成 怡，佟曉宇，朱偉康

（1.天津工業(yè)大學(xué) 電氣工程與自動(dòng)化學(xué)院，天津 300387；2.天津工業(yè)大學(xué) 天津市電工電能新技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津300387）

輪式機(jī)器人自主導(dǎo)航的過(guò)程中，主要依賴(lài)自身攜帶的傳感器感知周?chē)h(huán)境，進(jìn)行信息采集，完成目標(biāo)任務(wù)[1-2]。通常，輪式機(jī)器人會(huì)工作在未知環(huán)境條件下，需要不斷進(jìn)行自身定位和建立環(huán)境地圖，該過(guò)程被稱(chēng)為 SLAM（simultaneous localization and mapping，同步定位與地圖創(chuàng)建）[3-4]，是目前移動(dòng)機(jī)器人在未知環(huán)境下實(shí)現(xiàn)自主導(dǎo)航的核心算法[5-6]。

視覺(jué)傳感器與SLAM 相結(jié)合可以更好地發(fā)揮出SLAM 技術(shù)的作用，視覺(jué)SLAM 技術(shù)在移動(dòng)機(jī)器人中的應(yīng)用日趨普遍。視覺(jué)傳感器能夠獲取周?chē)鷪?chǎng)景中的顏色、紋理和形狀等環(huán)境信息，實(shí)現(xiàn)對(duì)周?chē)h(huán)境場(chǎng)景的直觀描述。特征提取算法的選擇是視覺(jué)SLAM 算法實(shí)現(xiàn)的關(guān)鍵步驟，會(huì)影響輪式機(jī)器人視覺(jué)導(dǎo)航系統(tǒng)的實(shí)時(shí)性。目前，在機(jī)器視覺(jué)導(dǎo)航方法中的視覺(jué)SLAM算法里應(yīng)用最為普遍的特征點(diǎn)提取方法有尺度不變特征變換（scale-invariant feature transform，SIFT）[7-8]、加速穩(wěn)健特征（speeded up robust features，SURF）[9]和 ORB（oriented fast and rotated brief）[10]。但 SIFT 算法和 SURF算法在進(jìn)行圖像特征點(diǎn)提取時(shí)均要求建立高維描述符，需要占用大量的內(nèi)存空間并耗費(fèi)較長(zhǎng)的運(yùn)行時(shí)間[11]。因此，上述2 種算法不適合用于對(duì)系統(tǒng)耗時(shí)長(zhǎng)短要求較高的視覺(jué)導(dǎo)航。

為滿足輪式機(jī)器人視覺(jué)導(dǎo)航系統(tǒng)耗時(shí)長(zhǎng)短的需求，本文運(yùn)用圖像特征提取算法中計(jì)算速度較快的ORB 算法，該算法的運(yùn)算時(shí)間大約是SIFT 的百分之一，是SURF 的十分之一[12]。但是，通過(guò)ORB 算法提取到的特征點(diǎn)存在分布均勻程度較差和特征點(diǎn)重疊較多的弊端。因此，本文針對(duì)傳統(tǒng)ORB 算法存在的上述缺點(diǎn)，提出一種改進(jìn)ORB 算法，并設(shè)立基于區(qū)域統(tǒng)計(jì)方差數(shù)值的特征點(diǎn)分布評(píng)價(jià)方法，分析圖像中特征點(diǎn)的分布情況。

1 基本原理

1.1 視覺(jué)SLAM算法基本原理

視覺(jué)SLAM 算法是實(shí)現(xiàn)輪式機(jī)器人機(jī)器視覺(jué)導(dǎo)航的核心。該算法的具體過(guò)程為：

（1）視覺(jué)傳感器讀取周?chē)鷪?chǎng)景的環(huán)境信息，對(duì)獲得的信息進(jìn)行預(yù)處理，得到相應(yīng)的點(diǎn)云數(shù)據(jù)或激光數(shù)據(jù)。

（2）利用視覺(jué)里程計(jì)部分估計(jì)相鄰時(shí)刻圖像間的位置關(guān)系，推算出當(dāng)前時(shí)刻機(jī)器人的運(yùn)動(dòng)狀況，還原當(dāng)前場(chǎng)景的空間結(jié)構(gòu)。在此過(guò)程中，會(huì)存在由估計(jì)形成的誤差積累，即漂移現(xiàn)象[13]。此時(shí)，需要借助后端優(yōu)化環(huán)節(jié)對(duì)此誤差進(jìn)行處理，后端優(yōu)化可以對(duì)帶有誤差的數(shù)據(jù)進(jìn)行整合，得到更為準(zhǔn)確的數(shù)據(jù)結(jié)果。

（3）通過(guò)回環(huán)檢測(cè)步驟識(shí)別機(jī)器人曾經(jīng)到達(dá)過(guò)的地方，從而在后期數(shù)據(jù)處理的過(guò)程中舍棄重復(fù)的圖像幀，減少計(jì)算量，消除累計(jì)誤差。

（4）將移動(dòng)機(jī)器人的運(yùn)動(dòng)軌跡和環(huán)境地圖描述出來(lái)，實(shí)現(xiàn)輪式機(jī)器人的自主導(dǎo)航。

1.2 ORB算法的關(guān)鍵技術(shù)

ORB 算法可實(shí)現(xiàn)快速的特征點(diǎn)提取與描述，提高了運(yùn)算速度，具備旋轉(zhuǎn)不變性以及抗噪聲能力。該算法中特征點(diǎn)的提取采用改進(jìn)FAST 算法，即oFAST（oriented FAST）。改進(jìn)后的 FAST 與原 FAST 算法[14]相比其每個(gè)特征點(diǎn)都有主方向，為后續(xù)使用BRIEF[15]生成特征點(diǎn)描述子具有旋轉(zhuǎn)不變性提供了理論依據(jù)。特征點(diǎn)描述采用的是具有旋轉(zhuǎn)不變性的rBRIEF（rotated BRIEF）算法，rBRIEF 算法采用了隨機(jī)選點(diǎn)的機(jī)制，其主要思想是在特征點(diǎn)的周?chē)x取一定數(shù)量的像素點(diǎn)，并比較它們對(duì)應(yīng)的灰度值，通過(guò)比較一定數(shù)量的像素點(diǎn)對(duì)對(duì)應(yīng)的灰度值的方法，可以有效地減少計(jì)算量，提高算法的運(yùn)行速度。

1.3 ORB算法的特征點(diǎn)匹配

當(dāng)對(duì)圖像進(jìn)行ORB 算法的特征點(diǎn)提取后，還需將提取到的特征點(diǎn)進(jìn)行匹配，確定其對(duì)應(yīng)的位置關(guān)系。

假設(shè)通過(guò)ORB 算法提取到的兩幀圖像中二進(jìn)制特征點(diǎn)描述子的表達(dá)形式如式（1）所示：

利用式（2）對(duì)特征點(diǎn)描述子K1和K2進(jìn)行異或處理：

計(jì)算結(jié)果 d（K1，K2）的值越大，證明相似程度越低。將計(jì)算結(jié)果按照數(shù)值的大小進(jìn)行排序，其中，數(shù)值最小的點(diǎn)即距離最近的點(diǎn)為最佳匹配點(diǎn)。通過(guò)異或方法計(jì)算特征點(diǎn)描述子的匹配結(jié)果具有很高的效率。實(shí)際運(yùn)用中，暴力匹配[16]總是盡可能地完成所有匹配，從中找到最佳匹配對(duì)。但是，會(huì)存在一些誤匹配的情況，錯(cuò)誤的特征點(diǎn)匹配會(huì)對(duì)輪式機(jī)器人的視覺(jué)導(dǎo)航產(chǎn)生干擾，得到的運(yùn)動(dòng)估計(jì)結(jié)果不準(zhǔn)確。此時(shí)，需要使用RANSAC（random sample consensus，隨機(jī)抽樣一致）[17]算法對(duì)特征點(diǎn)做進(jìn)一步的篩選。

2 改進(jìn)ORB算法

在輪式機(jī)器人的機(jī)器視覺(jué)導(dǎo)航算法中，使用傳統(tǒng)ORB 算法對(duì)待處理圖像進(jìn)行特征點(diǎn)檢測(cè)與提取時(shí)，實(shí)驗(yàn)中提取到的特征點(diǎn)分布均勻程度較差，并且還會(huì)在圖像中的某區(qū)域內(nèi)發(fā)生特征點(diǎn)聚集的現(xiàn)象。為此，本文提出一種改進(jìn)ORB 算法，建立尺度空間金字塔[18]，對(duì)每層圖像的金字塔進(jìn)行網(wǎng)格劃分，用以增加空間尺度信息，增設(shè)網(wǎng)格行限制和列限制；特征點(diǎn)檢測(cè)時(shí)，使用改進(jìn)FAST 角點(diǎn)提取，設(shè)置感興趣區(qū)域[19]，提高特征點(diǎn)提取精度；在計(jì)算Harris 角點(diǎn)響應(yīng)部分時(shí)考慮角點(diǎn)鄰域梯度；剔除重疊特征點(diǎn)時(shí)，采用非極大值抑制[20]方法，抑制Harris 角點(diǎn)響應(yīng)的低閾值特征點(diǎn)輸出。改進(jìn)ORB 算法的流程圖如圖1 所示。

圖1 改進(jìn)ORB 算法的流程圖Fig.1 Flow chart for improved ORB algorithm

2.1 改進(jìn)FAST角點(diǎn)提取

感興趣區(qū)域（region of interest，ROI）是圖像處理領(lǐng)域經(jīng)常用到的一個(gè)方法，它可以從圖像中選擇一個(gè)區(qū)域，使這個(gè)區(qū)域成為研究的重點(diǎn)。在改進(jìn)的FAST 算法中，使用此方法，可以有效地減少系統(tǒng)處理的時(shí)間，提高特征點(diǎn)提取的精度。

改進(jìn)FAST 角點(diǎn)提取流程如圖2 所示。

圖2 改進(jìn)FAST 角點(diǎn)提取流程圖Fig.2 Flow chart for improved FAST corner extraction

在改進(jìn)的FAST 角點(diǎn)提取中，構(gòu)建圖像尺度金字塔，對(duì)該部分用到的所有參數(shù)進(jìn)行初始化，并將高斯金字塔的每一層進(jìn)行網(wǎng)格劃分。增設(shè)網(wǎng)格行限制和網(wǎng)格列限制。圖2 中：i 為行數(shù)；j 為列數(shù)；rows 和 cols 分別為每層金字塔分割的行數(shù)和列數(shù)。在FAST 角點(diǎn)提取過(guò)程中，需對(duì)圖像進(jìn)行邊界處理，增設(shè)感興趣區(qū)域；使用初始閾值對(duì)感興趣區(qū)域內(nèi)的特征點(diǎn)進(jìn)行提取，并對(duì)較難提取到的特征點(diǎn)所在的網(wǎng)格部分采用先降低閾值再檢測(cè)的方法，同時(shí)對(duì)特征點(diǎn)為空的情況設(shè)置了最小閾值，實(shí)現(xiàn)改進(jìn)的FAST 角點(diǎn)提?。粚⑺刑崛〉降奶卣鼽c(diǎn)進(jìn)行累積，并將已在感興趣區(qū)域提取到的特征點(diǎn)的位置還原至已劃分的網(wǎng)格區(qū)域中。

2.2 剔除重疊特征點(diǎn)

在特征點(diǎn)輸出時(shí)，本文采用非極大值抑制的方法，用以提高特征點(diǎn)輸出的質(zhì)量，減少特征點(diǎn)在某些區(qū)域內(nèi)出現(xiàn)的聚集重疊現(xiàn)象。該算法的本質(zhì)是當(dāng)出現(xiàn)多個(gè)待選結(jié)果值時(shí)，依照設(shè)定的目標(biāo)條件對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，選出最適合的實(shí)驗(yàn)結(jié)果。以圖像建立的尺度空間金字塔頂層為第1 層，選取在每層金字塔上都出現(xiàn)的特征點(diǎn)ai，ai∈A，A={a1，a2，…，ai}，ai=（xi，yi，εi）為已有特征點(diǎn)。對(duì)候選特征點(diǎn)bj（非每層均出現(xiàn)），bj∈B，B={b1，b2，…，bj}，bj={xj，yj，εj}。剔除重疊特征點(diǎn)的流程為：

Step1：特征點(diǎn)輸出時(shí)，計(jì)算圖像中現(xiàn)有的候選特征點(diǎn)bj所在的金字塔層上的某網(wǎng)格區(qū)域與已有特征點(diǎn)ai坐標(biāo)之間的距離，并設(shè)置距離的臨界閾值為l；

Step2：求解出候選特征點(diǎn) bj={xj，yj，εj}與特征點(diǎn)A={a1，a2，…，ai}坐標(biāo)之間的距離，選出距離≤l 的候選特征點(diǎn) bj′={xj，yj，εj}；

Step3：計(jì)算Step2 中求出的距離值不超過(guò)l 的候選特征點(diǎn) bj′={xj，yj，εj}的 Harris 角點(diǎn)響應(yīng)閾值 εj′，根據(jù)候選特征點(diǎn)b={xj，yj，εj}響應(yīng)閾值的激烈程度，即εj′數(shù)值的大小將這些候選特征點(diǎn)按照降序進(jìn)行排列；

Step4：根據(jù)非極大值抑制算法的原理，將Harris角點(diǎn)響應(yīng)閾值 εj′極大值所在的候選特征點(diǎn) bj′ = {xj，yj，εj}保留下來(lái)，剔除其中的低閾值鄰近候選特征點(diǎn)，得到特征點(diǎn)所在最佳位置的鄰近特征點(diǎn)，實(shí)現(xiàn)降低重疊特征點(diǎn)輸出的目的。

3 基于區(qū)域統(tǒng)計(jì)方差的特征點(diǎn)分布評(píng)價(jià)

圖像特征點(diǎn)分布均勻性的評(píng)價(jià)主要用來(lái)估計(jì)特征點(diǎn)的數(shù)目在不同區(qū)域的圖像內(nèi)是否相同。如果特征點(diǎn)數(shù)量相同或者數(shù)量相近，說(shuō)明圖像中特征點(diǎn)分布的均勻程度較好；如果特征點(diǎn)的數(shù)量相差較多，說(shuō)明圖像中特征點(diǎn)分布的均勻程度較差。

鑒于上述評(píng)價(jià)方法，本文建立一個(gè)基于區(qū)域統(tǒng)計(jì)方差數(shù)值的特征點(diǎn)分布的均勻性評(píng)價(jià)方法。首先，將待檢測(cè)特征點(diǎn)的圖像按照垂直、水平、中心和四周、左上至右下、左下至右上的5 個(gè)方向?qū)υ搱D像進(jìn)行區(qū)域劃分[21]，得到上、下、左、右、左下、右上、左上、右下、中心和四周等10 個(gè)圖像區(qū)域的方向；接著，按照以上劃分方向?qū)Υ龣z測(cè)圖像內(nèi)每一個(gè)區(qū)域的特征點(diǎn)數(shù)量進(jìn)行統(tǒng)計(jì)，得到特征點(diǎn)在10 個(gè)方向上的數(shù)據(jù)值；然后，計(jì)算待檢測(cè)圖像中已劃分的10 個(gè)區(qū)域中的特征點(diǎn)數(shù)量的平均值；計(jì)算待檢測(cè)圖像的特征點(diǎn)數(shù)量在已劃分的10 個(gè)區(qū)域內(nèi)的方差數(shù)值。從求得的特征點(diǎn)數(shù)量方差數(shù)值的大小關(guān)系可以推斷出，特征點(diǎn)數(shù)量的方差數(shù)值越大，證明數(shù)據(jù)的浮動(dòng)越明顯，間接地反應(yīng)圖像中特征點(diǎn)分布的均勻程度較差；特征點(diǎn)數(shù)量的方差數(shù)值越小，證明數(shù)據(jù)的浮動(dòng)越小，間接地反應(yīng)圖像中特征點(diǎn)分布的均勻程度較好。

4 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)的操作平臺(tái)是一款實(shí)驗(yàn)室自主研發(fā)的ROS[22]系統(tǒng)輪式移動(dòng)機(jī)器人，其外觀形狀如圖3 所示。

圖3 實(shí)驗(yàn)室自主研發(fā)的移動(dòng)輪式機(jī)器人Fig.3 Wheeled mobile robot independently developed by laboratory

該輪式機(jī)器人包括：視覺(jué)導(dǎo)航模塊、上下位機(jī)通訊模塊、底盤(pán)驅(qū)動(dòng)模塊、無(wú)線通訊模塊等。系統(tǒng)操作環(huán)境為一臺(tái)配置為i3 處理器、4.0 GB 內(nèi)存的Ubuntu14.04的LINUX PC。程序運(yùn)行時(shí)，配有Kinect1.0 深度攝像機(jī)的輪式機(jī)器人會(huì)以0.02 m/s 線速度、0.01 m/s 角速度采集實(shí)驗(yàn)室的全景圖，實(shí)現(xiàn)輪式機(jī)器人的視覺(jué)導(dǎo)航。

4.1 圖像特征點(diǎn)提取實(shí)驗(yàn)

為驗(yàn)證本文提出的改進(jìn)ORB 算法的可行性，分別使用傳統(tǒng)ORB 算法和改進(jìn)ORB 算法對(duì)ROS 系統(tǒng)輪式移動(dòng)機(jī)器人獲得的彩色圖像數(shù)據(jù)執(zhí)行特征點(diǎn)提取環(huán)節(jié)，得到的特征點(diǎn)提取結(jié)果如圖4 和圖5 所示。

圖4 圖像特征點(diǎn)提取結(jié)果1Fig.4 Feature points extraction results 1

圖5 圖像特征點(diǎn)提取結(jié)果2Fig.5 Feature points extraction results 2

由圖4 和圖5 可知，經(jīng)傳統(tǒng)ORB 算法提取到的特征點(diǎn)分布效果不均勻，并且在某一區(qū)域特征點(diǎn)較為密集；而改進(jìn)ORB 算法提取到的特征點(diǎn)分布整體較為均勻。實(shí)驗(yàn)結(jié)果表明，改進(jìn)ORB 算法可以有效地實(shí)現(xiàn)特征點(diǎn)在檢測(cè)圖像上的均勻分布。

4.2 圖像特征點(diǎn)分布實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證在對(duì)圖像進(jìn)行特征點(diǎn)提取時(shí)，使用改進(jìn)ORB 算法得到的特征點(diǎn)分布均勻程度優(yōu)于傳統(tǒng)ORB 算法，采用本文提出的基于區(qū)域統(tǒng)計(jì)方差的圖像特征點(diǎn)分布均勻性判別方法，求出特征點(diǎn)在圖像中10個(gè)區(qū)域分布的方差數(shù)值，以此評(píng)價(jià)圖4 的圖像特征點(diǎn)分布情況，結(jié)果如表1 所示。

表1 不同算法中圖像特征點(diǎn)分布均勻程度比較Tab.1 Comparison of uniformity of image feature points distribution in different algorithms

由表1 可以看出，隨著特征點(diǎn)期望數(shù)量的增加，圖像中特征點(diǎn)輸出數(shù)量的方差數(shù)值及方差數(shù)值的降低比率也在發(fā)生變化；當(dāng)特征點(diǎn)期望數(shù)量相同時(shí)，改進(jìn)ORB 算法比傳統(tǒng)ORB 算法的方差數(shù)值小，說(shuō)明使用改進(jìn)ORB 算法提取到的圖像特征點(diǎn)分布的均勻情況較好。

4.3 圖像特征點(diǎn)匹配實(shí)驗(yàn)

將使用傳統(tǒng)ORB 算法與改進(jìn)ORB 算法的特征點(diǎn)提取結(jié)果作為圖像待匹配點(diǎn)，進(jìn)行基于特征點(diǎn)的匹配實(shí)驗(yàn)。先使用暴力匹配結(jié)合hamming 距離的方法得到粗匹配，再使用RANSAC 算法消除粗匹配中的誤匹配得到精匹配，結(jié)果如圖6 所示。

圖6 特征點(diǎn)匹配效果Fig.6 Feature points matching effects

由圖6 可知，在進(jìn)行特征點(diǎn)匹配時(shí)，由于改進(jìn)ORB算法在特征點(diǎn)輸出時(shí)，使用了非極大值抑制的方法對(duì)重疊特征點(diǎn)的閾值進(jìn)行了處理，使其只輸出某一范圍中具有極大值閾值的特征點(diǎn)。并且，使用改進(jìn)ORB算法獲得的特征點(diǎn)分布情況較為均勻。因此，使用改進(jìn)ORB 算法進(jìn)行特征點(diǎn)匹配時(shí)，約束匹配點(diǎn)之間的線段分布較為稀疏，不會(huì)出現(xiàn)特別聚集的情況。

4.4 算法實(shí)時(shí)性分析實(shí)驗(yàn)

由于輪式移動(dòng)機(jī)器人在進(jìn)行視覺(jué)導(dǎo)航時(shí)對(duì)算法執(zhí)行過(guò)程中消耗的時(shí)間長(zhǎng)短有較為嚴(yán)格的要求，本文分別使用傳統(tǒng)ORB 算法與改進(jìn)ORB 算法對(duì)圖4 在算法執(zhí)行步驟中的特征點(diǎn)提取與匹配環(huán)節(jié)所消耗的時(shí)間進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表2 所示。

由表2 可以看出，當(dāng)設(shè)置的特征點(diǎn)期望數(shù)值越大時(shí)，算法執(zhí)行特征點(diǎn)提取與匹配消耗的時(shí)間就越長(zhǎng)；當(dāng)期望特征點(diǎn)的數(shù)量設(shè)置一致時(shí)，從算法執(zhí)行時(shí)間的角度來(lái)看，同一張圖像使用改進(jìn)ORB 算法進(jìn)行特征點(diǎn)提取與匹配時(shí)消耗的時(shí)間少于傳統(tǒng)ORB 算法，說(shuō)明改進(jìn)ORB 算法耗時(shí)較少、實(shí)時(shí)性較高。

表2 ORB 算法的實(shí)時(shí)性分析Tab.2 Real-time analysis of ORB algorithm

5 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)ORB 算法存在特征點(diǎn)分布均勻程度較差、耗時(shí)較長(zhǎng)的缺點(diǎn)，提出一種改進(jìn)ORB 算法，并將該算法應(yīng)用于實(shí)驗(yàn)室自主研發(fā)的輪式移動(dòng)機(jī)器人進(jìn)行機(jī)器視覺(jué)導(dǎo)航。對(duì)傳統(tǒng)ORB 算法中的FAST 角點(diǎn)提取環(huán)節(jié)使用改進(jìn)的FAST 角點(diǎn)提取方法；在特征點(diǎn)輸出部分，采用非極大值抑制的方法有效地減少低閾值特征點(diǎn)的輸出數(shù)量，避免特征點(diǎn)在某一響應(yīng)區(qū)域內(nèi)重疊地出現(xiàn)在檢測(cè)圖像上；為了便于解釋圖像中特征點(diǎn)的分布均勻程度，提出一種基于區(qū)域統(tǒng)計(jì)方差數(shù)值的圖像特征點(diǎn)分布均勻性的評(píng)價(jià)方法。實(shí)驗(yàn)結(jié)果表明，當(dāng)特征點(diǎn)期望數(shù)值設(shè)為3 000 時(shí)，與傳統(tǒng)ORB 算法相比，改進(jìn)ORB 算法的圖像特征點(diǎn)分布均勻程度提高71.13%，耗時(shí)降低比率為69.52%，可以更好地應(yīng)用于輪式機(jī)器人執(zhí)行視覺(jué)導(dǎo)航算法中。