基于SURF特征點的包裝空間雙目視覺定位研究

祁曉玲

（山西鐵道職業技術學院，太原 030024）

0 引言

復雜環境下的目標包裝物有效識別研究對于社會工業生產、環保以及物流領域均有非常重要的意義。多自由度的機械臂以其多元化功能被廣泛應用于各個領域［1］。復雜環境下的目標包裝物有效識別是機械臂精確定位作業的基礎，傳統的視覺定位通常采取單眼機器視覺的方式［2］，在識別效果上的精度較差，并且對于復雜環境的特征提取具有較大的局限性。環保垃圾撿拾機械臂所作業的環境更為復雜，對計算機機器視覺的技術應用提出更高的要求，包裝定位的機器視覺需求也更高［3］。機器視覺系統構建包括：機械與控制系統、精密光學相機和系列化視覺標定算法等多個方面［4］。

SURF全稱為加速魯棒特征，基于SIFT衍生而來，SURF相較于SIFT可以更快進行算法計算，并且在圖像平移、亮度變化以及尺寸凸顯等方面較大程度地提高運算效率與穩定。本文基于針孔成像原理，通過雙目相機標定的方法，以復雜環境下的目標包裝物的視覺定位檢測過程為研究對象，分析歸納包裝過程難點，通過利用高精準的SURF局部特征點的定位與提取，整理出1套具有科學性的復雜環境下的雙目視覺定位技術。相較于單眼識別定位方法，降低空間識別誤差，為智能識別復雜空間中的包裝系統構建提供支持。

1 雙目視覺系統建模分析

1.1 針孔成像模型

針孔成像模型建模的核心作用是將三維空間模型轉化為二維圖像，模擬人眼將三維模型中的空間坐標映射成為二維圖像坐標［5］。模型建立的坐標主要包括世界坐標系、相機坐標系、圖像坐標系以及像素坐標系［6］。各類坐標系模型的位置關系如圖1所示。世界坐標系的點P經小孔Oc投影形成圖像坐標系，并經相機轉化構建出圖像像素坐標。

圖1 針孔坐標系模型原理圖Fig.1 Schematic diagram of pinhole coordinate system model

圖中X與Y軸分別同相機CCD傳感器定位軸平行，相機軸向同坐標系方向保持一致，U軸同X軸，V軸與Y軸分別保持平行。以CCD傳感器的標注方向為向量方向，分別記物理向量為dX和dY，單位為米/像素。圖像坐標系向像素坐標系轉化的關系如式（1）所示。

相機坐標系與圖像坐標系在針孔成像模型上進行架構，得到兩坐標轉換關系如式（2）所示，f為平面到小孔的距離，ω為深度距離。

世界坐標系與像素坐標系的轉化關系如式（3）所示，R為旋轉矩陣，t為平移向量。

1.2 雙目相機標定

雙目標定的基礎是要明確相機內部參數與位置間的關系，而相機間的內部參數如式（4）所示，Sx為相機的偏斜系數。

雙目視覺系統基于單眼設計的基礎而建立［7］，其關系如圖2所示。

圖2 雙目視覺原理圖Fig.2 Schematic diagram of binocular vision

雙目視覺系統是2個相機在同1個世界坐標系下構建，以確定物體的位置，而未通過旋轉矩陣與平移向量以實現圖像的標定。

將外相機移動方向之間的夾角記作視角α，標識平行于地面方向的長度記作L，左相機距標

識平面的垂直距離記作u0。在相機進行圖像拍攝時，相機距標識平面左邊沿對應軸方向的最小距離wt需滿足公式（5）。

2 SURF 局部特征提取研究

在整個復雜環境下目標包裝物的定位中，首先對目標包裝物進行精確有效地識別；隨后在圖像檢測上，對特定的位置進行特征的精確抓取、標定［7］；最后機械臂對目標包裝加以抓取。對圖像進行處理是視覺技術的基礎，局部特征是對圖像有效信息抓取的關鍵，SURF是局部特征抓取的主要方式，具有可重復性、可區別性以及識別性強的特征［8］。SURF在局部特征提取上包括特征點的選擇與描述子2部分。

2.1 提取SURF 特征關鍵點

SURF特征提取的主要流程如圖3所示［9］。首先通過終端設備對圖像進行采集，實現圖像素材的輸入；然后在Hessian矩陣的轉化下得到高斯圖像，確定圖像中包裝物等雜物同環境背景的差異，標識關鍵點及其方向；最后明確SURF中的局部特征與特征方向，實現SURF特征圖像的輸出。

圖3 SURF算法流程圖Fig.3 Flow chart of SURF algorithm

對SURF局部特征的圖像尺度，采取圖像高斯金字塔的方式來對圖像環境差異變化進行關鍵點的提取，而后進行濾波，得到平滑性圖像。圖像中的像素點x=（x，y），在x處的尺度關系，表示為Hessian矩陣如下式所示。

其中，Lxx（x，σ）為圖像中x處的高斯二階導數，Lxy（x，σ）為圖像中x與y處分別求得的高斯二階導數，Lyy（x，σ）為圖像中y處的高斯二階導數。SURF特征提取中精簡了差分運算，進而可加快圖像的計算效率。圖像中的像素表達轉化為數字表達，通過模板的方式轉化，經Hessian矩陣卷積與平滑處理后，得到如圖4所示的結果。

圖4 圖像積分模板Fig.4 Integral template of image

2.2 構造SURF特征描述子

在完成SURF特征描述的基礎上，對圖像周邊提箱信息核心關鍵點加以提取，被稱為圖像特征的描述子。SURF 特征描述子處理的目的是在圖像抓取過程中，對環境中的各類影響圖像信息的干擾因素加以排除［10］。圖像處理算法的核心步驟是先對圖像進行像素的增強，在保證圖像質量的基礎上，再降低圖像處理算法的復雜性。

在復雜環境下的目標包裝物定位算法驗證前，需對包裝物體輪廓進行圖像加強凸顯，保證被標定邊的特征可以被有效抓?。?1］。保邊濾波相較于傳統的去SURF特征描述子方法可以將原先的邊框加以平整化處理，將外輪廓有效地突出，對不同類型的邊緣細節進行有效地平滑過渡，使其像素表現更為平整有效，明確不同物體邊緣的保持狀態。SURF 特征描述子結果標注前后圖像如圖5和圖6所示。

圖5 相機終端采集實景拍攝圖Fig.5 Real scene snap of camera terminal acquisition

圖6 SURF 特征描述子標注示意圖Fig.6 Schematic diagram of SURF feature descriptor annotation

采取SURF特征描述子可以實現對目標的邊緣進行有效地標注，使整體的圖像顯示較為模糊。通過SURF特征描述子可使得復雜環境下的目標包裝物的邊緣被有效地保留，而且對于目標包裝的背景以及包裝上相應的紋理加以平滑處理。

3 基于標識的雙目視覺室內定位系統

在完成圖像雙目視覺標識定位的基礎上，對復雜環境下的目標包裝物進行精準化定位標定，具體過程：通過工業相機的拍攝對被標定物精確定位，明確復雜環境下的目標被抓取物的邊框，并對圖像中多余的邊框部位加以及時地背景剔除，使得可以通過機械臂實現目標物的精確抓?。?2］。

在目標包裝物定位過程中，需明確目標包裝物區域邊角的坐標點，滿足后續抓取機械對于精準定位參數的要求。結合現有的視覺算法，通過SURF特征進行圖像邊緣檢測，如圖7所示。

圖7 雙目視覺標定流程示意圖Fig.7 Schematic diagram of flow chart of binocular vision calibration

結合項目實踐經驗可知，在目標包裝物的定位算法中，利用SURF特征可以有效地將目標包裝物的外輪廓加以定位，圖像要素均可以被有效提取，在結合形態學以及處理后，系統中大部分冗余的噪聲可以被有效地清除。復雜環境下的目標包裝物定位算法的核心是對包裝系統的紋理特征頻段加以信息強化，使得外部邊緣信息可以被有效地放大與加強，保證核心的大部分外紋理被顯示出來。對采集后的外邊輪廓進行數值標定；明確外邊緣尺寸參數范圍取值。采用SURF對照程序對原圖與經雙目視覺定位的圖像比較，可實現對復雜環境下的目標包裝物的外輪廓精確定位，達到預期設定的目標。

4 雙目視覺定位算法結果分析

圖像雙目視覺標識定位在經過特征提取分析后，對目標包裝物實現有效地標定，雙目視覺標定在單目視覺標定上進行二重標定。結合目標包裝物的標定點數量統計，對與實際世界坐標系下標定點誤差在10%內的點數量進行統計，雙目視覺標定與單目視覺標定的位置曲線如圖8所示。

圖8 單雙目視覺標定點誤差10%內的點數對照圖Fig.8 Comparison of points within 10% error of binocular vision calibration points

雙目視覺的特征點數量明顯多于單目視覺。對圖像中的SURF局部特征點進行強化，利用圖像間的幾何關系，定位效果更加有效。在像素坐標的確定上，基于標定包裝物色塊與周邊環境的差異性進行像素坐標識別，最終轉化為圖像中的SURF局部特征點坐標，實現像素向標點計算機語言的轉化。對單雙目的橫縱坐標定位誤差值，即CDF值進行統計，結果如圖9所示。

圖9 單雙目視覺標定點CDF統計對照圖Fig.9 Statistical comparison diagram of CDF of binocular vision calibration points

采取雙目視覺定位可以有效降低CDF誤差定位的特征點數量，定位更加精準。SURF采集的圖像坐標是在傅里葉變換的基礎上，對圖像頻譜進行信號分解，技術優勢在于強化包裝邊緣的像素差異檢測，通過濾波計算將信號實現精準化提取，進而得到視覺中標定物的數據信息。

5 結語

隨著智能化識別技術的不斷發展，在復雜空間下的包裝物識別已成為包裝領域的研究熱點。本文利用針孔成像的原理，通過雙相機疊加進行SURF特征點的提取，經過SURF算法的特征點描述實現目標包裝物定位，最終對包裝的特征進行視覺處理，實現對包裝物的像素坐標識別。通過對目標包裝進行SURF的單雙目視覺標定，結果表明，采取雙目識別，可有效實現機器視覺對復雜環境下目標包裝物的標定，較單目識別定位CDF值降低了約46%，識別定位更精準、有效。