·420 智能系统学报 第9卷 环境中进行定位与导航还存在诸多问题。造成这一 12或9，分别对应FAST-12与FAST-9检测算法。 现象的根本原因在于如何在未知环境中获取自然特 在实际操作中，为了获得更快的结果，还可以采 征。所谓自然特征，是指环境中已有的、非人工设置 用一种加速办法。该方法首先测试候选点周围每隔 的、能够用以标识不同环境场景的特征对象[)。通 90°角的4个点，即图1(c)中位于水平与垂直位置 过提取一些具备局部不变性的角点作为环境的自然 的1、5、9和13四点，如果至少有3个和候选点的灰 特征，该方法选取的自然路标有非常好的稳定性，因 度值差足够大，则继续计算其他12个点：否则，不用 此角点检测也是机器人导航的热点问题之一[，也 再计算其他点，直接认为该候选点不是特征点。 出现了一些较好的角点检测方法。FAST(features from accelerated segment test)是一种运算简单直观 的角点检测方法，相关测试表明，FAST在计算速度 上优于SIFT、SURF和Harris等角点检测方法[)。 为此，笔者一方面采用改进的FAST算法[6来提取 角点，剔除了大部分边缘点和局部非极大值点：另一 方面，针对误匹配剔除，采用结合扩展卡尔曼滤波 (extended Kalman filter,EKF)的一点RANSAC算 法)。RANSAC算法是一种应用广泛的误匹配剔 除算法，但该算法随着匹配，点个数增加，算法迭代次 数会迅速上升，降低了算法的计算速度。采用一点 RANSAC算法可以充分利用EKF预测阶段得到的 先验信息，在确保计算精度的同时，有效降低了算法 迭代次数。在整个实验过程中，机器人通过自身摄 8 像头，采用改进的FAST角点提取算法采集周围环 图1FAST角点提取流程 境信息，并结合EKF的一点RANSAC算法[对误匹 Fig.1 Process of FAST corner extraction 配点进一步剔除，获得鲁棒性更强的特征点，从而构 经过上述步骤后，会初步提取到一些角点，但这 建环境的地图信息，最后用得到的匹配点进行三维 些点中存在较多边缘点和局部非极大值点，采用文 环境重建和机器人定位。 献中的方法[6，可以剔除边缘点，如式(2)所示： 1FAST角点提取算法 (-I<t (2) FAST角点检测算子是Rosten和Drummond在 -w-1-l<1 SUSAN角点检测方法基础上利用机器学习原理提 式中：9为圆周上任意一点，1+1与1，-1为关于q对称 出的，其运算速度不仅大大高于SIFT、SURF算子 的2个点，从圆周任一点开始计算，若有大于10个点 更优于以速度见长的Harris算子。FAST角点检测 满足式(2)，则认为该点属于边缘点，予以剔除。 的原理是检测待检测点与周围点的灰度是否相近， 在剔除边缘点后，还要剔除局部非极大值点。 如图1(c)所示，即对待检测特征点p,最多只需检 通过计算角点候选点周围很小邻域内各像素点的拉 测16个候选特征点，大大减轻了计算量。图中每个 普拉斯值，进一步剔除一些局部非极大值点。此处 方格均代表一个像素，位于中心的p点为待检测特 局部极大值采用拉普拉斯极值计算公式为 征点，周围16个方格为检测过程中需检测的像素 L(x)=>(I(p)+I(q)-I(x)) (3) 点。角点的判断过程为：设I。为待检测点p的灰度 在Intel Pentium处理器、2G内存的硬件配置 值，1。为圆周上像素点的灰度值，x∈{1,2，…， 下，从视频中任取一帧640像素×480像素的图像利 16},对半径为3的圆上的像素进行分割测试，判定 用FAST角点检测算子进行检测，实验证明，同一帧 条件如式(1)： 图像在FAST算法改进前后的提取结果有较大改 pw-Ip≥t (1) 变，如图1所示，改进前图1(a)一帧图像中的特征 如果满足判定条件的像素点数满足设定数量， 点个数为4704，改进后图1(d)特征点个数为1 则判定p点为角点，其中，t为设定的阈值，n一般为 526,这是因为改进后的算法滤掉了部分伪角点，留环境中进行定位与导航还存在诸多问题遥 造成这一 现象的根本原因在于如何在未知环境中获取自然特 征遥 所谓自然特征袁是指环境中已有的尧非人工设置 的尧能够用以标识不同环境场景的特征对象咱猿暂 遥 通 过提取一些具备局部不变性的角点作为环境的自然 特征袁该方法选取的自然路标有非常好的稳定性袁因 此角点检测也是机器人导航的热点问题之一咱源暂 袁也 出现了一些较好的角点检测方法遥 云粤杂栽 渊 枣藻葬贼怎则藻泽 枣则燥皂 葬糟糟藻造藻则葬贼藻凿 泽藻早皂藻灶贼 贼藻泽贼冤是一种运算简单直观 的角点检测方法袁相关测试表明袁云粤杂栽 在计算速度 上优于 杂陨云栽尧 杂哉砸云 和 匀葬则则蚤泽 等角点检测方法咱缘暂 遥 为此袁笔者一方面采用改进的 云粤杂栽 算法咱远暂 来提取 角点袁剔除了大部分边缘点和局部非极大值点曰另一 方面袁针对误匹配剔除袁采用结合扩展卡尔曼滤波 渊藻曾贼藻灶凿藻凿 运葬造皂葬灶 枣蚤造贼藻则袁 耘运云冤 的一点 砸粤晕杂粤悦 算 法咱苑暂 遥 砸粤晕杂粤悦 算法是一种应用广泛的误匹配剔 除算法袁但该算法随着匹配点个数增加袁算法迭代次 数会迅速上升袁降低了算法的计算速度遥 采用一点 砸粤晕杂粤悦 算法可以充分利用 耘运云 预测阶段得到的 先验信息袁在确保计算精度的同时袁有效降低了算法 迭代次数遥 在整个实验过程中袁机器人通过自身摄 像头袁采用改进的 云粤杂栽 角点提取算法采集周围环 境信息袁并结合 耘运云 的一点 砸粤晕杂粤悦 算法咱苑暂对误匹 配点进一步剔除袁获得鲁棒性更强的特征点袁从而构 建环境的地图信息袁最后用得到的匹配点进行三维 环境重建和机器人定位遥 员摇 云粤杂栽 角点提取算法 云粤杂栽 角点检测算子是 砸燥泽贼藻灶 和 阅则怎皂皂燥灶凿 在 杂哉杂粤晕 角点检测方法基础上利用机器学习原理提 出的袁其运算速度不仅大大高于 杂陨云栽尧杂哉砸云 算子袁 更优于以速度见长的 匀葬则则蚤泽 算子遥 云粤杂栽 角点检测 的原理是检测待检测点与周围点的灰度是否相近袁 如图 员渊糟冤所示袁即对待检测特征点 责袁 最多只需检 测 员远 个候选特征点袁大大减轻了计算量遥 图中每个 方格均代表一个像素袁位于中心的 责 点为待检测特 征点袁周围 员远 个方格为检测过程中需检测的像素 点遥 角点的判断过程为院设 陨责 为待检测点 责 的灰度 值袁 陨责寅曾 为圆周上像素点的灰度值袁 曾 沂 喳员袁圆袁噎袁 员远札袁 对半径为 猿 的圆上的像素进行分割测试袁 判定 条件如式渊员冤院 陨责寅曾 原 陨责 逸 贼 渊员冤 摇 摇 如果满足判定条件的像素点数满足设定数量 灶袁 则判定 责 点为角点袁其中袁 贼 为设定的阈值袁 灶 一般为 员圆 或 怨袁分别对应 云粤杂栽鄄员圆 与 云粤杂栽鄄怨 检测算法遥 在实际操作中袁为了获得更快的结果袁还可以采 用一种加速办法遥 该方法首先测试候选点周围每隔 怨园毅角的 源 个点袁即图 员渊糟冤中位于水平与垂直位置 的 员尧缘尧怨 和 员猿 四点袁如果至少有 猿 个和候选点的灰 度值差足够大袁则继续计算其他 员圆 个点曰否则袁不用 再计算其他点袁直接认为该候选点不是特征点遥 图 员摇 云粤杂栽 角点提取流程 云蚤早援员摇 孕则燥糟藻泽泽 燥枣 云粤杂栽 糟燥则灶藻则 藻曾贼则葬糟贼蚤燥灶 摇 摇 经过上述步骤后袁会初步提取到一些角点袁但这 些点中存在较多边缘点和局部非极大值点袁采用文 献中的方法咱远暂 袁可以剔除边缘点袁如式渊圆冤所示院 陨责寅曾 原 陨择垣员 约 贼 陨责寅曾 原 陨  择原员 约 贼 渊圆冤 式中院 择 为圆周上任意一点袁 陨择垣员 与 陨择原员 为关于 择 对称 的 圆 个点袁从圆周任一点开始计算袁若有大于 员园 个点 满足式渊圆冤袁则认为该点属于边缘点袁予以剔除遥 在剔除边缘点后袁还要剔除局部非极大值点遥 通过计算角点候选点周围很小邻域内各像素点的拉 普拉斯值袁进一步剔除一些局部非极大值点遥 此处 局部极大值采用拉普拉斯极值计算公式为 蕴渊曾冤 越 坌渊 移责袁择冤 渊陨渊责冤 垣 陨渊择冤 原 陨渊曾冤冤 渊猿冤 摇 摇 在 陨灶贼藻造 孕藻灶贼蚤怎皂 处理器尧圆 郧 内存的硬件配置 下袁从视频中任取一帧 远源园 像素伊源愿园 像素的图像利 用 云粤杂栽 角点检测算子进行检测袁实验证明袁同一帧 图像在 云粤杂栽 算法改进前后的提取结果有较大改 变袁如图 员 所示袁改进前图 员渊葬冤一帧图像中的特征 点个数为 源 苑园源袁改进后图 员渊凿冤 特征点个数为 员 缘圆远袁这是因为改进后的算法滤掉了部分伪角点袁留 窑源圆园窑 智 能 系 统 学 报摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇 第 怨 卷