湯鴻劍 陳磊 陳云

摘 要：隨著人工智能的快速發(fā)展，計算機(jī)視覺作為其分支慢慢嶄露頭角，計算機(jī)視覺是指使用計算機(jī)來模擬人眼來進(jìn)行識別與測量。雙目測距是計算機(jī)視覺的一個重要組成部分，其操作簡單、成本低廉，廣泛地適用與工地勘測、智能避障、流水線檢測和機(jī)器人運(yùn)動控制等領(lǐng)域。本文研究基于計算機(jī)視覺的雙目攝像頭測距系統(tǒng)。該系統(tǒng)將擁有可靠的精確度，有廣泛的應(yīng)用前景，是遠(yuǎn)程駕駛智能控制的必要技術(shù)環(huán)節(jié)。

關(guān)鍵詞：相機(jī)標(biāo)定;圖像校正 ;立體匹配;測距

1 研究的背景和意義

近年來，人工智能火熱的發(fā)展必將成為第四次革命和科技創(chuàng)新的強(qiáng)大驅(qū)動力。計算機(jī)視覺系統(tǒng)是人工智能的重要一環(huán)，不完善性和多樣性是計算機(jī)視覺領(lǐng)域當(dāng)前的顯著特征。計算機(jī)視覺在20世紀(jì)70年代之前就被提出，但真正得到關(guān)注和發(fā)展是在那個年代之后，那時的計算機(jī)性能才提高到能處理類似圖片這種大容量的數(shù)據(jù)。但是那時處理圖像只是源于各種不同領(lǐng)域的需要（如：臉部特征、指紋、文字等），并沒有定義為計算機(jī)視覺的一部分，如何解決“計算機(jī)視覺問題”并沒有形成成型的公式，只能用部分解決具體計算機(jī)視覺問題的方法來解決非常有局限的領(lǐng)域的問題，無法廣泛推廣到各個不同的場合。

計算機(jī)視覺是門研究機(jī)器如何看世界的科學(xué)，更具體的說，是用機(jī)器代替人眼對目標(biāo)進(jìn)行識別、測量和軌跡追蹤，然后經(jīng)過一系列的圖像處理，使計算機(jī)生成更便于人類使用的或者儀器能識別的圖像。從20世紀(jì)開始，人們就對各種動物的眼睛、神經(jīng)元和視覺相關(guān)的腦部神經(jīng)進(jìn)行了大量研究，試圖描述視覺系統(tǒng)的構(gòu)成和運(yùn)作方式，這些研究后來成為了計算機(jī)視覺的子領(lǐng)域，人們用計算機(jī)創(chuàng)建模擬生物的人工系統(tǒng)，在不同復(fù)雜程度上實現(xiàn)運(yùn)作。正如模擬生物雙目視覺，兩只眼睛能夠定性的感受到現(xiàn)實空間中的物體遠(yuǎn)近，由此衍生出雙目立體視覺技術(shù)。雙目立體視覺技術(shù)是通過計算機(jī)模擬人類視覺，使用兩個圖像采集設(shè)備從相鄰位置得到被測物在相機(jī)中的二維成像，將兩張二維圖像中被測點(diǎn)分別所在的像素坐標(biāo)進(jìn)行差值計算，相當(dāng)于將兩張圖片重疊成一張圖片，這是圖片上會有兩個被測點(diǎn)，計算其像素差可以定量的算出被測點(diǎn)與攝像頭之間的現(xiàn)實距離。

遠(yuǎn)程測距是必不可少的工作流程，目前的測距手段如紅外線測距、超聲波測距和激光測距都有著一定的局限性，均會受到煙霧、灰塵和雨滴的干擾。在特殊環(huán)境下，測距激光會因為折射偏離原有路線，影響精度，另外棱鏡表面的雜物會將激光折射到不是棱鏡中心的位置;

基于圖像處理的雙目測距作為一個非接觸測距系統(tǒng)，能在一定程度上改善環(huán)境因素對施工測量的影響。用攝像頭實現(xiàn)對距離的測量雖然成本低、使用方便，但其測量的精度方面仍有待提高。

2 測距系統(tǒng)總體設(shè)計

實現(xiàn)測距需要設(shè)計一種不依賴傳播介質(zhì)的測距方法，雙目立體測距可以實現(xiàn)這一要求。雙目測距第一步需要用雙目攝像頭采集圖片進(jìn)行標(biāo)定得到相機(jī)的內(nèi)外參數(shù)，第二步使用得到的畸變系數(shù)矯正圖片并使用外部參數(shù)校正圖片使左右圖片相關(guān)點(diǎn)盡可能在一條水平線上。然后使用匹配算法做出視差圖，根據(jù)視差圖中特定點(diǎn)涵蓋的深度信息得到被測物體與攝像頭之間的距離，結(jié)構(gòu)圖如圖1所示。

3 雙目立體視覺匹配算法

3.1 SAD算法

1.算法原理

SAD（Sum of absolute differences）是一種圖像匹配算法?；舅枷耄翰畹慕^對值之和。此算法一般用來進(jìn)行圖像塊的匹配，求各個像素對應(yīng)數(shù)值差的絕對值之和，評估兩個圖像塊的匹配度。該算法快速、但并不可靠，只是用于后續(xù)處理的初步篩選。

2.基本流程

輸入兩幅圖像，一幅ImageL，一幅ImageR，對左圖，依次掃描，選定一個錨點(diǎn)：

1）創(chuàng)建一個SAD窗口;

2）用SAD窗口覆蓋左圖，選擇覆蓋區(qū)域內(nèi)所有像素點(diǎn);

3）用SAD窗口覆蓋右圖，選擇覆蓋區(qū)域內(nèi)所有像素點(diǎn);

4）左邊覆蓋區(qū)域所有像素點(diǎn)灰度值分別減去右邊覆蓋區(qū)域?qū)?yīng)像素點(diǎn)灰度值，求出差的絕對值之和;

5）移動右圖的覆蓋窗口，重復(fù)3，4的處理;

6）找到這個右圖移動范圍內(nèi)SAD值最小的窗口，即找到了與左圖錨點(diǎn)的像素值最接近的最佳匹配的圖像塊。

算法示意圖如圖2所示。

3.2 半全局立體匹配算法原理

Semi-Global Block Matching（SGBM）半全局塊匹配算法。半全局立體匹配是動態(tài)規(guī)劃匹配的改進(jìn)，保留動態(tài)規(guī)劃算法的簡易性，將復(fù)雜的二維平面的信息簡化為一維平面來進(jìn)行匹配。

SGBM選取每個像素點(diǎn)的視差值，組成一個視差圖，生成一個和視差圖成映射關(guān)系的全局能量函數(shù)，當(dāng)這個能量函數(shù)最小時，便能求解得每個像素最優(yōu)的視差，像素邊緣通過不同的懲罰系數(shù)來確保平滑約束。

利用能量函數(shù)在一個二維圖像中尋找最優(yōu)解是一個當(dāng)前技術(shù)無法解決的問題，它會隨著圖片分辨率的提升，難度成倍上升，因此該問題通常被近似分解為多個一維問題累加的線性問題。而且每個一維問題都可以用動態(tài)規(guī)劃來解決。因為對于8連通的像素點(diǎn)1個像素有8個相鄰像素，所以一般分解為8個一維問題。

3.3 ?SGBM算法在OpenCV中的參數(shù)含義及配置

在OpenCV中使用函數(shù)StereoSGBM （ ） 實現(xiàn)了SGBM算法。SGBM 算法核心步驟有3步：選取匹配基元創(chuàng)建SAD窗口;構(gòu)建能量函數(shù)求向多個方向的掃描的代價和;每個像素取能量代價和函數(shù)的最優(yōu)解鋪成視差圖。

StereoSGBM類的參數(shù)如下：

static Ptr cv：：StereoSGBM：：create （int minDisparity = 0，

int ?numDisparities = 16，

int ?blockSize = 3，

int ?P1 = 0，

int ?P2 = 0，

int ?disp12MaxDiff = 0，

int ?preFilterCap = 0，

int ?uniquenessRatio = 0，

int ?speckleWindowSize = 0，

int ?speckleRange = 0，

int ?mode = StereoSGBM：：MODE_SGBM ）

minDisparity——最小的視差值;

numDisparity——視差范圍，即最大視差值和最小視差值之差，必須是16的倍數(shù);

blockSize——匹配塊大?。⊿ADWindowSize），必須是大于等于1的奇數(shù)，一般為3～11;

P1，P2——懲罰系數(shù)，一般：P1=8*通道數(shù)*SADWindowSize*SADWindowSize，P2=4*P1;

disp12MaxDiff ——左右視差圖的最大容許差異，默認(rèn)為-1，不執(zhí)行左右視差檢查;

preFilterCap——預(yù)濾波圖像像素的截斷值;

uniquenessRatio——視差唯一性比率， 視差窗口范圍內(nèi)最低代價是次低代價的1 + uniquenessRatio/100倍時，最低代價對應(yīng)的視差值才是該像素點(diǎn)的視差，即能顯示到圖像的視差，否則該像素點(diǎn)的視差為 0，通常為5～15;

speckleRange——視差變化閾值;

Mode——模式。

其中對視差生成影響最大參數(shù)有SADWindowSize、numDisparity和uniquenessRatio。其中SADWindowSize和numDisparity是代價計算的參數(shù)，uniquenessRatio是后處理的參數(shù)。將其他參數(shù)設(shè)置為默認(rèn)值，分別將以上三個參數(shù)設(shè)置為能取到的最小值，得到的最原始的視差效果圖。

4 結(jié)論

雙目立體視覺技術(shù)作為當(dāng)前計算機(jī)視覺的前沿和熱點(diǎn)，將來必然應(yīng)用在更廣泛的領(lǐng)域，目前雙目相關(guān)的算法還不夠強(qiáng)大，能處理的計算量具有一定的局限，隨著技術(shù)的發(fā)展，計算機(jī)視覺也將像人眼一樣明辨是非。本論文對計算機(jī)視覺的雙目立體視覺測距系統(tǒng)做了一定研究，主要包括了雙目立體測距系統(tǒng)的原理分析和實現(xiàn)流程，以及使用PC完成測距的一系列操作流程。最終得到了和預(yù)期相符的實驗結(jié)果。

參考文獻(xiàn)：

[1]張海波. 基于雙目立體視覺的工件識別定位與抓取系統(tǒng)研究[D].中國計量學(xué)院，2014.

[2]高如新，朱烜甫.基于ORB算法的雙目視覺定位[J].電子測量技術(shù)，2017，40（04）：142-145.

[3]李雙全，章國寶.基于ORB算法的雙目立體視覺測距系統(tǒng)[J].工業(yè)控制計算機(jī)，2017，30（06）：42-44.

[4]張家田，王飛，嚴(yán)正國.非接觸式距離測量系統(tǒng)[J].電子測量技術(shù)，2012，35（09）：10-13.

[5]聶春鵬. 基于雙目立體視覺的工業(yè)機(jī)器人目標(biāo)識別及定位研究[D].長安大學(xué)，2015.

[6]陳玄真. 基于雙目立體視覺的三維重建方法研究[D].吉林大學(xué)，2014.

[7] Liguori， C.， Paolillo， A.， Pietrosanto， A.. A discussion about stereo vision techniques for industrial image-based measurement systems[P]. Instrumentation and Measurement Technology Conference， 2003. IMTC '03. Proceedings of the 20th IEEE，2003.

[8]曹文祥，馮雪梅.工業(yè)機(jī)器人研究現(xiàn)狀及發(fā)展趨勢[J].機(jī)械制造，2011，49（02）：41-43.

[9]Aoki， H.，F(xiàn)urukawa， R.，Aoyama， M.，Hiura， S.，Asada， N.，Sagawa， R.，Kawasaki， H.，Tanaka， S.，Yoshida， S.，Sanomura， Y.. Proposal on 3-D endoscope by using grid-based active stereo[P]. ，2013.

[10]R. Correal，G. Pajares，J.J. Ruz. Automatic expert system for 3D terrain reconstruction based on stereo vision and histogram matching[J]. Expert Systems With Applications，2014，41（4）.

[11]Okada， K.， Inaba， M.， Inoue， H.. Integration of real-time binocular stereo vision and whole body information for dynamic walking navigation of humanoid robot[P]. Multisensor Fusion and Integration for Intelligent Systems， MFI2003. Proceedings of IEEE International Conference on，2003.

[12]黃佳. 基于OPENCV的計算機(jī)視覺技術(shù)研究[D].華東理工大學(xué)，2013.

基金項目：徐州工程學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（xcx2019087）