摘  要： 針對未知非結(jié)構(gòu)化室內(nèi)環(huán)境中雙目視覺機器人路標特征匹配的問題進行了研究,，提出了基于改進自組織映射網(wǎng)絡(luò)（Self-Organizing Map，SOM）的雙目視覺特征點快速匹配方法。對雙目視覺獲取的環(huán)境圖像提取SIFT特征向量作為改進SOM的輸入,，利用獲勝者計算技術(shù)完成對輸入SIFT特征點的快速匹配，SOM競爭學(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),。實驗結(jié)果表明,，所提方法在路標特征匹配的時間和效果上優(yōu)于傳統(tǒng)SIFT和SURF特征匹配的方法，且能滿足實時性要求,。

　　關(guān)鍵詞： 無監(jiān)督競爭學(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，移動機器人對自身與環(huán)境的精確定位是實現(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,、探測范圍更廣，匹配雙目圖像顯著的特征點作為路標[2],，構(gòu)建機器人的環(huán)境地圖是移動機器人實現(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和其相鄰區(qū)域以及如何提取特征點的描述符向量。近些年不斷有新的匹配算法被提出,，參考文獻[3]中提出對旋轉(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集，導(dǎo)致圖像處理過程很慢,，不能滿足實時要求,。參考文獻[4]提出Harris-SIFT算法，用Harris角點代替SIFT算法的多尺度空間極值檢測,，生成SIFT特征描述子用在雙目圖像對的匹配上,。但該算法失去了SIFT算法對于尺度縮放保持不變的特性。參考文獻[5]改進了參考文獻[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競爭學(xué)習(xí)技術(shù)相結(jié)合的特征點快速匹配方法,，大大減少了檢測時間,。實驗表明，所提算法對特征點匹配的速度與效果優(yōu)于傳統(tǒng)SIFT和SURF匹配算法[6-7],，滿足移動機器人的實時性要求,。

1 特征點提取

　　雙目立體視覺系統(tǒng)由參數(shù)相同的兩個攝像頭組成，令兩個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IL、IR提取SIFT特征點,，每一個特征點對應(yīng)一個描述符特征向量,。描述符向量使用4×4的16個種子點來描述，通過高斯加權(quán)后歸入8個方向直方圖,，獲得一個4×4×8的128維SIFT特征描述子,。由IL、IR提取的特征點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）的輸入進行特征點的快速匹配。

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)督競爭學(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,，當網(wǎng)絡(luò)得到一個新的輸入模式向量時，競爭層的所有神經(jīng)元對應(yīng)的關(guān)聯(lián)權(quán)向量均與其進行相似性比較，并將最相似的權(quán)向量判為競爭獲勝神經(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)定一個鄰域半徑,，稱為優(yōu)勝鄰域,。優(yōu)勝鄰域內(nèi)的節(jié)點也會彼此激發(fā)學(xué)習(xí)一個相同的輸入向量X，優(yōu)勝鄰域Nj*（t）內(nèi)的所有神經(jīng)元節(jié)點由式（2）進行權(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)勝鄰域會不斷收縮，最終收縮到半徑為零,。

3 改進SOM的特征點匹配

　　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，不能滿足實時性要求,。本文運用改進的SOM網(wǎng)絡(luò)完成雙目圖像特征點的快速匹配,，加快特征點的匹配速度?；诟倪MSOM的特征點匹配流程圖如圖1所示,。

　　修改后的算法把特征點匹配問題轉(zhuǎn)換成一個圖像的每個特征點與對應(yīng)的另一圖像特征點間立體映射的估計，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,，可知計算LJ和LQ比Lo簡單很多,，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),，減少了計算量，從而提高計算速度,。

　　修改后的SOM特征點匹配步驟如下：

　　完成以上步驟后就完成了雙目圖像之間的特征點匹配,。為了進一步提高匹配的準確率，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誤的匹配點。

4 實驗與結(jié)果分析

　　本文使用旅行家2號機器人作為實驗平臺,，兩個攝像頭之間的基線長20 cm,。對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行特征點匹配。圖2（a）為所提算法未使用約束條件進行特征點匹配的實驗結(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，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誤匹配點，提高匹配的準確度,。圖3為實驗仿真對比結(jié)果,，可以看出所提算法在匹配數(shù)量與時間上優(yōu)于傳統(tǒng)算法。獲取大量圖像對所提算法進行實驗評估,，統(tǒng)計運行耗時和特征點匹配數(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集作為SOM的輸入,，減少了檢測時間,。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)，大大降低了計算量,，減少了計算時間,。使用獲勝者計算技術(shù)保證了特征點的數(shù)量。

　　實驗結(jié)果表明,，所提算法在實驗室環(huán)境下對雙目圖像特征點的匹配速度更快,，且匹配的特征點數(shù)量穩(wěn)定，可以滿足機器人導(dǎo)航實時性的要求,。

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,、效率低等達不到實時性的理想效果。本文使用SIFT特征點向量與改進的SOM相結(jié)合的無監(jiān)督競爭學(xué)習(xí)算法,，對雙目圖像特征點完成快速匹配,。實驗結(jié)果表明，所提算法在實驗室環(huán)境下對雙目圖像特征點的匹配有較好的實驗效果,，可以快速,、準確地匹配穩(wěn)定的特征點。在未來的工作中,，將在本文所提算法的基礎(chǔ)上,，進行雙目視覺機器人實時定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）[10]的研究,。

　　參考文獻

　　[1] 林睿.基于圖像特征點的移動機器人立體視覺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檢測[J].模式識別與人工智能,，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,，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，2010,，39（4）：546-550．

　　[5] 王民,，劉偉光.基于改進SIFT特征的雙目圖像匹配算法[J].計算機工程與應(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（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的圖像特征點快速匹配算法[J].揚州大學(xué)學(xué)報（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)算法的研究與進展[J].計算機工程,，2006,，32（16）：201-203.

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