基于机器视觉的面粉袋码垛机器人研究中图像预处理（下）

 (2)确定图像尺度空间中的关键点(极值点)

码垛机器人为找出尺度空间中的关键点，需要将每个采样点和该点周围全部的邻域点对比，观察采样点与它的图像和尺度域里的相近的大小关系。如图2.7所示，中心的检测点与它同一尺度附近及上下相邻尺度附近中的共计26个点对比，从而保证在尺度与图像中均能够识别到关键点。如果检测出某个检测点在DOG尺度空间的3层范围内一为最值时，则判定此点为该图像尺度里的关键点。

(3)剔除不良关键点

经过对三维二次函数的拟合运算能够精准的推断出关键点所在的位置和尺度空间。但是为增强匹配的稳定和抗干扰性必须去除对比度相对低的关键点。另外由于DOG算子在处理的过程中会产生强烈的边缘响应，从而造成边缘响应点的不稳定性，因此可以利用Hessian矩阵计算出高斯差分算子的主曲率，通过设置合适闽值的方法去除不稳定的边缘点。

(4)分配关键点的方向

检测出每幅图像中的特征点后，现在需要为图像中的每一个特征点分配一个方向。可以将特征点周围像素梯度的分布特征当做每一个特征点的方向，并且还能够使其拥有旋转的不变特性。梯度幅值m(x, y)和梯度方向的计算表达式分别为式(2-16)和式(2-17)所示。

经过以上几个步骤，图像中的每个特征点均具备位置、所处的尺度空间与方向等信息。

(5)生成关键点的特征描述子

为保证其旋转的不变特性，一般将坐标轴方向调整为关键点的方向。以特征点为中心选取8×8的窗口区域，如图2.8所示。

码垛机器人图2.8显示的左半部分中心位置为当前关键点所在的位置，每个小的方格表示其尺度空间邻域中的像素，由公式(2-16 )和公式(2-17 )可以计算出各像素的梯度幅值和方向信息。上图里黑色小箭头的方向代表像素的梯度方向，黑色小箭头的长度代表像素的梯度幅值大小，对空间中的每一个像素点进行高斯窗口的加权运算。图中蓝色的圆圈表示高斯加权运算的范围，然后在每一个4x4的小区域中计算8个方向的梯度直方图，便可以形成一个种子点，如图右半部分所示。上图中的关键点包含有4个种子点，并且每一个种子点包含8个方向的信息。通过这种邻域方向信息结合的方式不仅提高了该算法的抗噪能力，而且也增强了特征匹配的容错性。

通过求取关键点附近16x16的窗口中每个像素的梯度信息，并且利用高斯下降函数使远离关键中心的权值减小，则每一个特征点即可形成一个128维的特征向量，若将该向量归一化以后，就更能够消除光照变化的影响，使确定出来的特征点的特征向量更加准确。

(6)SIFT特征点的匹配

当两幅待匹配图像的特征向量生成后，Lowe采用一种对比最近邻距离和次近邻距离的办法，通过设定某一阂值，当两者距离的比值小于该闭值时，则可判定两个特征点能够匹配成功，也就是利用特征向量的欧式距离进行不同图像特征点的鉴别。具体为在某待匹配图像中选取一个特征点，在另一幅图像中找到与该点间距最小的两个特征点，如果该点到另外两点距离的比值设定的阂值，则接受该对匹配点。