第２５卷第８期 计算机技术与发展 ＣＯＭＰＵＴＥＲ ＩＥＣＨＮＯＬＯＧＹ ＡＮＤ ＤＥＶＥＬＯＰＭＥＮＴ ２０１５年８月 Ｖ０１．２５ Ｎｏ．８ Ａｕｇ． ２０１５ 种基于深度信息的障碍物检测方法 杨磊 ，蔡纪源 ，任衍允 ，李俄德 （１．上海大学机电工程与自动化学院上海市电站自动化技术重点实验室，上海２０００７２； ２．大唐陕西府谷能源ｄ＇ｒ－有限责任公司，陕西西安７１９４０５） 摘要：为增强室内移动机器人障碍物检测和道路提取能力，文中提出了一种基于深度信息的障碍检测方法。首先对深 度数据进行滤波处理，填补缺失的数据；然后将深度图转换为视差图，对视差图进行水平和竖直方向投影直方图统计获得 Ｕ－Ｖ视差图；由Ｖ视差图得到初步道路信息，进一步用最小二乘法拟合出完整道路平面。对ｕ—Ｖ视差图进行两次最大类 间方差法（Ｏｔｓｕ法）分割，提取出障碍物主要信息，并根据视差关系得到障碍物在世界坐标系中的位置。实验结果表明，使 用Ｋｉｎｅｃｔ可以有效地对地面障碍物进行检测并提取出道路信息，可为室内移动机器人提供良好的导航信息。 关键词：深度数据；视差图；最ｄｘ－乘；最大类间方差法；障碍物检测 中图分类号：ＴＰ３０１ 文献标识码：Ａ 文章编号：１６７３—６２９Ｘ（２０１５）０８—００４３—０５ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—６２９Ｘ．２０１５．０８．ＯＯ９ Ａ Ｍｅｔｈｏｄ ｏｆ Ｏｂｓｔａｃｌｅ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｄｅｐｔｈ Ｉｎｆｏｒｍａｔｉｏｎ ＹＡＮＧ Ｌｅｉ ，ＣＡＩ Ｊｉ—ｙｕａｎ ，ＲＥＮ Ｙａｈ—ｙｕｎ ，ＬＩ Ｅ—ｄｅ （Ｉ．Ｓｈａｎｇｈａｉ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｐｏｗｅｒ Ｓｍｔｉｏｎ Ａｕｔｏｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，Ｓｈａｎｇｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０００７２，Ｃｈｉｎａ； ２．Ｄａｔａｎｇ Ｓｈａａｎｘｉ ＦｕｇＩｌ Ｐｏｗｅｒ Ｇｅｎｅｒａｔｉｏｎ Ｃｏ．，Ｌｔｄ．，Ｘｉ’ａｌｌ ７１９４０５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｉｌ０ ｅｎｈａｎｃｅ ｏｂｓｔａｃｌｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｏａｄ ｅｘｔｒａｃｔｉｏｎ ａｂｉｌｉｔｙ ｏｆｔｈｅｉｎｄｏｏｒｍｏｂｉｌｅ ｒｏｂｏｔ，ｐｒｅｓｅｎｔ ａｒｔｏｂｓｔａｃｌｅ ｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｄｅｐｔｈ ｉｎｆｏｒｍａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｐｒｏｃｅｓｓ ｔｈｅ ｄｅｐｔｈ ｄａｔａ ｂｙ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｆｉｌｌ ｕｐ ｈｅ ｍｉｓｓｉｔｎｇ ｄａｔａ．Ｔｈｅｎ ｔｒａｎｓｆｏｒｍ ｄｅｐｔｈ ｍａｐ ｔｏ ｄｉｓｐａｒｉｔｙ ｍａｐ ｎｄ ｃａｌａｃｕｌａｔｅ ｕ—Ｖ ｄｉｓｐａｒｉｙ ｔｍａｐ ｂｙ ｈｏｒｉｚｏｎｔａｌ ａｎｄ ｖｅｒｔｉｃａｌ ｄｉｅｃｔｒｉｏｎ ｐｒｏｊｅｃｔｉｏｎ ｈｉｓｔｏｇｒａｍ ｓｔａｔｉｓｔｉｃｓ．Ｂａｓｅｄ ｏｎ ｐｒｅｌｉｍｉｎａｒｙ ｏａｄ ｒｉｎｆｏｒｍａｔｉｏｎ ｇｏｔ ｂｙ Ｖ ｄｉｓｐａｒｉｙｔ ｍａｐ，Ｃａｎ ｆｉｔ ａ ｃｏｍｐｌｅｔｅ ｒｏａｄ ｐｌｎｅ ｂｙ ｕｓｉａｎｇ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅ ｍｅｔｈｏｄ．Ｗｉｈ ｔｗｉｔｃｅ ｓｅｇｍｅｎｔａｉｔｏｎ ｏｆ ｔｈｅ Ｕ—Ｖ ｄｉｓｐａｒｉｔｙ ｍａｐ ｂｙＯｔｓｕ’Ｓｍｅｔｈｏｄ，ｅｘｔｒａｃｔｔｈｅｍａｉｎｉｎｆｏｒｍａｔｉｏｎ ｏｆｏｂｓｔａｃｌｅｓａｎｄ ｏｂｔａｉｎｔｈｅｌｏｃａｔｉｏｎ ｏｆｏｂｓｔａｃｌｅｉｎｔｈｅｗｏｒｌｄ ｃｏｏｒｄｉｎａｔｅ ａｃｃｏｒｄｉｎｇｔｏ ｄｉｓｐａｒｉｔｙ ｒｅｌａｔｉｏｎｓｈｉｐ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ Ｋｉｎｅｃｔ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ｈｅ ｔａｂｉｌｉｔｙ ｏｆ ｏｂｓａｃｌｔｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｏａｄ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃ— ｔｉｏｎ ｆｏｒ ｉｎｄｏｏｒ ｍｏｂｉｌｅ ｒｏｂｏｔ，ａｎｄ ｐｒｏｖｉｄｅ ｇｏｏｄ ｎａｖｉｇａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｄｅｐｔｈ ｄａｔａ；ｄｉｓｐａｒｉｃｙ ｍａｐ；ｌｅａｓｔ ｓｑｕａｒｅｓ；Ｏｔｓｕ；ｏｂｓｔａｃｌｅ ｄｅｔｅｃｔｉｏｎ Ｏ 引 言 智能移动机器人在未知环境中的自主导航感知周 因素的干扰 。一种新的微软研制的Ｋｉｎｅｃｔ传感 器，由于成本低、分辨率高等优点，被广泛应用于目标 检测、跟踪与识别、人的行为分析、手势分析、室内３Ｄ 围环境，这就要求系统能够有效地进行障碍物检测与 可行道路提取。传统的障碍物检测使用的传感器主要 有红外传感器、超声波传感器、视觉设备和激光雷达 地图构建等领域 Ｊ。Ｋｉｎｅｃｔ利用主动射出的红外光 往返的相位差来获得深度信息，仅与物体空间位置有 关，且几乎不受光照、色度、阴影、环境变化等因素的干 扰，因而能有效地避免单目视觉、双目视觉用可见光进 行图像检测遇到的问题和瓶颈。 等…。其中，超声波反射性强、定向性差，对于复杂多 变的环境性能不佳；而３Ｄ激光雷达成本过高、安装复 杂。近来，用双目视觉获得场景或物体的深度信息越 来越受到欢迎，但是易受光照、色度、阴影、环境变化等 收稿日期：２０１４—０８—０６ 修回日期：２０１４—１１—０７ 朱效洲等对障碍物检测和地形分类对移动机器人 网络出版时间：２０１５－０７－２１ 基金项目：国家自然科学基金资助项目（６１００５０１５）；国家第三批博士后特别基金（２０１００３２８０）；上海市青年教师培育计划和上海大学青年教师 资助计划资助项目 作者简介：杨磊（１９７６一），男，博士后，副研究员，硕士生导师，研究方向为计算机视觉与模式识别、数字图像处理等；蔡纪源（１９９１一），男，硕 士研究生，研究方向为计算机视觉与图像处理。 网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｅｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／６１．１４５０．ＴＰ．２０１５０７２１．１４３３．００８．ｈｔｍｌ ４４· 计算机技术与发展 第２５卷 导航的重要性和问题研究进展进行了综述 。文献 ［８］提出了一种视觉检测与２Ｄ激光检测融合的障碍 检测方法，背景差法分割出障碍物，激光雷达辅助获得 障碍物位置信息，而背景采用的图像ＲＧＢ平均值，对 于障碍物与背景颜色相近的物体无法分割出来，２Ｄ激 光雷达视野范围也存在局限性。而Ｋｉｎｅｃｔ可以兼顾 视觉和激光雷达传感器的特点，并对环境变化具有鲁 棒性。文献［９］中采用Ｋｉｎｅｃｔ对移动机器人进行目标 跟踪与避障，结果表明，使用Ｋｉｎｅｃｔ可以代替传统测 距传感器。文献［１Ｏ］中提出一种基于单目图像和稀 疏激光数据进行道路和障碍物分类的在线自监督学习 算法，并运用到实际Ｎａｏ机器人的障碍物检测与路径 规划中。最后还验证了低成本的Ｋｉｎｅｃｔ可以有效替 代单目视觉和３Ｄ激光传感器。文献［１１—１２］提出了 种基于单帧ＲＧＢ—Ｄ图像的场景自适应分割和障碍 物检测方法，用于盲人实时避障系统，其利用深度信息 对场景存在的多平面结构进行分割提取，对障碍、墙、 地面进行分类。文献［１３］提出一种基于Ｋｉｎｅｃｔ的室 内停车场倒车障碍物检测系统，有效地解决了基于颜 色分割、光照不均匀带来的障碍物误判问题，对于复杂 的停车场环境，具有很好的适应性。文献［１４］采用深 度图像进行分割并量化的方法，但并不能立即进行障 碍物检测和判断，从而影响实时性。 文中对Ｋｉｎｅｃｔ采集的深度数据进行多帧中值滤 波，然后将深度图计算得到视差图，对视差图进行水平 和竖直方向投影直方图统计获得Ｕ视差图、Ｖ视差 图。对Ｖ视差图用最大类间方法分割出代表道路信 息的Ｖ视差图。将坐标系由图像空间转换到世界坐 标系，根据道路数据拟合出道路平面，补充满足平面不 等式关系的数据得到完整的道路平面。其次，对ｕ—Ｖ 视差图进行两次最大类间方差法（Ｏｔｓｕ法），分割出障 碍物信息，根据视差大小关系，框出视差图中障碍物位 置，最终得到障碍物在世界坐标系中的位置。 １图像信息提取 １．１深度数据预处理 Ｋｉｎｅｅｔ深度传感器的工作原理是通过红外投影机 主动投射近红外光谱，当照射到粗糙物体，光谱发生扭 曲，形成随机的反射斑点，红外摄像头捕捉这些变化的 反射红外光谱。因此，在实际测量过程中，主动投射的 红外光的高度相干性不可避免地产生“散斑噪声”，致 使采集到图像中物体的边缘信息严重缺失。当物体是 透明的光滑玻璃介质，信息缺失的更为严重。为了减 小深度图像的噪声，文中采用如下方法： （１）由于Ｋｉｎｅｃｔ的有效距离是１．２ ｍ到３．５ ｍ，故 只处理在此可信范围内的数据： ｄｅｐｔｈ（ｉ√）＝ ｆＮａＮ ｄｅｐｔｈ（ｉ，ｊ）＜１ ２０。 ｛ｄｅｐｔｈ（ｉ√）１ ２００≤ｄｅｐｔｈ（ｉ√）＜３ ５００ （１） 【ＮａＮ ｄｅｐｔｈ（ｉ，ｊ）＞３ ５００ 其中，ｄｅｐｔｈ（ｉＪ）表示深度图像上点（ｉ√）对应的 深度值；ＮａＮ表示不确定或是未知的数值，在Ｍａｔｌａｂ 程序处理中会自动跳过。 （２）在同一视角下，对ｋ帧深度图像相同像素点 （ｉ， ）对应的深度值ｄｅｐｔｈ （ √）取中值得到最终的中 值图像ｄｅｐｔｈ＿ｍ（ｉＪ），由于Ｋｉｎｅｃｔ的帧率为３０ ｆｐｓ，这 里ｋ取１Ｏ。 ｄｅｐｔｈｍ（ｉ√）＝ｍｅｄ ｉａｎ（ｄｅｐｔｈ （ｉ√）） （２） １．２道路提取 众所周知，对于场景中的某一目标特征点，根据其 在左右传感器得到的图像中对应的像素坐标不同可以 恢复其在世界坐标系中的位置。在文献［１５］中，提出 了一种由双目立体视觉计算得到视差图进行道路提取 与障碍检测的方法。在实际使用微软Ｋｉｎｅｅｔ时，得到 的输出数据流中并不直接包含视差图像，而Ｋｉｎｅｃｔ的 深度数据正是由红外投影机和红外摄像头两者间的视 差计算得到，因此找到深度图像和视差图像的对应关 系，可由深度图像计算得到视差图像。Ｋｉｎｅｅｔ系统模 型如图１所示，其成像模型可以理解成透视投影模型。 （ ， ） Ｙ．）Ｐ＝（ ，Ｙ，ｚ） 图１ Ｋｉｎｅｃｔ成像系统模型 其中，红外投影机和红外摄像头的焦距ｆ＝５８０ ｐｉｘｅｌｓ。两者之间的物理距离称为基线，由Ｂ表示，曰 ＝７．５ ｅｍ。空间中任意点Ｐ＝（ ，ｙ，ｚ）到Ｋｉｎｅｅｔ的 距离为Ｄ，即深度数据，由于该点在左右传感器成像 平面的位置不同，横坐标分别是 ， ，视差就是它们 的和ｄｉｓｐａｒｉｔｙ＝ ＋ 。根据相似三角形关系，可以推 导出公式（３），由此，得出视差图像与深度图像之间的 关系。 Ｄ： （３） ｕ１ Ｐ。ｄｎＬｙ ｄｉｓｐａｒｉｔｙ： （４） 由公式（４），将深度图像转化成视差图，对其进行 水平方向的直方图统计得到Ｖ视差图。如图２所示， 第８期 杨磊等：一种基于深度信息的障碍物检测方法 ·４７· 方法也有不足之处，对于表面非同一平面的球体障碍 物只能进行定位而不能准确测量其物理尺寸，如能改 障技术研究［Ｊ］．华中科技大学学报：自然科学版，２０１３，４１ （Ｓ１）：３１２—３１５． 进使得对不规则物体进行准确检测，那么对于室内复 杂环境的适应性和有效性会更好。 参考文献： ［１］Ｄｉｓｃａｎｔ Ａ，Ｒｏｇｏｚａｎ Ａ，Ｒｕｓｕ Ｃ，ｅｔ １．Ｓｅｎｓａｏｍ ｆｏｒ ｏｂｓｔａｃｌｅ ｄｅ－ ［９］ 贺超，刘华平，孙富春，等．采用Ｋｉｎｅｃｔ的移动机器人目 标跟踪与避障［Ｊ］．智能系统学报，２０１３，８（５）：４２６—４３２． ［１０］Ｍａｉｅｒ Ｄ，Ｓｔａｃｈｎｉｓｓ Ｃ，Ｂｅｎｎｅｗｉ￣Ｍ．Ｖｉｓｉｏｎ—ｂａｓｅｄ ｈｕｍａｎｏｉｄ ｎａｖｉｇａｔｉｏｎ ｕｓｉｎｇ ｓｅｌｆ－ｓｕｐｅｒｖｉｓｅｄ ｏｂｓｔａｃｌｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］Ｉｎｔ Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎｏｉｄ Ｒｏｂｏｔｉｃｓ，２０１３，１０（２）：１—２８． ｔｅｃｔｉｏｎ－ａ ｓｕｒｖｅｙ［Ｃ］／／Ｐｒｏｃ ｏｆ ３０ｔｈ ｉｎｔ ｓｐｒｉｎｇ ｓｅｍｉｎ ｅｌｅｃｔｒｏｎ ｔｅｃｈｎｏ１．［ｓ．１．］：［ｓ．ｎ．］，２００７：１００—１０５． ［２］ 肖晓明，胡华梅，蔡自兴，等．基于自适应分割和立体视觉 的快速障碍检测［Ｊ］．计算机应用研究，２００７，２４（９）：１８２— １８４． ［１１］刘宏，王吉占，王向东，等．面向盲人避障的场景自适应 分割及障碍物检测［Ｊ］．计算机辅助设计与图形学学报， ２０１３，２５（１２）：１８１８—１８２５． ［１２］Ｗａｎｇ ｚ，Ｌｉｕ Ｈ，Ｑｉａｎ Ｙ Ｌ．Ｒｅａｌ—ｔｉｍｅ ｐｌａｎｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｏｂｓｔａｃｌｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ３Ｄ ｐｏｉｎｔ ｃｌｏｕｄｓ ｆｏｒ ｉｎｄｏｏｒ ｓｃｅｎｅｓｆ Ｃ １／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｅｕｒｏｐｅａｎ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｗｏｒｋ－ ［３］何少佳，刘子扬，史剑清．基于单目视觉的室内机器人障碍 检测方案［Ｊ］．计算机应用，２０１２，３２（９）：２５５６—２５５９． ［４］Ｈａｎ Ｊ，Ｓｈａｏ Ｌ，Ｘｕ Ｄ，ｅｔ ａ１．Ｅｎｈａｎｃｅｄ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｗｉｔｈ Ｍｉｃｒｏｓｏｆｔ Ｋｉｎｅｃｔ ｓｅｎｓｏｒ：ａ ｒｅｖｉｅｗ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｃｙｂｅｍ， ２０ｌ３，４３（５）：１３１８—１３３４． ｓｈｏｐｓ ａｎｄ ｄｅｍｏｎｓｔｒａｔｉｏｎｓ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，２０１２：２２－３１． ［１３］Ｃｈｏｉ Ｊ，Ｋｉｍ Ｄ，Ｙｏｏ Ｈ，ｅｔ １．Ｒｅａａｒ ｏｂｓａｔｃｌｅ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｄｅｐｔｈ ｆｒｏｍ Ｋｉｎｅｃｔ［Ｃ］／／Ｐｒｏｃ ｏｆ １５ｔｈ ｉｎｔｅｎａｔｒｉｏｎａｌ ＩＥＥＥ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｓｙｓｔｅｍｓ．［ｓ． １．］：ＩＥＥＥ，２０１２：９８－１０１． ［５］黄露丹，严利民．基于Ｋｉｎｅｃｔ深度数据的人物检测［Ｊ］．计 算机技术与发展，２０１３，２３（４）：１１９—１２１． ［１４］Ｋｈａｎ Ａ，Ｍｏｉｄｅｅｎ Ｆ，Ｌｏｐｅｚ Ｊ，ｅｔ ａ１．ＫｉｎＤｅｃｔｅｅｔ：Ｋｉｎｅｃｔ ｄｅｔｅｃ． ［６］谢亮，廖宏建，杨玉宝．基于Ｋｉｎｅｃｔ的姿势识别与应用研 ｔｉｎｇ ｏｂｊｅｃｔｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ＩＣＣＨＰ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，２０１２：５８８ ５９５． 究［Ｊ］．计算机技术与发展，２０１３，２３（５）：２５８—２６０． ［７］朱效洲，李宇波，卢惠民，等．基于视觉的移动机器人可通 行区域识别研究综述［Ｊ］．计算机应用研究，２０１２，２９（６）： ２００９－２０ｌ３． ［１５］Ｌａｂａｙｒａｄｅ Ｒ，Ａｕｂｅｒｔ Ｄ，Ｔａｒｅｌ Ｊ Ｐ．Ｒｅａｌ ｔｉｍｅ ｏｂｓａｔｃｌｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｔｅｒｅｏｖｉｓｉｏｎ ｏｎ ｎｏｎ ｆｌａｔ ｒｏａｄ ｇｅｏｍｅｔｒｙ ｔｈｒｏｕｇｈ“Ｖ—ｄｉｓｐａｒｉ— ｔｙ”ｒｅｐｒｅｓｅｎｔａｉｔｏｎ［Ｃ］／／Ｐｒｏｃ ｏｆ ＩＥＥＥ ｉｎｔｅｌｌｉｇｅｎｔ ｖｅｈｉｃｌｅ ｓｙｍ－ ｐｏｓｉｕｍ．［ｓ．Ｉ．］：ＩＥＥＥ，２００２：６４６－６５１． ［８］ 田国会，王家超，段朋．病房巡视机器人复杂环境下的避 （上接第４２页） ｆｏｒ ｍｏｄｅｌ ｆｉｔｔｉｎｇ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎｓ ｔｏ ｉｍａｇｅ ａｎａｌｙｓｉｓ ａｎｄ ａｕｔｏ— 和实时拼接。经实验验证，文中算法能够提高图像的 匹配效率，并获得了较好的拼接效果。 参考文献： ［１］Ｈａｒｒｉｓ Ｃ Ｊ，Ｓｔｅｐｈｅｎｓ Ｍ．Ａ ｃｏｍｂｉｎｅｄ ｃｏｒｎｅｒ ａｎｄ ｅｄｇｅ ｄｅｔｅｃｔｏｒ ｍａｔｅｄ ｃａｒｔｏｇｒａｐｈｙ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｏｆ ｈｔｅ ＡＣＭ，１９８１，２４ （６）：３８１—３９５． ［８］Ｃｏｖｅｒ Ｔ Ｍ，Ｈａｒｔ Ｐ Ｅ．Ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｐａｔｔｅｎ ｃｌｒａｓｓｉｉｆｃａｔｉｏｎ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＩｆｏｎｒｍａｔｉｏｎＴｈｅｏｒｙ，１９６７，１３（１）： ２１－２７． ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４ｔｈ ａｌｖｅｙ ｖｉｓｉｏｎ ｃｏｎｆｅｒｅｎｃｅ．［ｓ． １．］：［８．ｎ．］，１９８８：１４７－１５１． ［２］Ｌｏｗ Ｄ Ｇ．Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ ｋｅｙ ｐｏｉｎｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４，６０ （２）：９１—１１０． ［９］ＭｉｔｃｈｅＨ Ｈ Ｂ，Ｓｃｈａｅｆｅｒ Ｐ Ａ．Ａ“ｓｏｆｔ”Ｋ—ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｖｏｔ－ ｉｎｇ ｓｃｈｅｍｅ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎｌａ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２００１．１６（４）：４５９—４６８． ［１０］薛９２． 开，李强，徐贺，等．基于振动采用ｋ一近邻法的机 器人地形分类［Ｊ］．振动、测试与诊断，２０１３，３３（１）：８８— ［１１］张学工．模式识别［Ｍ］．第３版．北京：清华大学出版社， ２０１０． ［３］Ｂａｙ Ｈ，Ｅｓｓ Ａ，Ｔｕｙｔｅｌａａｒｓ Ｔ，ｅｔ ａ１．Ｓｐｅｅｄｅｄ－Ｕｐ Ｒｏｂｕｓｔ Ｆｅａ— ｔｕｒｅｓ（ＳＵＲＦ）［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄ— ｉｎｇ，２００８，１１０（３）：３４６－３５９． ［４］刘奇，何明一．基于ＳＵＲＦ特征匹配的图像拼接算法 ［１２］周剑军，欧阳宁，张彤，等．基于ＲＡＮＳＡＣ的图像拼接方 ［Ｊ］．测控技术，２０１０，２９（１０）：２７－３１． ［５］ 李长春，齐修东，雷添杰，等．基于改进ＳＵＲＦ算法的无人 机遥感影像快速拼接［Ｊ］．地理与地理信息科学，２０１３，２９ （５）：２２－２５． 法［Ｊ］．计算机工程与设计，２００９，３０（２４）：５６９２－５６９４． ［１３］黄有群，付裕，马广煜．基于ＲＡＮＳＡＣ算法的柱面全景图 拼接方法［Ｊ］．沈阳工业大学学报，２００８，３０（４）：４６１—４６５． ［１４］赵萌萌．基于特征点的图像拼接算法［Ｄ］．重庆：重庆交通 大学，２０１３． ［６］ 赵璐璐，耿国华，李康，等．基于ＳＵＲＦ和快速近似最近 邻搜索的图像匹配算法［Ｊ］．计算机应用研究，２０１３，３０ （３）：９２１－９２３． ［１５］郑辉．基于ＳＩＦＩ＇特征的全景图像拼接算法研究［Ｄ］．武 汉：武汉科技大学，２０１０． ［７］ Ｆｉｓｃｈｌｅｒ Ｍ，Ｂｏｌｌｅｓ Ｒ．Ｒａｎｄｏｍ ｓａｍｐｌｅ ｃｏｎｓｅｎｓｕｓ：ａ ｐａｒａｄｉｇｍ
