白艷玲

（鄭州鐵路職業(yè)技術(shù)學(xué)院軟件學(xué)院，河南鄭州451460）

現(xiàn)階段主要依靠人工方式檢測和排除礦山井筒設(shè)施故障［1］。隨著計(jì)算機(jī)圖像處理技術(shù)的飛速發(fā)展，基于礦山井筒視頻場景實(shí)時拼接的故障點(diǎn)智能檢測技術(shù)日漸得到研究和應(yīng)用［2］。為對礦山井筒故障進(jìn)行有效檢測，有必要首先對井筒視頻圖像進(jìn)行精確配準(zhǔn)［3-4］。目前，主要有基于灰度信息、基于優(yōu)化策略、基于特征的圖像配準(zhǔn)算法，其中基于灰度信息的配準(zhǔn)算法實(shí)現(xiàn)簡單，但計(jì)算量巨大，對于非線性形變的井筒視頻圖像配準(zhǔn)效果不理想；基于優(yōu)化策略的配準(zhǔn)算法可以對待搜尋區(qū)域的所有點(diǎn)進(jìn)行搜尋，但計(jì)算量大；基于特征的配準(zhǔn)算法盡管效果較好，但不具備旋轉(zhuǎn)縮放不變特性［5-7］。Sift算法和Harris角點(diǎn)檢測算法為2種典型的基于特征的配準(zhǔn)算法。其中，Sift算法運(yùn)算復(fù)雜、處理速度極慢，對于寬幅影像，難以進(jìn)行處理或進(jìn)行實(shí)時應(yīng)用［8-9］。Harris角點(diǎn)檢測算法由于計(jì)算簡單，不易遭受光照、旋轉(zhuǎn)、噪聲影響，可以有效彌補(bǔ)Sift算法的不足［10］。因此，本研究對Sift算法進(jìn)行適當(dāng)改進(jìn)，并用于井筒視頻圖像實(shí)時配準(zhǔn)。

1 改進(jìn)Sift算法

1.1 Sift算法配準(zhǔn)原理

Sift算法作為一種以特征為基礎(chǔ)的配準(zhǔn)方法，包括特征點(diǎn)提取及精確定位、描述子生成及相似性度量匹配等步驟，具體實(shí)現(xiàn)流程如圖1所示。

（1）特征點(diǎn)提取及精準(zhǔn)定位。Sift算法采用高斯核函數(shù)實(shí)現(xiàn)圖像尺度變化，計(jì)算圖像與不同尺度空間的高斯差分圖像形成DoG形式的金字塔結(jié)構(gòu)［11-12］。對金字塔結(jié)構(gòu)的尺度空間進(jìn)行局部極值檢測時，可將每個像素點(diǎn)與同一層相鄰的8個像素點(diǎn)以及上下層18個相鄰像素點(diǎn)進(jìn)行比較，從而確定極值像素點(diǎn)。在尺度空間上，進(jìn)行DoG算子的泰勒級數(shù)展開，進(jìn)而對關(guān)鍵點(diǎn)的位置和尺度進(jìn)行精確定位。

（2）構(gòu)造描述子并進(jìn)行特征匹配。為保證特征點(diǎn)滿足旋轉(zhuǎn)和縮放不變要求，采用每個關(guān)鍵點(diǎn)周圍鄰域的梯度模值及方向進(jìn)行特征描述。即：首先對坐標(biāo)軸進(jìn)行旋轉(zhuǎn)，依據(jù)關(guān)鍵點(diǎn)的方向、尺度以及位置，以特征點(diǎn)為中心，選取周圍1個大小為16×16區(qū)域，將該區(qū)域劃分為4個大小均等的小區(qū)域，并對每個小區(qū)域進(jìn)行計(jì)算，形成梯度直方圖。Sift算法一般采用最鄰近距離法進(jìn)行特征匹配，該方法根據(jù)最近鄰特征點(diǎn)與次鄰近特征點(diǎn)的歐氏距離比值實(shí)現(xiàn)特征點(diǎn)匹配，而后基于RANSAC算法提取匹配點(diǎn)，消除誤匹配點(diǎn)，提高匹配精度。

1.2 Sift算法改進(jìn)

為有效克服Sift算法的缺陷，本研究利用Harris角點(diǎn)檢測方法對Sift算法進(jìn)行改進(jìn)，結(jié)合Forstner算子進(jìn)行角點(diǎn)精確定位，并利用Ransac法和隨機(jī)K-D樹完成特征點(diǎn)匹配。

1.2.1 基于Harris角點(diǎn)檢測的Sift算法改進(jìn)

本研究采用多尺度Harris角點(diǎn)檢測方法改進(jìn)Sift算法，根據(jù)尺度信息的Harris角點(diǎn)并結(jié)合8鄰域相似像素?cái)?shù)目，在運(yùn)算前剔除非角點(diǎn)；而后計(jì)算目標(biāo)像素點(diǎn)與相鄰8鄰域內(nèi)像素點(diǎn)灰度差絕對值，通過設(shè)定閾值，并與計(jì)算獲得的灰度差絕對值進(jìn)行比較，確定Harris角點(diǎn)。

1.2.2 基于Forstner算子的角點(diǎn)定位

Forstner算子具有精度高、運(yùn)算速度快的特點(diǎn)，基本思想為獲得候選點(diǎn)，以此為中心，構(gòu)建最佳窗口，并對最佳窗口內(nèi)通過每個像素的邊緣直線進(jìn)行加權(quán)中心化處理，從而進(jìn)行精確定位。若基于Sift算法獲得的角點(diǎn)滿足Forstner算子的最佳窗口中心點(diǎn)要求，可將其作為最佳窗口中心點(diǎn)，并對其進(jìn)行加權(quán)中心化處理和精確定位。最佳窗口內(nèi)任一像素點(diǎn)（x，y）所在的邊緣直線可表示為

式中，ρ為坐標(biāo)原點(diǎn)（最佳窗口左上角的像素）與直線的垂直距離；θ為梯度角，θ=arctan(gxgy)，gx、gy為像素點(diǎn)（x，y）的Robert梯度。

設(shè)角點(diǎn)坐標(biāo)為（x0,y0），v為像素點(diǎn)（x,y）到直線的垂直距離，則像素點(diǎn)（x，y）處的誤差方程為

將坐標(biāo)原點(diǎn)到邊緣直線的距離ρ視為觀測值，邊緣直線保持方向不改變，對上式法化，可得：

求解式（3），即可獲得角點(diǎn)坐標(biāo)(x0,y0)。

1.2.3 基于KD樹算法的特征點(diǎn)搜索

對于Sift算法，特征描述完畢后，需要進(jìn)行特征點(diǎn)匹配，即尋找到2幅影像中特征點(diǎn)之間的對應(yīng)關(guān)系。由于Sift描述子具有高維特點(diǎn)，本研究采用隨機(jī)KD樹算法進(jìn)行搜索，即首先生成m個具有不同結(jié)構(gòu)的KD樹，并在搜索階段，基于統(tǒng)一優(yōu)先隊(duì)列，對多個隨機(jī)KD樹進(jìn)行搜索，完成后獲得初始最近鄰候選點(diǎn)，并對所有候選點(diǎn)通過1個隊(duì)列統(tǒng)一進(jìn)行節(jié)點(diǎn)排序［11-12］。

1.2.4 參數(shù)求解

為滿足圖像旋轉(zhuǎn)、平移、縮放變換等要求，本研究采用基于8參數(shù)的投影變換模型進(jìn)行處理。圖像投影變換含有8個未知參數(shù)，需要至少4對特征點(diǎn)構(gòu)建方程組方可求解相關(guān)參數(shù)。為此，本研究首先采用RANSAC算法進(jìn)行特征點(diǎn)提取，消除錯誤的匹配點(diǎn)；然后構(gòu)建誤差方程，基于最小二乘法進(jìn)行參數(shù)求解。

2 試驗(yàn)分析

本研究井筒圖像來源于山西潞安某煤礦視頻監(jiān)控系統(tǒng)，采用3組采樣頻率為150幀的圖像進(jìn)行算法測試。為確保圖像旋轉(zhuǎn)單一性以及穩(wěn)定性，在礦山井筒視頻圖像采集過程中，相鄰幀不具有旋轉(zhuǎn)變化特征，僅在水平以及垂直位移方面產(chǎn)生微小尺度變化。為詳細(xì)測試本研究改進(jìn)Sift算法的性能，分別從匹配精度、功耗、耗時等方面與Sift算法進(jìn)行對比分析。2種算法在CPU為2.4 G雙核、內(nèi)存為4 G的PC機(jī)程序上運(yùn)行。相比于攝像機(jī)，礦山井筒內(nèi)纜繩固定不動，故而本研究中纜繩匹配可忽略，試驗(yàn)結(jié)果見圖2～圖4以及表1～表3所示。

分析表1可知：試驗(yàn)次數(shù)一定時，Sift算法在匹配對數(shù)為125時，匹配準(zhǔn)確率高達(dá)89%以上；匹配對數(shù)為70時，精確度最低，低于80%，不利于大范圍應(yīng)用；改進(jìn)的Sift算法在匹配對數(shù)為70時，匹配精度最高，大于98%；匹配對數(shù)為125時，準(zhǔn)確率最低，大于96%。

由表2可知：在相同試驗(yàn)次數(shù)條件下，Sift算法的匹配能耗最高為108 J，最低為74 J，整體均值約為87.8 J；改進(jìn)Sift算法的匹配能耗最高為66 J，最低為60 J，整體均值約63.1 J。

由表3分析可知：5次試驗(yàn)中，采用Sift算法對3組圖像進(jìn)行匹配的平均耗時為5.6 s，采用改進(jìn)Sift算法對3組圖像進(jìn)行匹配時，平均耗時僅為3.5 s。

3 結(jié)語

為實(shí)現(xiàn)礦山井筒圖像實(shí)時精確配準(zhǔn)，提出了一種改進(jìn)型Sift配準(zhǔn)算法，該算法以Harris角點(diǎn)檢測代替Sift算法的極值檢測部分，采用Forsnter算子對提取點(diǎn)進(jìn)行精確定位，利用Sift算法的特征描述方式對提取點(diǎn)進(jìn)行描述，并利用Ransac法和隨機(jī)K-D樹完成特征點(diǎn)匹配。試驗(yàn)表明，相對于Sift算法，改進(jìn)Sift算法在匹配精度、匹配功耗、匹配耗時等方面均有一定的優(yōu)勢。