鄒麗君，周 軍，王婷婷

（河海大學(xué)機電工程學(xué)院，江蘇 常州213022）

0 引言

渦輪葉片是一種復(fù)雜自由曲面類的零件，常用的接觸法［1］測量效率較低、精度較差，無法滿足當(dāng)今對葉片檢測精度和效率的要求。采用雙目視覺系統(tǒng)，用投影標(biāo)志物取代粘貼標(biāo)志物，通過改進的SIFT［1］算子對圖像進行特征提取及匹配，可以高精度、低成本的獲取葉片表面均勻的點云數(shù)據(jù)。

1 雙目葉片測量系統(tǒng)

圖1為基于雙目立體視覺的葉片測量系統(tǒng)示意圖，葉片尺寸的檢測需經(jīng)過攝像機標(biāo)定、圖像采集、圖像處理及變換、特征點提取及匹配和三維重構(gòu)等幾個階段，其中特征點提取及匹配精度直接影響到葉片表面點的實際三維坐標(biāo)值，準(zhǔn)確有效的特征點提取及匹配，對最終的檢測結(jié)果至關(guān)重要。雙目視覺系統(tǒng)中兩臺攝像機的鏡頭中心距離葉片表面的各個部分距離不同，拍攝出來的圖片中葉片表面在攝像機中成的像會有大小、尺度的變化。為了提高特征點提取數(shù)量及匹配精度，采用SIFT算法對圖像進行特征點提取及匹配。SIFT算子提取的特征點比較穩(wěn)定，具有抗尺度變化和光照變化的能力，非常適用于局部目標(biāo)匹配、圖像拼接［2］等。

圖1 雙目葉片測量系統(tǒng)

2 特征提取及匹配

David Lowe提出了SIFT算法，對圖像之間發(fā)生的平移、旋轉(zhuǎn)、尺度及光照變化具有不變性。SIFT特征匹配算法包括2個階段：第1階段是SIFT特征的生成；第2階段是SIFT特征向量的匹配。SIFT的特征提取及匹配關(guān)鍵為以下幾個。

2．1 優(yōu)化尺度空間

建立一個圖像的尺度空間，先定義一個圖像的尺度函數(shù)L（x，y，σ），將原始圖像Ⅰ（x，y）與一個可變尺度的2維高斯函數(shù)G（x，y，σ）進行卷積運算。高斯核函數(shù)定義為：

特征尺度σ的大小決定圖像的模糊程度，尺度越大圖像越模糊。將相鄰尺度高斯平滑后的圖像相減，優(yōu)化尺度空間，獲得差分高斯金字塔。

2．2 特征描述子生成

SIFT特征描述子具有大小和方向兩個特性，每一個極值點（x，y）的大小和方向由高斯窗內(nèi)的所有像素點的梯度幅值m（x，y）和方向θ（x，y）決定，即

這樣生成的每個關(guān)鍵點都包含了位置、大小和方向3個信息，形成的描述子就是一組對于尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)特征向量。

2．3 SIFT算子高維、高效匹配

SIFT算子提取出的特征點是具有128維特征的向量，采用關(guān)鍵點特征向量的歐氏距離進行兩幅圖像的匹配，兩個特征向量a（x11，x12，…，x1n）與b（x21，x22，…，x2n）之間的歐氏距離：

為了解決高維矢量的匹配率問題，SIFT算子將特征描述向量建立Kd-樹索引，并且加入BBF優(yōu)先級查詢機制，通過這個索引找出關(guān)鍵點的最近和次近點，來進行高效匹配。

3 改進SIFT算法

目前已有一些參考文獻［3-5］分別從簡化SIFT特征描述符來降低匹配速率和剔除誤匹配點來提高匹配精度兩個方面對SIFT算法進行改進。為了提高匹配精度，針對雙目視覺左右攝像機拍攝出圖像發(fā)生旋轉(zhuǎn)的角度及左右兩幅圖片正確的特征點相對位置，提出了一種窄基線偽匹配點剔除法。首先，建立存儲匹配特征點對的序列，每進行一次特征點匹配，計算匹配特征點對的縱坐標(biāo)差的絕對值，將其與設(shè)定范圍值進行比較，將在此范圍值內(nèi)的特征點對存儲到序列中，然后搜尋特征點序列，判斷該匹配點對的左右特征點在該序列中的存儲情況，如圖2所示。由于不能確定一對多匹配點對中的正確匹配點對，從匹配點數(shù)據(jù)發(fā)現(xiàn)，存在一對多匹配現(xiàn)象的匹配點數(shù)量并不多，將其全部剔除，對葉片表面特征點匹配影響不大，但是可以大大提高匹配精度。而對于重復(fù)匹配的特征點對，僅剔除當(dāng)前匹配的特征點對。

圖2 特征點一對多、重復(fù)匹配

通過剔除偽匹配點對，可以大大提高SIFT算法匹配精度。

第1步，對檢測出來的左圖像的特征點集P1（n1，n2，n3，…｝進行 K-d樹建立，并依次循環(huán)檢測右圖像的特征點集Pr（m1，m2，m3，…｝。

第2步，提取第i個特征點對｛ni，mi｝的縱坐標(biāo)｛Yni，Ymi｝并求取其差值的絕對值abs（Li）＝abs（Ymi-Yni）。通過實驗發(fā)現(xiàn)，當(dāng)令abs（Li）的值固定在［0，k］范圍之間時，能夠剔除大部分的誤匹配點，保留更多的正確匹配點。

第3步，將保留下來的特征點對存儲到序列A中，并判斷該特征點在序列A中是否存在以下3種情況：

a．當(dāng)（Xni，Yni）＝［Xn（i＋s），Yn（i＋s）］時，（s＝1，2，…）說明左圖中兩個及兩個以上特征點與右圖中一個特征點發(fā)生一配多現(xiàn)象，此時將這些匹配點對一一進行剔除，保證精確度。

b．當(dāng)（Xmi，Ymi）＝［Xm（i＋s），Ym（i＋s）］時，（s＝1，2，…）說明右圖中兩個及兩個以上特征點與左圖中一個特征點發(fā)生一配多現(xiàn)象，同上述步驟a進行處理。

c．當(dāng)（Xmi，Ymi）＝［Xm（i＋s），Ym（i＋s）］且（Xni，Yni）＝［Xn（i＋s），Yn（i＋s）］時，左右特征點重復(fù)匹配，只剔除當(dāng)前匹配特征點對，保留一對匹配點對。

4 系統(tǒng)實現(xiàn)及實驗

基于雙目視覺的渦輪葉片測量系統(tǒng)如圖3所示，系統(tǒng)主要由CCD攝像機、特征投射器、步進電機和視頻采集系統(tǒng)等構(gòu)成。將雙目攝像機拍攝的圖片進行實驗，驗證所提出方法的有效性。為了在無明顯特征的葉片表面能夠獲取葉片上均勻的特征點，針對SIFT算法對具有明顯特征區(qū)別的圖片處理效果很理想的情況下，采用的投影特征是均勻排列的文字圖片，能夠獲得更多的特征匹配點，有利于后期對葉片的三維重建。在圖4和圖5中，圓圈為檢測出來的特征點對，這些特征點對通過實線段連接，虛線包圍的是提取葉片表面特征點區(qū)域。

圖3 實驗測試系統(tǒng)

圖4 原SIFT算法

圖5 本文算法

圖6 Harris角點匹配

圖4 給出原始SIFT算法的匹配結(jié)果，可見大量的匹配點被提取出來，然而，其中也存在較多的誤匹配點，這將影響算法的匹配精度，因此，在原算法的基礎(chǔ)上進一步加入偽匹配點對剔除算法。如圖5所示，在不影響正確匹配點對的前提下，通過提出的窄基線偽匹配點剔除法，將大部分偽匹配、重復(fù)匹配及一對多匹配點對剔除，提高匹配精確度。為了進一步驗證方法的性能，將圖像特征檢測及匹配中常用的Harris［6］角點提取及匹配算法與本文提出的方法進行試驗對比。圖6給出Harris角點匹配加RANSAC提純結(jié)果，可以看出，圖6正確匹配的特征點對數(shù)明顯少于圖5正確匹配的特征點對數(shù)，且相對集中于左右兩幅圖片的中間部分。這是由于雙目視覺左右圖像在距離圖像中心越遠的地方，其旋轉(zhuǎn)、光照及尺度的變化越嚴重，而Harris算子在旋轉(zhuǎn)時穩(wěn)定性、定位較差，且不具備尺度不變性，在這種情況下，SIFT特征提取匹配算法比Harris角點提取及匹配算法處理效果更好。為了更加直觀地顯示本文提出的改進算法的效果，在表1中列出了3種方法的實驗數(shù)據(jù)對比，原算法的匹配精度不及改進算法精度，Harris匹配算法加入RANSAC提純后，雖然精度達到100%，但其匹配點對數(shù)量遠遠小于改進算法，無法達到檢測葉片所需特征點數(shù)量的要求。

表1 原算法與改進后、及Harris算法結(jié)果對比

5 結(jié)束語

采用基于SIFT算子的雙目視覺特征提取及匹配技術(shù)對渦輪葉片型面進行檢測，獲取渦輪葉片的點云數(shù)據(jù)，實驗表明，該方法能夠準(zhǔn)確、低成本解決渦輪葉片型面點云數(shù)據(jù)的提取問題。

［1］ Lowe David G．Distinctive image features from scaleinvariant keypoints［J］．International Journal of Computer Vision，2004，60（2）：91-110．

［2］ 張春美．特征點提取及其在圖像匹配中的應(yīng)用研究［D］．鄭州：解放軍信息工程大學(xué)，2008．

［3］ 張東興，祝明波，鄒建武，等．基于相似三角形的SIFT錯誤匹配點剔除算法研究［J］．計算機工程與科學(xué)，2012，34（4）：66-70．

［4］ 程 紅，陳文劍．基于SIFT算法的圖像匹配剔點方法研究［J］．地理與地理信息科學(xué)，2012，（11）：17-19．

［5］ 劉 立，彭復(fù)員，趙 坤，等．采用簡化SIFT算法實現(xiàn)快速圖像匹配［J］．紅外與激光工程，2008，37（1）：181-184．

［6］ Harris C，Stephens M．A combined corner and edge detector［A］．Alvey Vision Conference［C］．1988．147-151．