供了所需的信息，信息精度直接影響后端優(yōu)化效果與建圖軌跡的準(zhǔn)確性，精度較高的特征匹配方法有助于準(zhǔn)確定位與地圖構(gòu)建。ORB（oriented FAST and rotated BRIEF）[2]是在FAST與BRIEF基礎(chǔ)上改進(jìn)的一種含有方向的二進(jìn)制描述方法，雖然在匹配精度上略遜于SURF 與SIFT 算法，但在實(shí)時(shí)性方面有著巨大優(yōu)勢(shì)，因此在視覺SLAM中得到廣泛應(yīng)用。近年來眾多學(xué)者為提升ORB匹配精度進(jìn)行大量研究。在特征檢測(cè)方面，文獻(xiàn)[3]針對(duì)亮度變化明顯場(chǎng)景提出一種ORB 局部像素自適應(yīng)分類方法，對(duì)特征點(diǎn)精準(zhǔn)提取后結(jié)合PROSAC 算法有效降低了不同光強(qiáng)度下的誤匹配率。文獻(xiàn)[4]使用樹狀存儲(chǔ)結(jié)構(gòu)，對(duì)圖像節(jié)點(diǎn)分割成多個(gè)子區(qū)域，根據(jù)子區(qū)域特征點(diǎn)數(shù)量進(jìn)行均勻提取，這種方法有效地解決了特征點(diǎn)聚集冗余的問題，具有優(yōu)良的圖像匹配能力。還有通過將多種算法征檢測(cè)與ORB結(jié)合以改進(jìn)自身不具備尺度不變性問題并得到了可靠度較高的匹配結(jié)果[5-7]。有研究人員進(jìn)行圖像目標(biāo)分類檢測(cè)將K-means 聚類算法與ORB 結(jié)合[8]解決傳統(tǒng)特征匹配不能多目標(biāo)匹配的問題。文獻(xiàn)[9]通過圖像語義分割，提取目標(biāo)圖標(biāo)區(qū)域生成詞袋模型，使用SVM 提升了圖像分類性能。在后端優(yōu)化方面，文獻(xiàn)[10]將人工魚群應(yīng)用在粒優(yōu)子集合優(yōu)化，重新調(diào)整粒子的提議分布，使估測(cè)粒子更符合實(shí)際狀態(tài)分布，提高了機(jī)器人的位姿估計(jì)精度。文獻(xiàn)[11]在視覺SLAM路徑規(guī)劃中通過引入聚集因子β與迭代次數(shù)共同影響自適應(yīng)因子改善了人工魚群收斂精度，同時(shí)添加權(quán)重評(píng)價(jià)因子計(jì)算了人工魚當(dāng)前位置的適應(yīng)度值，改進(jìn)算法有效的避免陷入局部解的問題并提高了最佳路徑的規(guī)劃速度。在眾多目標(biāo)分類中K-means 聚類算法在類之間區(qū)別較為明顯時(shí)具有良好的分類性能，但過于依賴隨機(jī)選取的初始值，容易造成結(jié)果不穩(wěn)定。目前較為成熟的SVM 分類核函及參數(shù)基本上都是根據(jù)經(jīng)驗(yàn)值設(shè)定，考慮在未知環(huán)境中核函數(shù)及參數(shù)應(yīng)當(dāng)按照實(shí)際場(chǎng)景來確定，動(dòng)態(tài)滿足核函數(shù)與參數(shù)的設(shè)定目前較為復(fù)雜。人工魚群算法作為一種群體智能優(yōu)化算法[12]，在組合優(yōu)化問題中得到廣泛的應(yīng)用，它的優(yōu)點(diǎn)在于對(duì)初始值的要求不高，前期快速較快，個(gè)體之間獨(dú)立存在且獲得的信息輕便簡(jiǎn)潔，使得算法在設(shè)計(jì)改進(jìn)中上更加靈活，操作性更高。

在總結(jié)以上方法后發(fā)現(xiàn)現(xiàn)存方法中或多或少存在著特征點(diǎn)檢測(cè)彈性不足，未考慮實(shí)際的情況對(duì)特征點(diǎn)數(shù)量以及區(qū)域檢測(cè)進(jìn)行過多控制，雖然部分圖分類效果良好但應(yīng)用在實(shí)際環(huán)境中實(shí)時(shí)性尚未達(dá)到一定標(biāo)準(zhǔn)。

考慮人工魚群適合求解精度要求不高的尋優(yōu)問題與大量特征點(diǎn)之間無需零差別描述匹配相互耦合，且人工魚群的聚群、追尾、自由行為對(duì)特征點(diǎn)選取起到了快速分類的效果，縮小匹配范圍，加大了不同區(qū)域之間特征點(diǎn)的描述差異，故本文采用改進(jìn)人工魚群與ORB 特征匹配算法結(jié)合提高特征匹配正確率。改進(jìn)算法分成兩個(gè)部分：（1）對(duì)于FAST 角點(diǎn)邊緣敏感不足的情況，提出FAST-16的角點(diǎn)彈性檢測(cè)方法，根據(jù)不同情況彈性的選擇角點(diǎn)圓周位置進(jìn)行像素值對(duì)比；（2）使用自適應(yīng)的魚群參數(shù)對(duì)人工魚群進(jìn)行行為分析，在圖像中規(guī)劃聚群區(qū)域、追尾區(qū)域、自由區(qū)域，對(duì)人工魚群（即特征點(diǎn)）更加靈活的分類，最后分別使用漢明距離的篩選方法與RANSAC 算法進(jìn)行特征匹配并將正確匹配率進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的ORB 算法匹配精度大幅提升，同時(shí)滿足室內(nèi)輪椅定位與建圖實(shí)時(shí)性的需求，為室內(nèi)輪椅定位與建圖的準(zhǔn)確性做良好的鋪墊工作。

1 人工魚群與ORB算法的基本原理

1.1 人工魚群的行為描述

人工魚群算法[13]是對(duì)魚類不同行為歸納總結(jié)得出的一種優(yōu)化方法，將魚群行為描述分為如下四種并概述一些基本定義，其中X=(x1,x2,…,xn)表示當(dāng)前人工魚的位置，Y=f(x)表示尋求的目標(biāo)函數(shù)，di,j=||Xi-Yj||表示個(gè)體與個(gè)體之間的相互距離，Visual表示以人工魚為中心的感知半徑，W表示聚集程度。

（1）覓食行為：Xi在Visual圓周內(nèi)選擇任意一點(diǎn)新狀態(tài)Xj，若Yi

（4）隨機(jī)行為：作為其他情況的補(bǔ)充，人工魚在不滿足任何行為的時(shí)候在Visual圓周任意更新位置。

全局性公示板用于保存人工魚的最佳狀態(tài)，每次行為迭代后都會(huì)檢索其自身狀態(tài)，若優(yōu)于最佳狀態(tài)，則將全局公示板更正為當(dāng)前狀態(tài)。

1.2 ORB特征匹配原理

1.2.1 FAST特征點(diǎn)檢測(cè)

圖像中任意兩點(diǎn)像素P1、P2，構(gòu)建灰度差值函數(shù)M=|IP1-IP2|。設(shè)強(qiáng)差異的闕值為T，若M>T，則認(rèn)為這2個(gè)點(diǎn)具有強(qiáng)差異?？紤]圓心像素點(diǎn)周圍以3為半徑的16 個(gè)像素點(diǎn)，如果這16 個(gè)像素點(diǎn)中有連續(xù)的n個(gè)強(qiáng)差異像素點(diǎn)，那么它就是一個(gè)特征點(diǎn)，如圖1所示。

圖1 FAST檢測(cè)原理圖Fig.1 Detection schematic of FAST

為了使特征點(diǎn)帶有方向描述[4]，首先定義圖像塊的矩函數(shù)Mpq如式（1）所示：

式（2）表示的是以r為半徑的鄰域S內(nèi)質(zhì)心位置C：

連接圖像塊的幾何中心O與質(zhì)新C，得到式（3）中θ為特征點(diǎn)的方向：

1.2.2 特征點(diǎn)描述

普通BRIEF不具有方向旋轉(zhuǎn)的性質(zhì)，通過上文計(jì)算出方向向量使BRIEF 具有良好的旋轉(zhuǎn)不變性。通過選取角點(diǎn)周圍隨機(jī)選取n個(gè)點(diǎn)對(duì)進(jìn)行比較，并用0 與1 組合成描述子。每個(gè)BRIEF 描述子是一個(gè)長(zhǎng)度為n的二進(jìn)制數(shù)值碼串，并構(gòu)成點(diǎn)對(duì)集合S，使用鄰域方向θ和對(duì)應(yīng)的旋轉(zhuǎn)矩陣Rθ，構(gòu)建S的一個(gè)校正版本Sθ，如式（4）所示：

其中θ為主方向，在求得的新點(diǎn)對(duì)中使用相互關(guān)聯(lián)性最低的一組點(diǎn)對(duì)集合，得到含有方向的描述子。

1.2.3 特征點(diǎn)匹配

特征匹配作為視覺里程計(jì)中極為關(guān)鍵的部分，匹配的好壞程度將決定后續(xù)優(yōu)化模型的工作量大小，目前常用的有暴力匹配法（brute-force matcher），它使用的方法是在原始圖像中選取一個(gè)包含描述子的特征點(diǎn)，然后按照一定的順序與目標(biāo)圖像中的特征點(diǎn)進(jìn)行描述距離的比較，最后與距離描述最近的點(diǎn)進(jìn)行匹配，同時(shí)本文參考了文獻(xiàn)中工程上的篩選方法，通過篩選將描述距離小于最小距離特定倍數(shù)的特征點(diǎn)進(jìn)行匹配。RANSAC 算法[14]是在兩幅圖像中找到最佳單應(yīng)性矩陣H（homography matrix），它表示的是同一物體，在不同視角下的矩陣轉(zhuǎn)換關(guān)系。此種算法具有良好的剔除誤匹配能力，抗噪能力強(qiáng)，適用于大部分場(chǎng)景的特征匹配。

2 改進(jìn)人工魚群的ORB特征匹配算法

使用改進(jìn)人工魚群算法與ORB特征匹配結(jié)合需要大量豐富的圖像特征點(diǎn)以便于通過魚群行為更好的對(duì)特征信息分類，減小匹配范圍，提高正確匹配率。為了得到更多的特征點(diǎn)，需要對(duì)圖像明顯分界處更加合理靈活的檢測(cè)，改進(jìn)FAST 算法并未通過增加或減小圓周半徑r來提高靈敏度，而是對(duì)特征點(diǎn)達(dá)到一定條件后，對(duì)圓周不同方向上彈性選取像素位置進(jìn)行像素值對(duì)比，然后根據(jù)檢測(cè)結(jié)果結(jié)合改進(jìn)人工魚群具有并行計(jì)算、收斂速度快的特點(diǎn)，通過對(duì)特征點(diǎn)3 種魚群行為分析，將其分類成多個(gè)類間描述差異較大的特征區(qū)域，最后利用RANSAC算法進(jìn)行特征匹配。

2.1 改進(jìn)FAST特征點(diǎn)檢測(cè)

在實(shí)際特征點(diǎn)檢測(cè)中，F(xiàn)AST為了加快計(jì)算速度，在像素點(diǎn)以r為半徑的圓周上，全部像素點(diǎn)并未按照順時(shí)針方向比較，而是每間隔3個(gè)像素點(diǎn)取一個(gè)像素點(diǎn)與之進(jìn)行對(duì)比（以3為半徑間隔3個(gè)位置，如位置1、5、7、9的像素點(diǎn)），若大于等于3 個(gè)同時(shí)屬于強(qiáng)差異的像素點(diǎn)則繼續(xù)檢測(cè)中間需要相連接的像素點(diǎn)。當(dāng)至少連續(xù)9 個(gè)同時(shí)為強(qiáng)差異像素點(diǎn)則認(rèn)為該點(diǎn)是特征點(diǎn)，雖然這種方法計(jì)算速度較快但同時(shí)由于用于依賴開始選擇固定的4個(gè)像素點(diǎn)，導(dǎo)致邊緣敏感不足，抗鋸齒能力不強(qiáng)。針對(duì)這種情況，改進(jìn)后的FAST在選擇間隔為3的4個(gè)像素點(diǎn)中，若只存在2個(gè)同時(shí)屬于強(qiáng)差異的像素點(diǎn)則先考慮其他2 個(gè)非強(qiáng)差異像素點(diǎn)的邊緣與中心像素點(diǎn)是否存在強(qiáng)差異。如圖2（a）所示：若位置1 為非強(qiáng)差異像素點(diǎn)，則考慮位置1 的上下邊緣，若位置13 為非強(qiáng)差異像素點(diǎn)，則考慮位置13左右邊緣與中心像素強(qiáng)度差異關(guān)系，在這兩對(duì)邊緣中只要存在1 個(gè)強(qiáng)差異點(diǎn)即可認(rèn)為滿足選擇的4個(gè)像素點(diǎn)中同時(shí)存在3個(gè)強(qiáng)差異像素點(diǎn)的初始要求，在邊緣檢測(cè)條件滿足后進(jìn)行像素點(diǎn)的連續(xù)性檢測(cè)，到達(dá)至少9個(gè)像素點(diǎn)連續(xù)為強(qiáng)差異像素則認(rèn)為它是一個(gè)特征點(diǎn)進(jìn)行保留，反之則去除。圖2（b）為經(jīng)過改進(jìn)后的圓周檢測(cè)位置示例。

圖2 改進(jìn)FAST檢測(cè)原理圖Fig.2 Detection schematic of improved FAST

確定角點(diǎn)后通過灰度質(zhì)量心法計(jì)算出質(zhì)心C與主方向θ，得到帶有方向的rBEIEF。改進(jìn)FAST特征點(diǎn)檢測(cè)流程圖如圖3所示。

圖3 改進(jìn)FAST特征點(diǎn)檢測(cè)流程圖Fig.3 Feature point detection flowchart of improved FAST

2.2 改進(jìn)人工魚群的特征點(diǎn)選取

通常魚群聚集的地方往往是營(yíng)養(yǎng)較為豐富的地方，基于此思想在特征點(diǎn)檢測(cè)中特征點(diǎn)較多的區(qū)域同樣圖像特征較為豐富，考慮K-means聚類方法[15]需要多次迭代并照顧全局每一個(gè)點(diǎn)，直到計(jì)算出一個(gè)或多個(gè)聚類中心，過于依賴初始點(diǎn)的位置，如圖4（a）所示，經(jīng)過聚類算法的計(jì)算將圖像中的點(diǎn)分為上下兩類，距離聚類中心較遠(yuǎn)的點(diǎn)同樣被考慮在計(jì)算范圍之內(nèi)。本文通過上文改進(jìn)的FAST提取，將當(dāng)前特征點(diǎn)作為已收斂后的人工魚群，即圖像特征信息最優(yōu)提取，通過改進(jìn)人工魚群思想計(jì)算出一個(gè)或多個(gè)聚群區(qū)域，根據(jù)特征點(diǎn)相應(yīng)的位置判斷其當(dāng)前的狀態(tài)，對(duì)于未在聚群區(qū)域的特征點(diǎn)通過狀態(tài)判斷策略選擇保留或去除。每一個(gè)特征點(diǎn)位置對(duì)圖像整體計(jì)算影響較小，通過減小圖像特征區(qū)域外的相似描述提高匹配精度。圖4（b）為改進(jìn)人工魚群的特征點(diǎn)分類原理圖。

圖4 分類類型示意圖Fig.4 Schematic diagram of classification types

下面是改進(jìn)算法中包含的一些基本定義：SR（satisfactional research）代表區(qū)域認(rèn)可度，F(xiàn)I（follow intensity）代表人工魚的追隨強(qiáng)度，Nmax為圖像中檢測(cè)到特征點(diǎn)的數(shù)量。

（3）自由狀態(tài)行為分析：如圖4（b）綠色點(diǎn)所示，不在聚群與追尾區(qū)域的人工魚將被認(rèn)定為自由狀態(tài)Fd，考慮其不影響其他人工魚的條件下，將其去除。自由狀態(tài)的行為分析將圖像中某一局部區(qū)域單獨(dú)出現(xiàn)的特征點(diǎn)在不影響其他特征點(diǎn)聚類、描述圖像信息的情況下視為環(huán)境干擾產(chǎn)生的噪聲，故通過不同的行為分析后將其在圖像特征點(diǎn)中過濾消除。

2.3 特征點(diǎn)匹配

隨機(jī)一致性（random sample consensus，RANSAC）通過擬合參數(shù)模型高效的去除了大量誤匹配，該方法[16]可以在包含大量誤差超過閾值的數(shù)據(jù)集中分離出誤差在一定范圍內(nèi)的優(yōu)質(zhì)參數(shù)。在實(shí)際情況中，RANSAC算法對(duì)于優(yōu)質(zhì)的模型會(huì)很快跳出迭代，節(jié)省大量計(jì)算時(shí)間。它的計(jì)算過程如下：

（1）從數(shù)據(jù)集合中，任意的抓取一定的參數(shù)生成擬合函數(shù)，并計(jì)算出最佳單應(yīng)性矩陣H。

（2）設(shè)置一個(gè)誤差閾值T，計(jì)算其他未被選擇的點(diǎn)與模型的投影距離L，若L

（3）計(jì)算每個(gè)模型含有局內(nèi)點(diǎn)的數(shù)量，通過迭代隨機(jī)生成的模型，直到局內(nèi)點(diǎn)數(shù)目不再變化，并達(dá)到最大數(shù)量時(shí)停止采樣。

2.4 改進(jìn)算法的總流程

改進(jìn)算法的具體流程如圖5所示。

圖5 改進(jìn)人工魚群的ORB特征匹配流程圖Fig.5 ORB feature matching flowchart of improved AFSA

首先針對(duì)特征點(diǎn)檢測(cè)能力不足的的情況，對(duì)FAST特征點(diǎn)圓周彈性位置的像素值進(jìn)行對(duì)比然后提取特征點(diǎn)；接著通過改進(jìn)人工魚，結(jié)合其速度快、輸入信息簡(jiǎn)潔，算法設(shè)計(jì)方便等優(yōu)點(diǎn)劃分特征區(qū)域，追尾區(qū)域，對(duì)特征點(diǎn)賦予不同狀態(tài)優(yōu)化選?。蛔詈笫褂肦ANSAC 算法計(jì)算出最佳擬合函數(shù)去除圖像中的誤匹配。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 改進(jìn)FAST算法的實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)環(huán)境為Ubuntu 16.04，CPU 為i7-4510U，Opencv2.4.13，為了驗(yàn)證改進(jìn)算法的有效性，選擇公開數(shù)據(jù)集中bikes場(chǎng)景、light場(chǎng)景、graffiti場(chǎng)景，公開數(shù)據(jù)集的地址為http：//www.robots.ox.ac.uk/～vgg/research/affine/，同時(shí)選取了實(shí)際場(chǎng)景，對(duì)改進(jìn)FAST 算法前后進(jìn)行了效果圖的比較。在實(shí)際測(cè)試中過高的閾值使判斷條件過于嚴(yán)格，導(dǎo)致少量的特征點(diǎn)無法準(zhǔn)確描述圖像信息，過低的閾值會(huì)導(dǎo)致特征點(diǎn)聚集在圖像某一處，大量重疊。本文在實(shí)驗(yàn)中將閾值設(shè)置為（Threshold=50），在提取階段階段進(jìn)行了非極大值抑制，實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 改進(jìn)FAST效果對(duì)比圖Fig.6 Effect comparison diagram of improved FAST

通過觀察，圖6（a）左二摩托車車頭與車尾有大量重疊的特征點(diǎn)，每輛摩托車車胎、遮陽棚、門框均少量特征點(diǎn)。從圖6（b）可以發(fā)現(xiàn)，經(jīng)過改進(jìn)后的算法使得車胎處、門框處存在較多的特征點(diǎn)符合實(shí)際圖像的輪廓邊界，并無聚集重疊的特征點(diǎn)。根據(jù)圖6（c）所示，圖像樹葉、建筑物入口上方處，特征點(diǎn)過于密集，樓梯邊緣處也沒有有效檢測(cè)到特征點(diǎn)。如圖6（d）所示，在樹葉與樓體中檢測(cè)到了較多且均勻分布的特征點(diǎn)，對(duì)樓梯邊緣、白色汽車車體邊界處進(jìn)行了高質(zhì)量的特征點(diǎn)提取，對(duì)圖6（c）中存在的問題進(jìn)行了有效的改善。從圖6（e）中可以很明顯的看到，在整個(gè)圖像中明顯分界處并沒有符合理想的特征點(diǎn)，而經(jīng)過改進(jìn)后的算法在圖6（f）中精準(zhǔn)的對(duì)圖像中存在邊界的地方進(jìn)行了特征提取，對(duì)圖像輪廓進(jìn)一步詳細(xì)的描述。在實(shí)際環(huán)境中，從圖6（g）與6（h）可以發(fā)現(xiàn)改進(jìn)算法更加精準(zhǔn)的將暖氣片之間縫隙作為特征點(diǎn)提取出來符合理論的設(shè)計(jì)原理，對(duì)右下角辦工桌的邊緣使用特征點(diǎn)勾繪出來滿足物品實(shí)際的邊緣形狀，并對(duì)桌面物品的外形又有著進(jìn)一步的精準(zhǔn)描繪。從圖6（i）與6（j）對(duì)比中可以看出，改進(jìn)算法對(duì)圖像下方的辦公椅提取出較多的特征點(diǎn)，并且對(duì)圖像上方的燈管處提取出與實(shí)際情況一致的特征點(diǎn)。這是由于傳統(tǒng)FAST嚴(yán)格要求對(duì)比像素的圓周位置導(dǎo)致特征提取并不理想，通過算法改進(jìn)前后效果表明改進(jìn)ORB的FAST算法，可以靈活有效地對(duì)不同情況的像素位置及時(shí)調(diào)整，更加均勻精準(zhǔn)的突出圖像中存在的特征點(diǎn)，對(duì)于特征點(diǎn)圓周位置彈性范圍的灰度值對(duì)比檢測(cè)，可以有效地克服特征點(diǎn)對(duì)邊緣檢測(cè)的不敏感。

3.2 改進(jìn)ORB特征匹配算法的實(shí)驗(yàn)結(jié)果

在3.1 節(jié)中對(duì)ORB 的FAST 算法進(jìn)行了改進(jìn)，并在公開數(shù)據(jù)集中驗(yàn)證了改進(jìn)算法的有效性。本實(shí)驗(yàn)?zāi)M室內(nèi)環(huán)境共采集了80 組室內(nèi)圖片進(jìn)行特征點(diǎn)匹配，選擇其中40 組匹配效果較為良好圖片作為樣本，計(jì)算了不同特征匹配算法的平均正確匹配率并測(cè)試了算法的穩(wěn)定性即標(biāo)準(zhǔn)差，結(jié)果如表1所示。

根據(jù)表1 可知，傳統(tǒng)ORB 平均正確匹配率較低，并且標(biāo)準(zhǔn)差達(dá)到3.1%，匹配結(jié)果極不穩(wěn)定。通過使用篩選匹配或RANSAC 匹配策略與傳統(tǒng)ORB 結(jié)合，不需要額外消耗更多的匹配時(shí)間便可以將平均正確匹配率小幅度提升15.4%～29.5%，將標(biāo)準(zhǔn)差降低0.4%～0.8%，雖然改善了匹配效果與穩(wěn)定性但并未達(dá)到理想正確匹配率。優(yōu)化ORB算法與篩選匹配結(jié)合在匹配精度方面較傳統(tǒng)ORB 提高了39.2%，經(jīng)過優(yōu)化后的ORB 算法明顯比傳統(tǒng)ORB 匹配效果提升一個(gè)數(shù)量級(jí)并且降低了正確匹配率標(biāo)準(zhǔn)差至2.0%，但依然不滿足理想的正確匹配率。最后，通過改進(jìn)人工魚群的ORB 優(yōu)化算法與RANSAC匹配結(jié)合，在平均消耗時(shí)間上比優(yōu)化ORB+篩選匹配多2.32 ms，在滿足實(shí)時(shí)檢測(cè)的要求下平均正確匹配率與標(biāo)準(zhǔn)差分別達(dá)到92.7%、1.3%，結(jié)果相對(duì)穩(wěn)定，與傳統(tǒng)ORB 相比匹配精度提升了117%，標(biāo)準(zhǔn)差降低1.8%，符合理想的正確匹配率與穩(wěn)定性。

表1 匹配結(jié)果對(duì)比Table 1 Comparison of matching results

下面給出在實(shí)際環(huán)境中與公開數(shù)據(jù)集中配精度效果較好的四組圖片加以說明，第一組如圖7所示。其中圖（a）為初始圖像，圖（b）、（c）、（d）、（e）、（f）分別對(duì)應(yīng)傳統(tǒng)ORB 特征匹配、傳統(tǒng)ORB+篩選特征匹配、傳統(tǒng)ORB+RANSAC匹配、優(yōu)化ORB+篩選匹配、優(yōu)化ORB+RANSAC匹配5種實(shí)驗(yàn)的結(jié)果。

圖7 改進(jìn)ORB特征匹配效果圖Fig.7 Feature matching effect diagram of improved ORB

從圖7（b）中可以觀察到由于傳統(tǒng)ORB使用暴力匹配法，圖像中存在大量誤匹配，使得匹配精度極低。在圖7（c）與7（d）中可以觀測(cè)到雖然使用了兩種不同的特征匹配策略，雖然在匹配精度上小幅度的改善了誤匹配率，但由于圖像特征點(diǎn)在提取的過程中并未提取出質(zhì)量較高的特征點(diǎn)，并且是對(duì)全局相似特征點(diǎn)進(jìn)行對(duì)比匹配，導(dǎo)致原始圖像左側(cè)的特征點(diǎn)在目標(biāo)圖像上發(fā)生了誤匹配，產(chǎn)生并不理想的匹配效果。觀察圖7（e）與7（f）中可以發(fā)現(xiàn)，優(yōu)化ORB 與RANSAC 匹配算法的結(jié)合正確匹配率高于ORB 與篩選匹配的結(jié)合，同時(shí)對(duì)于目標(biāo)圖像缺少初始圖像左側(cè)的部分，并在該部分產(chǎn)生大量特征點(diǎn)，目的是檢測(cè)兩張圖像經(jīng)過改進(jìn)人工魚群劃分特征區(qū)域后，區(qū)域內(nèi)的特征點(diǎn)是否會(huì)像去除的特征點(diǎn)一樣干擾匹配。通過實(shí)驗(yàn)表明，RANSAC 匹配算法雖然會(huì)帶來迭代計(jì)算，由于優(yōu)化ORB 算法通過劃分特征區(qū)域大大縮小了匹配范圍，彌補(bǔ)了RANSAC計(jì)算量大的劣勢(shì)，并且在特征區(qū)域內(nèi)特征點(diǎn)之間不會(huì)產(chǎn)生強(qiáng)烈干擾，降低特征點(diǎn)由于隨機(jī)相似的特征描述引起的誤匹配。

如圖8所示，為樣本中兩組不同場(chǎng)景的傳統(tǒng)ORB特征匹配與改進(jìn)算法的效果對(duì)比圖。圖（a）、（b）、（c）、（d）兩組實(shí)際效果對(duì)比圖選擇的場(chǎng)景分別是正常光線的室內(nèi)、與光線較暗的走廊，通過效果對(duì)比圖可以看出經(jīng)過改進(jìn)人工魚群的ORB特征匹配算法在較亮或較暗的環(huán)境中都具有較好匹配效，圖（e）、（f）是選用公開數(shù)據(jù)集中的graffiti場(chǎng)景通過偏轉(zhuǎn)一定角度來進(jìn)行特征匹配，從圖8（e）中可以看出偏轉(zhuǎn)后的圖像特征匹配較為混亂，具有較高的誤匹配率，使用改進(jìn)的特征匹配算法通過對(duì)圖像的位置信息分類，縮小匹配范圍，有效地降低了誤匹配率，即使在圖片偏轉(zhuǎn)一定角度的情況下仍然具有一定的魯棒性，改進(jìn)算法具有較高的穩(wěn)定性與正確匹配率。

圖8 不同場(chǎng)景改進(jìn)算法對(duì)比圖Fig.8 Comparison diagram of improved algorithms for different scenes

3.3 改進(jìn)算法總結(jié)

根據(jù)實(shí)驗(yàn)結(jié)果得出改進(jìn)人工魚群的圖像信息分類擴(kuò)大了不同特征區(qū)域特征點(diǎn)之間的描述差異，使得室內(nèi)物品雜亂較多的情況下具有較好的分類匹配效果，同時(shí)針對(duì)室內(nèi)環(huán)境光照強(qiáng)度的不同，具備較好穩(wěn)定性以及良好特征匹配性能，降低了實(shí)際環(huán)境中誤匹配率。改進(jìn)算法為室內(nèi)環(huán)境中的輪椅導(dǎo)航與建圖提供了良好的前端信息，為后續(xù)工作關(guān)鍵幀的確定做好準(zhǔn)備。

4 結(jié)論

本文針對(duì)室內(nèi)輪椅定位與地圖構(gòu)建中提高視覺里程計(jì)ORB特征匹配正確率的要求。首先根據(jù)不同條件對(duì)ORB中FAST彈性選取邊緣位置后進(jìn)行像素值對(duì)比，經(jīng)過檢測(cè)后提取出特征點(diǎn)并計(jì)算方向與描述子，然后通過改進(jìn)人工魚群的ORB特征選取策略對(duì)特征點(diǎn)劃分特征區(qū)域并根據(jù)其位置賦予不同狀態(tài)，最后結(jié)合RANSAC匹配算法，對(duì)傳統(tǒng)ORB 算法進(jìn)行了優(yōu)化。通過改進(jìn)前后的ORB 算法對(duì)公開數(shù)據(jù)集與實(shí)際場(chǎng)景實(shí)驗(yàn)效果對(duì)比，結(jié)果表明改進(jìn)FAST 算法可以在圖像邊緣處檢測(cè)到更多的特征點(diǎn)，基于人工魚群的ORB 算法平均正確匹配率可以達(dá)到92.7%，穩(wěn)定性較高。該算法對(duì)于室內(nèi)環(huán)境具較高的正確匹配率，環(huán)境適應(yīng)能力強(qiáng)，為后續(xù)工作室內(nèi)輪椅定位與地圖構(gòu)建做好了充分準(zhǔn)備。