论文部分内容阅读
机器人作为先进制造的关键支撑装备,对推动我国工业转型升级,打造制造业强国具有重要意义。机器视觉在感知环境、动态决策、行为控制等领域拥有举足轻重的地位。移动机器人由视觉传感器获取外界场景,通过提取图像特征来完成定位、跟踪、识别等任务。由于图像特征点数众多,特征向量维数庞大等问题,导致移动机器人对图像信息处理实时性不足,匹配度低下。鉴于此,本文基于微变镜头匹配距离趋于一致理论开展了对图像匹配效率及匹配度提升算法的研究工作。本文主要研究内容如下:（1）通过双目摄像头采集外界信息,抓取外界图景,利用VS2012+OpenCV平台对所抓取的双目图景进行SIFT特征提取并进行暴力匹配。暴力匹配下匹配度较低,本文利用RANSAC算法对匹配进行优化迭代,初步提升了匹配度。（2）在双目平行镜头下左右视场具备微变角度特性,因此匹配距离具备一致性。首先计算出暴力匹配的最大距离Lmax以及最小距离Lmin,接着利用匹配距离与最大距离满足L（28）k*Lmax（其中k为尺度因子,K∈[0,1]）关系,对尺度因子k调整则能够实现特征截留,对截留的特征点匹配并RANSAC迭代,在尺度因子适宜条件下能够使匹配度达到100%。（3）利用PCA降维方法对SIFT特征向量降维处理,降低特征向量维数,减少运算数据量,从而实现效率提高。实验结果表明匹配度随着维数上升呈正相关变化,但利用改进DISRANSAC算法匹配度均保持在97%以上;30维时匹配效率整体提升8.25%,DISRANSAC算法提升28.46%。（4）在MATLAB环境下对LLE和PCA做了特征降维图像匹配对比分析,利用控制变量法对LLE各参数进行了深入分析。实验数据表明LLE邻域点对降维效率影响剧烈,导致降维可能无法达到提高效率的目的。（5）本文将特征向量降维方法利用在图像拼接以及场景识别中。图像拼接实验中PCA相较于LLE算法更优越,PCA降维特征点保留数量以及效率均超越LLE算法。场景识别实验中利用PCA对特征向量降低至30维,实验结果显示降维使得场景识别率提升了28.125%,识别效率提升24%,充分证明降维方法具备良好的鲁棒性。