２０１１年第３ｏ卷第８期感測器與微系統
李永佳 ，周文暉 ，沈敏一 ，徐
進 ，林
穎 ，劉濟林
（１．浙江大學資訊與電子工程學系，浙江杭州３１００２７；２．杭州電子科技大學計算機學院，浙江杭州３１００１８）
摘要：提出一種改進ｈａｒｒｉｓ特徵點的機械人精確定位方法，通過改進特徵點提取、匹配、跟蹤策略，為運
動估計提供更加可靠的輸入，提高運動估計結果的準確性。具體實現策略是在影象高斯金字塔中改進ｈａｒｒｉｓ特徵點提取策略，提高其對旋轉和尺度變化的適應性，實現特徵點的均勻分布且數量可控。然後利用慣導先驗資訊**特徵點跟蹤的搜尋區域，提高特徵點跟蹤的準確性和穩定性，提高搜尋效率。
最後採用四元數和最小二乘方法估計車體姿態資訊。實驗結果表明：演算法可較好地實現慣導資訊與視覺資訊的融合，不僅改善了傳統視覺定位演算法中特徵點特性影響定位精度的問題，且幾乎不會受到慣導漂移引起定位精度下降的問題，可實現機械人精確定位。
關鍵詞：機械人定位；雙目立體視覺；高斯尺度空間；ｈａｒｒｉｓ角點；特徵跟蹤；運動估計；慣性導航中圖分類號：ｔｐ２４２
文獻標識碼：ａ
文章編號
０引言於光流的方法和基於特徵跟蹤的方法，後者通常由特徵點
運動過程中自定位是實現車輛自主導航的關鍵技術。提取、特徵點匹配和跟蹤、魯棒的運動估計三部分組成。
提取穩定的特徵點，使其能適應影象尺度、旋轉、光照
傳統定位技術通常有全球定位系統和航位推算方法。前者在外星表面等特定環境下無法使用；後者難以解決因車輪打滑引起的編碼器讀數錯誤和慣導漂移等問題。利用車載視覺系統估計車體姿態的自定位技術作為上述２種定位方法的有效補充，已受到國內外學者的廣泛關注。
視覺自定位方法最早由提出，可分為基
等變化，是實現視覺自定位的關鍵。目前主流的機械人定位方法多採用ｈａｒｒｉｓ角點作為特徵點，且視覺定位的改進多集中於對運動估計方法的改進。美國火星探測漫步者（ｍｅｒ）第一次展示了機械人在火星上的自主定位能力 ｊ，它提取立體影象對中的ｈａｒｒｉｓ角點作為特徵點，採用固定大小的搜尋視窗在前後幀間跟蹤特徵點，再運用最大似
收稿ｅｔ期
**專案：國家自然科學**資助專案
ｌ３２感測器與微系統第３０卷
然估計的方法獲取機械人在前後幀影象間的位置和姿態資訊。為提高計算效率，定位演算法在中進行了改進 ，利用運動估計的結果迭代更新搜尋
視窗大小，進而更準確地跟蹤影象中提取的ｈａｒｒｉｓ角點。ｎｉｓｔｅｒｄ的方法在固定的視差範圍內進行ｈａｒｒｉｓ特徵點
匹配，區別於ｎｉｓｔｅｒ的運動估計方法中不採用初始運動估計和特徵的空間相關性資訊和ｈｏｗａｒｄａ 』在ｈａｒｒｉｓ特徵點跟蹤結果之上，致力於在運動估計環節中加強約束，進行外點剔除和內點檢測。ａｇｒａｗａｌｍ和同樣基於ｈａｒｒｉｓ特徵點的匹配實現了實時的定位系統，後在文獻［９］中用對運動估計結果進行優化，提高機械人定位精度。也有學者將ｓｉｆｔ特徵點和ｃｅｎｓｕｒｅ特徵點運用於移動機械人定位
，ｓｉｔｆ
特徵點雖具有對旋轉、尺度、亮度變化的不變性，但在視角變化大、弱紋理等複雜情況下難以提取穩定的特徵點，演算法複雜度高，計算時問較長。ｃｅｎｓｕｒｅ特徵點具有一定的旋轉、尺度不變性，但也具有較高的計算複雜度。ｈａｒｒｉｓ角點演算法複雜度低，能夠快速提取大量角點，具有一
定的旋轉不變性。
受特徵點穩定性和特徵匹配策略等因素的影響，特徵點誤匹配難以避免，可能導致機械人定位錯誤。大多演算法在運動估計過程中引入隨機抽樣法（ｒａｎｓａｃ）、加權最小
二乘法等統計學方法去除錯誤匹配。然而，當錯誤匹配較多時，這些方法難以達到理想效果。本文通過改進ｈａｒｒｉｓ特徵點提取、匹配、跟蹤的策略，獲取更加穩定的特徵跟蹤
結果，作為運動估計的輸入，以提高運動估計的準確性。１演算法分析
本文從改進特徵點提取和跟蹤的思路出發，提出一種基於改進的ｈａｒｒｉｓ特徵點的機械人定位方法，主要通過以
下兩點改進策略：１）在高斯尺度空間中提取改進的ｈａｒｉｓ角點，提高特徵點對尺度、旋轉等變化的適應性，控制特徵點數量和分布密度；２）融合車載慣導裝置資訊**特徵點跟蹤的搜尋範圍，有效提高特徵點跟蹤的準確性和穩定性，
減少特徵點跟蹤的搜尋時間。具體演算法框圖如圖ｌ所示。其中運動估計方法是採用基於歐氏空間描述的運動模型，
經ｒａｎｓａｃ結合線性最小二乘法求出機械人運動引數的預估值，再從預估值出發運用非線性最小二乘法求出運動引數的精確估計值。
圖１本文演算法框圖
１．１基於高斯尺度空間的ｈａｒｒｉｓ特徵提取
傳統的ｈａｒｒｉｓ角點檢測演算法中閾值難以確定，且特徵
值較大的點通常只集中在影象的紋理豐富區域，導致角點分布不均勻。本文在高斯尺度空間中採用影象分塊、鄰近角點剔除以及特徵值排序的策略，避免特徵閡值難以選取的問題，確保特徵點均勻分布且數量易於控制。
對每幅影象建立三層高斯金字塔，原始影象為金字塔底層。在金字塔頂層提取改進的ｈａｒｒｉｓ角點，以歸一化互相關（ｎｃｃ）作為匹配測度準則，結合一致性約束、外橄
線約束和視差約束對當前幀的左右影象對進行立體匹配。根據已匹配的特徵點對計算它們在金字塔中間層的位置，並在其周圍區域再次提取特徵點進行匹配，以實現更精確的特徵點匹配。最後，在金字塔底層重複該方法，得到穩定
的立體匹配點對。圖２對傳統ｈａｒｒｉｓ角點檢測演算法、改進後的演算法以及ｓｉｆｔ特徵檢測演算法在特徵點提取和匹配中
的效果進行比較。可見傳統ｈａｒｒｉｓ角點數日難以控制，每幅影象的１８２個特徵點多分布在紋理豐富的區域，而感興
趣區域中卻少有特徵點，一一些特徵點出現誤配。ｓｉｆｔ演算法雖然能在影象中提取出較穩定的１９１個特徵點並實現正確匹配，但在弱紋理區域仍很難檢測出特徵點，導致後續運動估計失敗。為方便比較，調整本文演算法的各閩值，在圖中提取１９２個特徵點並控制匹配點對數，由效果可 ，改進後的特徵點較均勻地分布在影象感興趣區域，且實現穩定的
匹配（ａ）傳統ｈａｒｒｉｓ角點槍測算法效果
（ｂ）ｓｉｆｔ特徵點榆測算法效果圖
（ｃ）本文演算法效果 『
圖２角點檢測演算法效果比較
１．２ 融合慣導資料先驗的特徵跟蹤
前後幀立體影象對之間準確的特徵跟蹤是實現運動估汁的必要前提。特徵跟蹤的任務仃點：１）實現前後幀影象問的特徵配，尋找前後幀間的刈應特徵點；２）根據已跟
蹤的特徵點，實現當前幀左右影象對間的立體匹配，根據
第８期李永佳，等：改進ｈａｒｒｉｓ特徵點的機械人定位演算法１３３
維重建計算其三維座標。由於前後幀間存在尺度、旋轉和光照等變化，外極線約束和視差約束難以適用，匹配搜尋視窗不易確定，給特徵跟蹤帶來很大困難。
為提高搜尋效率和跟蹤準確度，本文利用車載慣導資料，**特徵點跟蹤的搜尋視窗位置和大小，以ｎｃｃ作為匹配測度，結合誤配消除的約束條件，可達到良好的特徵跟蹤效能，跟蹤演算法框圖如圖３所示。
圖３特徵跟蹤演算法框圖
圖４為前後幀左影象間的特徵跟蹤示意圖，令ｉｊ１一
ｐｙｒｌ，ｌ１
一ｐｙｒ２為前一幀左圖的影象金字塔頂層和中間層，
ｌ２＿ｐｙｒｌ，ｌ２
ｐｙｒ２為當前幀左圖的影象金字塔頂層和中間
層，僅取其中的８個特徵點為例。ｌ１一ｐｙｒｌ中為待跟蹤點；１＿２＿ｐｙｒｌ中＋為慣導資料估計的跟蹤點，其矩形框為慣
導估計的跟蹤搜尋視窗；從矩形框的所有特徵點中尋找跟蹤點，用標記，與ｌ１一ｐｙｒｌ中構成跟蹤點對。將ｐｙｒｌ中的跟蹤點對對映到ｐｙｒ２中，用＋標記；在以＋為中心的矩
形框內提取特徵點，用標記；在對應的矩形框內尋找匹配度最高的跟蹤點對，用標記。同樣的方法應用在金字塔底層，得到穩定的跟蹤點對。最後去除多對一的誤配點對。
圖４特徵跟蹤示意圖
２實驗結果
實驗在室外真實環境中進行，車體在實驗場地中前進和旋轉，前進步長約３０ ｃｍ，旋轉角度約５。，裝有雙目相機
的車體每移動一步獲取一對左右影象幀。實驗中以全站儀
輸出的全域性車體座標作為車體位置的真值。
本文演算法融合不精確的車載慣導資料，在一定程度上克服慣導定位誤差累積的問題，對車體進行較為精確的定
位，兩組實驗結果如圖５（路徑１）、圖６（路徑２）所示。圖５（ａ）和圖６（ａ）表明：本文演算法的定位結果比慣導資訊的
定位結果更加接近車體的真實行進路線。從圖５（ｂ）與圖６（ｂ）中可以看出：本文演算法的定位結果比慣導定位結果更加準確。
圖５（ｃ）和圖６（ｃ）表明：本文演算法精度較高。機械人定位精度由估計點與真值間歐式距離的均方根（ｒｍｓ）表示 ７ｌ，如圖７所示，表明本文演算法定位精度明顯優於慣導定位精度。
本文演算法主要通過改進傳統ｈａｒｒｉｓ角點的提取策略與融合慣導資訊改進特徵點跟蹤策略２個方法提高機械人定位精度，圖８對不同的定位方法進行比較，比較十和ｏ，在慣導資訊的指導下，車體可以進行較準確的定位，由於改進後的ｈａｒｒｉｓ角點對影象的尺度、旋轉等變化具有較好的適
應性，且特徵點分布和數量可控，＋的定位結果優於ｏ。比較＋和 ，由於缺少慣導指導資訊，特徵點跟蹤的準確性
ｕｖ受到影響，定位誤差增大較快，甚至出現錯誤定位，也反映
了慣導資訊與雙目立體視覺資訊的融合，能夠降低傳統視覺定位演算法對影象紋理和實驗場景的依賴性。圖９計算出上述各種定位方法的位置誤差均方根，進一步說明各種方法的定位精度。
ｘ／ｍ（ａ）本文演算法車體定位與慣導資訊定位的比較
幀數（ｂ）本文演算法與慣導資訊每幀位置誤差比較鍵靶
影象幀號
（ｃ）車體單幀行進絕對誤差
圖５實驗一結果圖３結論
本文提出一種基於改進ｈａｒｒｉｓ特徵點的視覺自定位方法，提高特徵點提取和跟蹤的穩定性，為運動估計提供更可
咖ｌ３４
感測器與微系統
第３０卷
ｌ２日＼
甚＿１ｏ８
６４２一
ｌ２—１０
～８—６
—４—２０，ｍ
（ａ）本文演算法車體定位與慣導資訊定位的比較
１．４幀數
（ｂ）本文演算法與慣導資訊每幀位置誤差比較
影象幀號
（ｃ）車體單幀行進絕對誤差
圖６實驗二結果圖
１４１．２１０
褪０．８０ ６
０．４０ ２ｏ
路徑ｌ（１５．４２ｍ）路徑２（２３６０ｍ）
圖７本文演算法與慣導定位均方根誤差比較
２ ０姜１６
ｊ１１］ｊ
１２ｏ－ｓｏ４
幀數圖８不同定位方法位置誤差比較
靠的輸入，可有效避免特徵點特性對定位精度的影響，提高定位的準確性。
但演算法還有需要改進的地方，實驗環境主要是較為平坦的區域，且在處理紋理較弱的影象時，特徵跟蹤的精度會受到影響，導致車體定位不夠準確。可通過改進特徵描述符，使特徵對旋轉、尺度、亮度、視角等變化更具有適應性，
ｌ ４１ ２１ ０
燈０．８
譬０ ６咣０．４
咖０ ２
第８期孫如祥，等：多核ｃｐｕ下基因庫的多種群遺傳演算法ｌ３７
表１三種多種群演算法求解結果
比值相對較小，顯示了本文演算法在穩定性上的優勢。圖４
於遺傳操作運算元的方式。由實驗結果可知，提出的多種群為各演算法在求解時間上的相對值，對於相同的ｔｓｐ例項，本演算法在求解質量上有一定的提高，在效率上也具有很大的
文演算法對應的時間為１，求解時間約相當於傳統演算法的１／２，優勢，演算法考慮了多種群演算法中種群數量可控性較大的因證明了演算法的高效性。
素，當ｃｐｕ核心增加時，可以適當的增加種群，從而增大算１．ｏ６１．ｏ５法的並行性，因此，演算法也具有良好的可擴充套件性的優勢。１ ０４
參考文獻：
１．０３
曰】０２［１］武金瑛，王希誠．一種粗粒度並行遺傳演算法及其應用［ｊ］．計算
１．０１１．０ｏ
機力學學報
０．９９
圖３三種演算法解平均值與最優值比值
２．５０
莨２００
詈１５０
；０ ００
［５］王小平，曹立明．遺傳演算法一理論、應用與軟體實現［ｍ］，西
圖４三種演算法解求解時間比值
安：西安交通大學出版社
［６］楊
輝，康立山，陳毓屏．一種基於構建基因庫求解ｔｓｐ問題
４結束語
的遺傳演算法［ｊ］．計算機學報
本文設計了用於多核ｃｕｐ環境下的基於基因庫的多種
［７］鄒鵬，周智，陳國良，等．求解ｔｓｐ問題的多級歸約算
群演算法解決方案，該方案以求解ｔｓｐ有效性為出發點，在每
法［ｊ］．軟體學報
乙個ｃｐｕ核心中部署～個或多個種群，並在各種群中獨立
地執行遺傳演算法。與傳統的多種群遺傳演算法相比較，本文作者簡介：
演算法的主要特點在於種群間的資訊交流主要通過共享基因孫如祥（１９８３一），男，廣西北海人，碩士研究生，網路工程師，主庫的方式進行，而共享基因庫影響演算法的執行是通過作用
要研究方向為計算機網路技術，計算機教育。
（上接第１３４頁）
［１５］吳功偉．立體視覺里程計的關鍵技術研究［ｄ］．杭州：浙江大
學，２００７．
作者簡介：
李永佳（１９８６一），女，重慶人，碩士研究生，從事影象處理、計
算機視覺、機械人導航與控制方面的研究工作。
我發明的機械人
我發明的機械人如果有一天，我成為了發明家，我一定要發明乙個聰明的機械人。這個機械人，將是擁有世上頂級技術的仿人機械人 kj1號，這個機械人是我汗水的精華。這不，我要去實驗室了。來到家裡，傳送門就刷的一聲，把我送到了實驗室門口。一踏進實驗室，我的新助手就來告訴我，新型機械人已經組裝完成了。我一看，哇，...
聰明的機械人課件
第3課聰明的機械人 教學目標 1.學習設計機械手和製作機械人模型的方法，掌握機械立體形的畫法，能運用多種媒材進行機械人模仿造型活動。2.透過美術創造活動，學生的空間想象力逐步發展，對媒材的造型的適應性具有一定的認識能力，並能合理選擇和使用媒材。3.在小組合作學習中，感到合作的樂趣及團結合作的精神。教...
我想發明的機械人
一 學習目標 1.關注科技發展，展開奇特而又合理的想象，樂於參與口語交際，交流自己想發明什麼樣的機械人，並清楚明白地表達自己的意思。2.就自己感興趣的東西大膽想象，先說後寫，與同學交流後再修改。二 課前準備 介紹 智慧型機械人 的課件。畫一畫自己要發明的機械人的樣子，並簡單標註它的功能。三 教學過程...