基于改进的SIFT特征点的双目定位

doi:10.12052/gdutxb.150108

摘要/Abstract

摘要：

立体匹配是双目视觉中最重要的步骤，同时也是最难解决的一个问题.传统的区域立体匹配得到的视差图对无纹理区域难以保留深度不连续的特性，获得目标三维信息速度慢、不准确.本文提出一种改进的SIFT算法，首先通过对采集的左右图像进行极线约束，其次从左图中选择目标区域ROI，再降低特征向量维数来减少耗时，采用基于KD树的BBF算法加快匹配速度，最后用RANSAC算法去除误匹配.实验表明改进的SIFT算法能够迅速准确地得到目标物的特征点，从而利用三角测量法快速地计算出目标三维坐标.

关键词: 改进的SIFT算法, 双目视觉, 目标定位, 特征匹配

Abstract:

Stereo matching is the most important step in binocular vision, and it is also the most difficult problem to solve. The traditional stereo matching to get the regional disparity map is just passable, for the characteristics of the non-texture regions are difficult to retain the depth map discontinuing, so getting the 3D information of the target is slow and inaccurate, Therefore, a new SIFT image matching is proposed, firstly, making the epipolar constraint on the left and right image; secondly, selecting the ROI of target from the left of binocular images, and reducing running time by reducing the dimension of feature vectors and accelerating the matching speed by using BBF algorithm based on KD tree, and finally, removing the false matching by using RANSAC algorithm. The experiment results show that the improved SIFT algorithm can get the target's feature points quickly and accurately, so the 3D coordinates can be calculated by the triangulation method speedy.

Key words: the improved SIFT algorithm, binocular stereo, object location, feature matching

中图分类号:

TP242

李德隆, 刘伟. 基于改进的SIFT特征点的双目定位[J]. 广东工业大学学报, 2017, 34(01): 90-94.

Li De-long, Liu Wei. Object Location for Binocular Stereo Vision Based on Improved SIFT Feature[J]. Journal of Guangdong University of Technology, 2017, 34(01): 90-94.

参考文献

[1] 孟浩, 程康. 基于SIFT特征点的双目视觉定位[J]. 哈尔滨工程大学学报, 2009, 30(6):649-652. MENG H, CHENG K. Object location technique for bino-cular stereo vision based on scale invariant feature transform feature points[J]. Journal of Harbin Engineering University, 2009, 30(6):649-652.
[2] 李耀云, 贾敏智. 基于Harris-SIFT算法的双目视觉定位[J]. 电视技术, 2013, 37(9):23-26.LI Y Y, JIA M Z. Object location technique for bin-ocular stereo vision based on harris-SIFT algorithm[J]. Video Engineering, 2013, 37(9):23-26.
[3] 王晓华, 傅卫平. 零件的双目视觉识别定位与抓取系统[J]. 制造业自动化, 2010, 32(11):129-131.WANG X H, FU W P. Research on recognition and location system of work-piece based on binocular vision[J]. Manufacturing Automation, 2010, 32(11):129-131.
[4] 李瑞峰, 李庆喜. 机器人双目视觉的标定与定位算法[J]. 哈尔滨工业大学学报, 2007, 39(11):1719-1723.LI R F, LI Q X. Calculation of the position between mobile robot and object based on two CCD cameras[J]. Journal of Harbin Institute of Technology, 2007, 39(11):1719-1723.
[5] 李晓飞, 宋亚男, 徐荣华, 等. 基于双目视觉的船舶跟踪与定位[J]. 南京信息工程大学学报, 2015, 7(1):46-52.LI X F, SONG Y N, XU R H, et al. Tracking and positioning of ship based on binocular vision[J]. Journal of Nanjing University of Information Science & Technology, 2015, 7(1):46-52.
[6] 申琳.高精度双目CCD测距研究[D]. 长春:长春理工大学光电工程学院, 2011.
[7] 王玉翰, 金波. 基于双目立体视觉的深度信息测量[J]. 机电工程技术, 2015, 44(3):34-38. WANG Y H, JIN B. Depth information measurement based on binocular stereo vision[J]. Mechanical & Electrical Engineering Technology, 2015, 44(3):34-38.
[8] 王婷婷, 李戈, 赵杰, 等. 基于双目视觉的运动目标检测跟踪与定位[J]. 机械与电子, 2015, 6:73-76. WANG T T, LI G, ZHAO J, et al. Detection, tracking and positioning of moving target based on binocular vision[J]. Machinery & Electronics, 2015, 6:73-76.
[9] 刘浩, 李晋惠, 乔永兴, 等. 基于计算机双目视觉的火灾定位问题的研究[J]. 科技信息:学术版, 2008, 22:67-68. LIU H, LI J H, QIAO Y X, et al. Research on the problem of fire location based on computer binocular vision[J]. Science & Technology Information:Academic Edition, 2008, 22:67-68.
[10] 孙伟, 钟映春, 谭志, 等. 多特征融合的室内场景分类研究[J]. 广东工业大学学报, 2015, 32(1):75-79.SUN W, ZHONG Y C, TAN Z, et al. Research on multi-featured fusion for indoor scene recognition[J]. Journal of Guangdong University of Technology, 2015, 32(1):75-79.
[11] 雷禹, 何家峰. 基于改进SURF算法的SAR图像目标匹配[J]. 广东工业大学学报, 2014, 31(1):65-69. LEI Y, HE J F. SAR image target matching based on the improved SURF algorithm[J]. Journal of Guangdong University of Technology, 2014, 31(1):65-69.
[12] 阳吉斌, 胡访宇, 朱高. 基于改进SURF算法的遥感图像匹配[J]. 电子测量技术, 2012, 35(3):69-72. YANG J B, HU F Y, ZHU G. Remote sensing image registration based on improved SURF[J]. Electronic Measurement Technology, 2012, 35(3):69-72.
[13] 刘萍萍, 赵宏伟, 臧雪柏, 等. 移动机器人定位图像匹配的快速局部特征算法[J]. 仪器仪表学报, 2009, 30(8):1714-1718. LIU P P, ZHAO H W, ZANG X B, et al. Fast local feature algorithm applied to mobile robot localization image matching[J]. Chinese Journal of Scientific Instrument, 2009, 30(8):1714-1718.
[14] BAY H, ESS A, TUYTELAARS T, et al. Speeded-up robust features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3):346-359.
[15] LOWE D G. Distinctive image features from scale-invariant key points[J]. International Journal of Computer Vision, 2004, 60(2):91-110.
[16] Zhang Z. A flexible new technique for camera calibration[J]. Transactions on Pattern Analysis and Machine Intelligence, 2000, 20(11):1330-1334.
[17] Zhang Z. Flexible camera calibration by viewing a plane from unknown orientations[C]//Proceeding of IEEE International Conference on Computer Vision.[S.l.]:IEEE, 1999, 11(1):666-673.

相关文章 15

[1]	胡晓敏, 龙祖涛, 李敏. 基于用户分层的多目标推荐算法[J]. 广东工业大学学报, 2023, 40(01): 10-18.
[2]	黄芳, 邱榆富, 郭靖. 一种核磁共振兼容液压驱动穿刺手术机器人的动力学建模及H_∞控制方法研究[J]. 广东工业大学学报, 2023, 40(01): 68-76.
[3]	刘洋, 彭世国, 马宏志, 廖维新. 下肢外骨骼机器人动力学参数辨识与步态跟踪[J]. 广东工业大学学报, 2022, 39(06): 44-52.
[4]	王东, 黄瑞元, 李伟政, 黄之峰. 面向抓取任务的移动机器人停靠位置优化方法研究[J]. 广东工业大学学报, 2021, 38(06): 53-61.
[5]	郭心德, 丁宏强. 离散制造智能工厂场景的AGV路径规划方法[J]. 广东工业大学学报, 2021, 38(06): 70-76.
[6]	黄剑航, 王振友. 基于特征融合的深度学习目标检测算法研究[J]. 广东工业大学学报, 2021, 38(04): 52-58.
[7]	林琳, 李小涛, 徐永利. 国内TRIZ理论及方法的研究热点及发展趋势[J]. 广东工业大学学报, 2021, 38(02): 10-19.
[8]	揭云飞, 王峰, 钟有东, 智凯旋, 熊超伟. 基于地面特征的单目视觉机器人室内定位方法[J]. 广东工业大学学报, 2020, 37(05): 31-37.
[9]	叶伟杰, 高军礼, 蒋丰, 郭靖. 一种提升机器人强化学习开发效率的训练模式研究[J]. 广东工业大学学报, 2020, 37(05): 46-50.
[10]	陈宇鹏, 高伟强, 卢一光. 手把手示教喷涂机器人的示教数据优化方法[J]. 广东工业大学学报, 2020, 37(04): 21-26.
[11]	曾涵湄, 黄之峰, 林中秀, 寇小东, 章云. 预期姿势调节对协作任务运动姿势控制的影响[J]. 广东工业大学学报, 2019, 36(05): 25-32.
[12]	刘彪, 黄之峰, 章云. 借助外力助推的双足机器人越障及避障方法研究[J]. 广东工业大学学报, 2019, 36(02): 62-69.
[13]	吴运雄, 曾碧. 基于深度强化学习的移动机器人轨迹跟踪和动态避障[J]. 广东工业大学学报, 2019, 36(01): 42-50.
[14]	汪盛民, 林伟, 曾碧. 未知环境下基于虚拟子目标的对立Q学习机器人路径规划[J]. 广东工业大学学报, 2019, 36(01): 51-56,62.
[15]	杨孟军, 苏成悦, 陈静, 张洁鑫. 基于卷积神经网络的视觉闭环检测研究[J]. 广东工业大学学报, 2018, 35(05): 31-37.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed