摘  要： 針對(duì)未知非結(jié)構(gòu)化室內(nèi)環(huán)境中雙目視覺機(jī)器人路標(biāo)特征匹配的問題進(jìn)行了研究,，提出了基于改進(jìn)自組織映射網(wǎng)絡(luò)（Self-Organizing Map，SOM）的雙目視覺特征點(diǎn)快速匹配方法,。對(duì)雙目視覺獲取的環(huán)境圖像提取SIFT特征向量作為改進(jìn)SOM的輸入,，利用獲勝者計(jì)算技術(shù)完成對(duì)輸入SIFT特征點(diǎn)的快速匹配，SOM競(jìng)爭(zhēng)學(xué)習(xí)過程中用街區(qū)距離與棋盤距離的線性組合作為相似性度量函數(shù),。實(shí)驗(yàn)結(jié)果表明,，所提方法在路標(biāo)特征匹配的時(shí)間和效果上優(yōu)于傳統(tǒng)SIFT和SURF特征匹配的方法，且能滿足實(shí)時(shí)性要求,。

　　關(guān)鍵詞： 無監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí),；特征匹配,；雙目視覺；自組織映射網(wǎng)絡(luò)

0 引言

　　在未知室內(nèi)環(huán)境中,，移動(dòng)機(jī)器人對(duì)自身與環(huán)境的精確定位是實(shí)現(xiàn)自主導(dǎo)航的前提和基礎(chǔ)[1],，而雙目視覺可以獲取更完整的環(huán)境信息、探測(cè)范圍更廣,，匹配雙目圖像顯著的特征點(diǎn)作為路標(biāo)[2],，構(gòu)建機(jī)器人的環(huán)境地圖是移動(dòng)機(jī)器人實(shí)現(xiàn)自主導(dǎo)航的基礎(chǔ)。

　　大多研究人員提出的算法主要是研究如何確定興趣點(diǎn)和其相鄰區(qū)域以及如何提取特征點(diǎn)的描述符向量,。近些年不斷有新的匹配算法被提出,，參考文獻(xiàn)[3]中提出對(duì)旋轉(zhuǎn)、尺度縮放,、亮度變化保持不變性的局部特征描述方法（Scale Invariant Feature Transform,，SIFT）。該算法復(fù)雜度高,，提取大量的局部特征點(diǎn)集,，導(dǎo)致圖像處理過程很慢，不能滿足實(shí)時(shí)要求,。參考文獻(xiàn)[4]提出Harris-SIFT算法,，用Harris角點(diǎn)代替SIFT算法的多尺度空間極值檢測(cè)，生成SIFT特征描述子用在雙目圖像對(duì)的匹配上,。但該算法失去了SIFT算法對(duì)于尺度縮放保持不變的特性,。參考文獻(xiàn)[5]改進(jìn)了參考文獻(xiàn)[4]的Harris-SIFT算法，保持了SIFT特性,。采用Best Bin First（BBF）來減少匹配搜索的復(fù)雜度，提高了匹配速度,。

　　本文提出一種SIFT特征向量提取與SOM競(jìng)爭(zhēng)學(xué)習(xí)技術(shù)相結(jié)合的特征點(diǎn)快速匹配方法,，大大減少了檢測(cè)時(shí)間。實(shí)驗(yàn)表明,，所提算法對(duì)特征點(diǎn)匹配的速度與效果優(yōu)于傳統(tǒng)SIFT和SURF匹配算法[6-7],，滿足移動(dòng)機(jī)器人的實(shí)時(shí)性要求。

1 特征點(diǎn)提取

　　雙目立體視覺系統(tǒng)由參數(shù)相同的兩個(gè)攝像頭組成,，令兩個(gè)攝像頭的光軸互相平行且與透視投影平面垂直,，要求同步曝光及圖像質(zhì)量一致。獲取的左,、右目圖像分別記為IL,、IR。分別對(duì)IL,、IR提取SIFT特征點(diǎn),，每一個(gè)特征點(diǎn)對(duì)應(yīng)一個(gè)描述符特征向量,。描述符向量使用4×4的16個(gè)種子點(diǎn)來描述，通過高斯加權(quán)后歸入8個(gè)方向直方圖,，獲得一個(gè)4×4×8的128維SIFT特征描述子,。由IL、IR提取的特征點(diǎn)組成的集合分別記為FL,、FR,，隨后作為自組織映射網(wǎng)絡(luò)（SOM）的輸入進(jìn)行特征點(diǎn)的快速匹配。

2 自組織映射網(wǎng)絡(luò)（SOM）分析

　　基于Kohonen神經(jīng)網(wǎng)絡(luò)的SOM方法是一種無監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[8-9],。

　　設(shè)輸入變量集合X={x1,，x2，…,，xk}∈Rn,，權(quán)重系數(shù)W={wi1，wi2,，…,，win}∈Rn。隨機(jī)選取W的初始值,，將輸入特征模式向量X輸入到SOM輸入層處理單元中,，當(dāng)網(wǎng)絡(luò)得到一個(gè)新的輸入模式向量時(shí)，競(jìng)爭(zhēng)層的所有神經(jīng)元對(duì)應(yīng)的關(guān)聯(lián)權(quán)向量均與其進(jìn)行相似性比較,，并將最相似的權(quán)向量判為競(jìng)爭(zhēng)獲勝神經(jīng)元,，由式（1）可以得到獲勝單元。

　　在訓(xùn)練過程中,，以獲勝神經(jīng)元為中心設(shè)定一個(gè)鄰域半徑,，稱為優(yōu)勝鄰域。優(yōu)勝鄰域內(nèi)的節(jié)點(diǎn)也會(huì)彼此激發(fā)學(xué)習(xí)一個(gè)相同的輸入向量X,，優(yōu)勝鄰域Nj*（t）內(nèi)的所有神經(jīng)元節(jié)點(diǎn)由式（2）進(jìn)行權(quán)值調(diào)整,。

　　其中，（t）為學(xué)習(xí)率因子（0<（t）<1）,，優(yōu)勝鄰域開始定得很大,，但隨著訓(xùn)練次數(shù)的增加，優(yōu)勝鄰域會(huì)不斷收縮,，最終收縮到半徑為零,。

3 改進(jìn)SOM的特征點(diǎn)匹配

　　傳統(tǒng)SIFT和SURF的特征匹配算法復(fù)雜度高，圖像匹配效率低,，不能滿足實(shí)時(shí)性要求,。本文運(yùn)用改進(jìn)的SOM網(wǎng)絡(luò)完成雙目圖像特征點(diǎn)的快速匹配，加快特征點(diǎn)的匹配速度,?；诟倪M(jìn)SOM的特征點(diǎn)匹配流程圖如圖1所示,。

　　修改后的算法把特征點(diǎn)匹配問題轉(zhuǎn)換成一個(gè)圖像的每個(gè)特征點(diǎn)與對(duì)應(yīng)的另一圖像特征點(diǎn)間立體映射的估計(jì)，所提算法選取街區(qū)距離LJ與棋盤距離LQ的線性組合代替歐氏距離Lo,，可知計(jì)算LJ和LQ比Lo簡(jiǎn)單很多,，而且LQ≤Lo≤LJ，所以本文用LQ+LJ替代Lo,，作為相似性度量函數(shù),，減少了計(jì)算量，從而提高計(jì)算速度,。

　　修改后的SOM特征點(diǎn)匹配步驟如下：

　　完成以上步驟后就完成了雙目圖像之間的特征點(diǎn)匹配,。為了進(jìn)一步提高匹配的準(zhǔn)確率，使用極線幾何約束,、視差約束,、有序性約束以及唯一性約束條件消除錯(cuò)誤的匹配點(diǎn)。

4 實(shí)驗(yàn)與結(jié)果分析

　　本文使用旅行家2號(hào)機(jī)器人作為實(shí)驗(yàn)平臺(tái),，兩個(gè)攝像頭之間的基線長(zhǎng)20 cm,。對(duì)獲取到的圖像分別使用SIFT和SURF特征匹配方法以及所提算法進(jìn)行特征點(diǎn)匹配。圖2（a）為所提算法未使用約束條件進(jìn)行特征點(diǎn)匹配的實(shí)驗(yàn)結(jié)果,，圖2（b）為約束條件過濾后的匹配結(jié)果,。

　　從圖2可以發(fā)現(xiàn)，未使用約束條件過濾前有明顯的誤配點(diǎn),，使用極線幾何約束,、視差約束等約束條件可以剔除大量的錯(cuò)誤匹配點(diǎn)，提高匹配的準(zhǔn)確度,。圖3為實(shí)驗(yàn)仿真對(duì)比結(jié)果,，可以看出所提算法在匹配數(shù)量與時(shí)間上優(yōu)于傳統(tǒng)算法。獲取大量圖像對(duì)所提算法進(jìn)行實(shí)驗(yàn)評(píng)估,，統(tǒng)計(jì)運(yùn)行耗時(shí)和特征點(diǎn)匹配數(shù)量如圖4,、圖5所示。

　　本文用SIFT算法提取雙目圖像的特征點(diǎn)集作為SOM的輸入,，減少了檢測(cè)時(shí)間。使用棋盤距離和街區(qū)距離的線性組合代替歐式距離作為相似度量函數(shù),，大大降低了計(jì)算量,，減少了計(jì)算時(shí)間。使用獲勝者計(jì)算技術(shù)保證了特征點(diǎn)的數(shù)量,。

　　實(shí)驗(yàn)結(jié)果表明,，所提算法在實(shí)驗(yàn)室環(huán)境下對(duì)雙目圖像特征點(diǎn)的匹配速度更快，且匹配的特征點(diǎn)數(shù)量穩(wěn)定,，可以滿足機(jī)器人導(dǎo)航實(shí)時(shí)性的要求,。

5 結(jié)論

　　SIFT算法具有尺度,、旋轉(zhuǎn)、視角和光照不變性,，但由于復(fù)雜性高,、效率低等達(dá)不到實(shí)時(shí)性的理想效果。本文使用SIFT特征點(diǎn)向量與改進(jìn)的SOM相結(jié)合的無監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)算法,，對(duì)雙目圖像特征點(diǎn)完成快速匹配,。實(shí)驗(yàn)結(jié)果表明，所提算法在實(shí)驗(yàn)室環(huán)境下對(duì)雙目圖像特征點(diǎn)的匹配有較好的實(shí)驗(yàn)效果,，可以快速,、準(zhǔn)確地匹配穩(wěn)定的特征點(diǎn)。在未來的工作中,，將在本文所提算法的基礎(chǔ)上,，進(jìn)行雙目視覺機(jī)器人實(shí)時(shí)定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）[10]的研究,。

　　參考文獻(xiàn)

　　[1] 林睿.基于圖像特征點(diǎn)的移動(dòng)機(jī)器人立體視覺SLAM研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),，2011.

　　[2] 王璐，蔡自興.未知環(huán)境中基于視覺顯著性的自然路標(biāo)檢測(cè)[J].模式識(shí)別與人工智能,，2006,，19（1）：100-105.

　　[3] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004,， 60（2）：91-110.

　　[4] 趙欽君,，趙東標(biāo)，韋虎.Harris-SIFT算法及其在雙目立體視覺中的應(yīng)用[J].電子科技大學(xué)學(xué)報(bào),，2010,，39（4）：546-550．

　　[5] 王民，劉偉光.基于改進(jìn)SIFT特征的雙目圖像匹配算法[J].計(jì)算機(jī)工程與應(yīng)用,，2013,，49（2）：203-206.

　　[6] 常青，張斌,，邵金玲.基于SIFT和RANSAC的特征圖像匹配方法[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版）,，2012，38（6）：747-751.

　　[7] 陳小丹,，杜宇人,，高秀斌.一種基于SURF的圖像特征點(diǎn)快速匹配算法[J].揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版），2012,，15（4）：64-67.

　　[8] KOHONEN T. Self-organizing maps[J]. Springer,， 1995，11（3）：340-349.

　　[9] 楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程,，2006,，32（16）：201-203.

　　[10] 蘇立.室內(nèi)環(huán)境下移動(dòng)機(jī)器人雙目視SLAM研究[D].西安：西安理工大學(xué)，2010.