KAZE算法在巡线机器人障碍物检测中的应用

张 蒙

(河海大学 文天学院电气信息工程系，安徽 马鞍山 243000)

KAZE算法在巡线机器人障碍物检测中的应用

张 蒙

(河海大学 文天学院电气信息工程系，安徽 马鞍山 243000)

巡线机器人障碍物检测技术是计算机视觉与自主巡检系统的研究热点之一，对保证输电系统安全可靠运行具有重要意义．传统的检测算法鲁棒性低，不能适应复杂环境下障碍物的检测要求．针对以上问题，提出一种基于KAZE算法的巡线机器人障碍物检测方法，该算法在非线性尺度空间中进行特征点提取，利用最近邻匹配准则和RANSC算法对由M-SURF算法生成的特征向量进行检测．实验结果表明，基于KAZE算法的巡线机器人障碍物检测效果较好，具有良好的的鲁棒性．

KAZE算法；巡线机器人；障碍物检测；鲁棒性

输电线路作为传送电力的重要设备，其安全运行关系到电力系统的可靠性．常用的人工巡检方式工作量大、效率低，存在漏检和误检现象[1-2]．巡线机器人的出现使输电线路的检测有了新方法，要想高效高质量完成巡检任务，需要深入研究设计越障机构、检测识别障碍物、定位电力线故障、运动控制、自主导航等内容[3-4]．其中检测识别障碍物是指机器人在线路带电情况下沿相线或地线爬行时，自主识别防震锤、耐张线夹、悬垂线夹、杆塔等障碍，从而提高自主巡检的可靠性和准确率．自主识别障碍物中，图像匹配算法是关键技术，匹配算法的合适与否，将直接影响障碍物类型的判断[5-6]．

常用的特征匹配算法，如Harris、SIFT、SURF等算法，在一定程度上均能得到较好的检测结果，但并不适合复杂背景下巡线机器人的障碍物检测与识别．

鉴于此，本文提出了将KAZE算法应用到巡线机器人中，以增强系统检测的鲁棒性，有利于提高整个机器人导航的精度、灵敏度．

KAZE算法是基于非线性尺度空间的特征点检测算法[7]，相对于 Harris、SIFT等传统算法，其鲁棒性、局部精度及匹配性能更高，具有尺度、仿射、视角、光照不变性, 在目标的运动、遮挡、噪声等因素影响下也能保持较好的检测效果，适合于巡线机器人的障碍物图像背景复杂的特点．

1 KAZE特征点检测

KAZE算法是基于非线性尺度空间的算法，其特征点检测主要包括4个步骤：构造非线性尺度空间、非线性尺度空间特征点的检测、特征点精确定位、特征向量符生成[7]．

1.1 非线性尺度空间的构造

尺度空间理论最早出现于计算机视觉领域，其目的是模拟图像数据的多尺度特征，主要思想是将图像与某种变换核进行卷积运算，得到基于该变换的图像序列．

KAZE算法首先进行高斯卷积，降低图像噪声、几何变形和辐射畸变等干扰；再计算图像的梯度直方图以得到非线性扩散方程中控制扩散级别的对比度参数 k，确定边缘信息保留量；最后根据尺度参数时间t构造非线性空间，利用AOS算法求解得到非线性尺度空间的所有图像[8]．

非线性扩散方程可由非线性偏微分方程

表达，其中u图像亮度div为散度算子，时间t为尺度参数，▽uσ为高斯滤波后的图像梯度，为传导函数

其中k是控制扩散级别的对比度参数，其值越小，保留的边缘信息越多．

在构建非线性尺度空间时，KAZE算法非线性尺度空间分为o组(octave),每组有 S层(level)，每组图像都采用和原始图像相同的分辨率．组数o、层数S与尺度参数σ的对应关系为

其中iσ为以像素为单位的尺度参数；σ0是尺度参数的初始基准值；N=o*S是整个尺度空间包含的图像总数．

由于Perona-Malik非线性扩散方程是以时间t为尺度参数的，需要将iσ转换为时间单位．在高斯尺度空间下，使用标准差为σ的高斯核对图像进行卷积，相当于对图像进行持续时间为的滤波，因此其转换公式为

只要使传导函数g()恒等于1(即g()是一个常量函数)，非线性尺度空间就等同于高斯尺度空间．而且随着尺度层级的提升，除了那些对应于目标轮廓的图像边缘像素外,大部分像素对应的传导函数值将趋于一个常量值．

1.2 非线性尺度空间的特征点检测

KAZE的特征点检测是通过寻找不同尺度的Hessian局部极大值点来实现的．Hessian矩阵的计算公式为

其中σ是尺度参数σi的整数值．在寻找极值点时，计算每一个像素点在各个层级的 Hessian行列式值，和它所有的相邻点比较，当其大于它的图像域和尺度域的所有相邻点时，即为极值点．理论上其比较的范围是当前尺度、上一尺度和下一尺度上的3个大小为σi×σi的矩形窗口．不过为了加快搜索速度，窗口大小固定为3×3，如图1所示，中间的点与它同尺度的8个相邻点以及上下相邻尺度对应的的9*2个点共26个点比较．

图1 特征点检测

1.3 特征点的精确定位

KAZE算法特征点的精确定位采用的是Lowe在BMVC2002提出的方法[11]，即通过空间尺度函数泰勒展开式以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点，以增强匹配稳定性、提高抗噪声能力．空间尺度函数[12]泰勒展开式为

对上式求导，并令其为 0，求解得到特征点的亚像素坐标

在已经检测到的特征点中，要去除低对比度的关键点，将式(7)代入式(6)，只取前两项可得

求出，导数由采样点相邻差估计得到．

U的主曲率和H的特征值成正比，设α为较大的特征值，β为较小的特征值，则

令α=γβ，则

1.4 特征向量符生成

1.4.1 特征点主方向确定

特征点的尺度参数为iσ，则对其半径为6iσ的搜索圈内所有邻点的一阶微分值ux和uy进行高斯加权，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小；将这些微分值视作向量空间中的点集，在一个角度为 60°的扇形滑动窗口内对点集进行向量叠加，遍历整个圆形区域(如图2所示)获得最长向量的角度就是主方向．

图2 特征点主方向确定

1.4.2 构造特征描述向量

利用M-SURF算法[13-14]，具体方法如下：对于尺度参数为σi的特征点，在梯度图像上以特征点为中心取一个 24σi×24σi的窗口，并将窗口划分为 4×4 个子区域，每个子区域大小为 9σi×9σi，相邻的子区域有宽度为2σi的交叠带．每个子区域都用一个高斯核(σ1=2.5σi)进行加权，然后计算出长度为4的子区域描述向量：

再通过另一个大小为4×4的高斯窗口(σ2=1.5σi)对每个子区域的向量dv进行加权并进行归一化处理，去除光照影响．因此，对每一个特征点，形成4×4×4=64维的描述向量．

1.5 特征向量匹配

生成KAZE特征向量后进行特征匹配．对巡线机器人障碍物图像而言，希望能确定尽量多的、比较精确且分布均匀的关键点，然后通过数据拟合来减少整体误差．依照 Lowe[12]的思路，首先如果特征点最近邻与次近邻的欧氏距离之比小于某个阈值，则接受这一对匹配点．其次采用模型参数鲁棒估计的RANSAC算法，利用特征集合的内在几何约束关系进一步剔除错误的匹配点．

2 实验结果及分析

实验使用主频3.6 GHz的win7电脑，实验环境为VS2010．为充分验证KAZE算法在巡线机器人障碍物检测应用中的优越性能，本文选用60幅不同类型的障碍物图像对(绝缘子、防震锤、悬垂线夹)与SIFT算法进行对比实验，图像均受不同程度的亮度、噪声、旋转、缩放以及视点变化的影响且背景复杂．4组实验结果图像大小均为470×500，第1组为光照影响下的绝缘子的检测结果见图3，第2组为向右旋转10°后绝缘子的检测结果见图4，第3组为水平拉伸1.2倍后绝缘子的检测结果见图5，第4组为向左旋转5°水平拉伸1.1倍后绝缘子的检测结果见图6．

图3 第1组光照影响下检测结果对比

图4 第2组旋转变化下检测结果对比

图5 第3组尺度变化下检测结果对比

图6 第4组旋转尺度变化下检测结果对比

实验表明，在背景复杂且障碍物图像存在各种畸变的情况下，KAZE算法能提取较多的特征点，为巡线机器人后续的立体匹配奠定基础，更准确地实现障碍物的检测．在匹配率方面，光照、旋转影响下SIFT和KAZE算法均表现良好，但在尺度变化及多种因素综合影响下，KAZE算法的匹配率均高于SIFT算法，鲁棒性更好，在60幅障碍物实验中KAZE算法的平均匹配率达85%以上，将KAZE算法应用于巡线机器人中能够有效提高机器人的自主导航与避障的可靠性与准确率．图3～图6实验的详细数据见表1．

表1 绝缘子检测结果对比

4 结语

本文提出了将KAZE算法应用于巡线机器人应用的方法，该方法在非线性尺度空间中提取障碍物的特征点，其次利用M-SURF算法生成特征向量，最后通过最近邻准则和RANSC算法进行特征向量匹配，从而获得检测结果．实验结果表明，该方法具有鲁棒性好、匹配率高等特点，对巡线机器人的障碍物检测能达到较好的结果．

[1]KATRASNIK J, PERNUS F, LIKAR B. A survey of mobile robots for distribution power line inspection[C]. IEEE Transactions on Power Delivery, 2010, 25(1): 485-493.

[2]王长滨, 叶咏梅, 陈永辉, 等. 采用直升机开展500kV输电线路巡视及事故抢修探讨[J]. 黑龙江电力技术, 1999, 21(2):44-47.

[3]周风余, 吴爱国, 李贻斌, 等. 高压架空输电线路自动巡线机器人的研制[J]. 电力系统自动化, 2004, 28(23): 89-91.

[4]陈中伟, 肖华, 吴功平. 高压巡线机器人电磁传感器导航方法[J]. 传感器与微系统, 2006, 25(9): 33-35.

[5]王慧燕. 图像边缘检测和图像匹配研究及应用[D]. 杭州: 浙江大学, 2003.

[6]林国, 李伟超. 输电线路巡线机器人障碍物识别综述[J]. 郑州轻工业学院学报: 自然科学版, 2012, 27(3): 93-97.

[7]ALCANTARILLA P F, BARTOLI A, DAVISON A J. KAZE Features[C]. European Conference on Computer Vision,Springer-Verlag, 2012: 214-227.

[8]JIANG M, GUO R, ZHANG Z,et al. Parallel implementation for AOS scheme on a dual-core cluster[C]. International Conference on Intelligent Networks and Intelligent Systems, IEEE Computer Society, 2010: 362-365.

[9]SONKA M, HLAVAC V, BOYLE R. 图像处理分析与机器视觉[M]. 2版. 北京: 人民邮电出版社, 2003.

[10]VURAL M F, YARDIMCI Y, TEMLZEL A. Registration of multispectral satellite image with gradient-corrected SIFT[C].Geoscience and Remote Sensing Symposium, 2009 IEEE International, igarss. IEEE, 2010: III-243-III-246.

[11]BROWN M, LOWE D G. Invariant features from interest point groups[C]. British Machine Vision Conference, Cardiff, Uk,DBLP, 2002: 656-665.

[12]LOWE D. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2): 91-110.

[13]PIZARRO D, BARTOLI A. Feature-based deformable surface detection with self-occlusion reasoning[J]. International Journal of Computer Vision, 2012, 97(1): 54-70.

[14]CECH J, MATAS J, PERDOCH M. Efficient sequential correspondence selection by cosegmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2010,32(9): 1568-1581.

(责任编校：蒋冬初)

Inspection Robot Obstacle Detection Based on KAZE Algorithm

ZHANG Meng
(School of Electrical Information Engineering, HoHai University WenTian College, Maanshan, Anhui 243000, China)

Inspection robot obstacle detection technology is one of the hot spots of computer vision and autonomous inspection system . It is important for ensuring the safe and reliable operation of transmission system. Low robustness of traditional detection algorithm can not meet the requirements on obstacle detection when dealing with complex environment. To solve the above problem, an inspection robot obstacle detection method based on KAZE algorithm is given. The feature extraction is done in the nonlinear scale space, and feature vectors are formed with M-SURF algorithm. Feature vectors detecting is worked through the nearest neighbor algorithm as matching criteria and RANSC generated algorithm. Experimental results show that the effect of inspection robot obstacle detection algorithm based on KAZE can make a good performance with better robustness.

kaze algorithm; inspection robot; obstacle detection; robustness

TP312

A

10.3969/j.issn.1672-7304.2017.03.0014

1672–7304(2017)03–0061–04

2017-05-07

张蒙(1989-)，女，河南漯河人，助教，硕士，主要从事计算机视觉研究﹒E-mail: 983654234@qq.com.