本发明属于定位技术领域，特别是一种基于改进的fast-surf算法的目标定位方法。
背景技术：
工业机器人广泛用于物流分类、物体码垛等工业任务。而拾取和放置目标物体是工业机器人的重要任务之一。大部分工业机器人的抓取仍停留在预先描点后重复工作的层次。这样的工作方式对环境的稳定性要求极高，不能应对突发的变化。随着社会生产的不断发展，对机器人系统的实用性、智能化要求也越来越高。凭借视觉系统，工业机器人能对目标物体进行识别与定位，从而提高系统的鲁棒性和实时性来应对突发的情况。近年来，视觉识别定位在工业上的应用也越来越广泛。
双目视觉定位技术是模拟人类双目感知距离的原理，实现对景物的三维空间位置的测量，基于三角测量原理，用两个摄像头对同一景物从不同位置成像，从而从视差中恢复距离信息，是机器人视觉研究的一个重要内容，目前物体定位技术的不足之处在于对图像处理速度不够快，定位不够精确。
技术实现要素：
本发明旨在解决以上现有技术的问题。提出了一种提高了整体匹配精度的基于改进fast-surf算法的定位方法。本发明的技术方案如下：
一种基于改进fast-surf算法的定位方法，其包括以下步骤：
s11：采用双目视觉系统采集定位物体的图像信息；
s12：步骤s11得到的定位物体图像信息，采用改进的fast算法进行初步处理，得到特征点；改进的fast算法改进主要体现在：将检测对比点的个数由16个降为12个，加快检测的速度。
s13：根据步骤s12得到的特征点，使用surf算法对目标区域进行特征点对的匹配以及筛选；
s14：根据步骤s13得到的匹配对，使用ransac算法对匹配对进行筛选，得到多组特征匹配点对；
s15：根据步骤s14得到的多组特征匹配点对，利用三角形测量算法计算出点位的三维坐标，精确定位物体三维坐标。
进一步的，所述步骤s12采用改进的fast算法进行初步处理，得到特征点具体包括步骤：
s21：fast算法：从图片中选取一个像素点p为圆心，半径为3像素的离散化的bresenhan圆，圆的边界有16个像素；
s22：fast算法的改进
将与周围比较的16个像素点降为12个像素点，检测原则是连续9个像素点都比ip+t大或者比ip-t小，则该像素点为特征点候选点；
s23：待检测的点周围的一圈像素的灰度值与候选的点的灰度值差别够大，可以认为这个候选点是一个特征点；
s24：对特征点进行非极大值抑制，得到特征点输出。
进一步的，所述步骤s23具体包括：设在二维图像中的任意一点圆心坐标(x,y)，特征点描述算法公式如下：
当中心像素的灰度值ip小于周围圈点x处像素灰度值ix+t时，则认为该灰度像素属于更暗的，则sp→x＝d；以此类推相似的s和更亮的灰度像素点b，这样在一个以候选特征点p为圆心的圆形区域边缘就找到了3种类型的灰度像素点d、s和b，统计d或b的次数，如果大于n，则认为该点为候选特征点；然后通过固定半径圆上像素的灰度值进行比较获得候选特征点，利用id3分类器，根据12个特征，判断此候选特征点是否为特征点；将上面的步骤获得d、s、b的个数分别记为pd、ps、pb，计算得到的sp→x必定对应式(2)的某种情况，令ip为特征点时kp＝true，否则false，从而判定某个像素是否为特征点。
进一步的，所述步骤s13使用surf算法对对目标区域进行特征点对的匹配，再对匹配结果分别进行距离判别和角度判别筛选，得到正确率高的特征点对具体包括：
运用积分图像特征检测器的高斯导数提取兴趣点，将提取的兴趣点作为中心正方形区域，这个区域分为4×4方格网格，每网格内有5×5个规则间隔的采样点，对于每个网格，haar小波响应dx和dy由这些间隔的5×5个采样点计算，然后将小波响应dx和dy相加以形成4-d向量v，v＝(∑dx,∑dy,∑|dx|,∑|dy|)，连接这个为所有4×4网格形成64-d描述符向量。
进一步的，所述使用该方法对surf算法得到的初匹配点对进行距离和角度特征匹配参数的一致性检验，若同时满足两个匹配参数，则判定该兴趣点是正确的特征点，否则作为错误的匹配点对，除去不做参考。
进一步的，所述步骤s14根据得到的匹配对，使用ransac算法对匹配对进行筛选具体包括步骤：
s51：从数据集中随机抽出四个样本数据，计算出变换矩阵，记为m；
s52：计算数据集中所有数据与模型m的投影误差，若误差小于阈值，加入内点集i；
s53：如果当前内点集i元素个数大于u内点集i_best,则更新i_best＝i；同时更新迭代次数k；
s54:如果迭代次数大于k,则退出；否则迭代次数加1，并重复上述步骤。
进一步的，所述步骤s14得到的多组特征匹配点对，利用三角形测量算法计算出点位的三维坐标，精确定位物体三维坐标具体包括：
s51：在各设左相机o1为原点坐标系，可知点p(x,y,z)
根据上述算法所得到的特征点对，运用上式算出各个特征点的三维坐标；
s52：对各特征点的三维坐标进行处理，计算汇总坐标，得到需定位物体的三维坐标。
本发明的优点及有益效果如下：
本发明创新点在于将fast算法的16个检测对比点减少到12个，减少了fast检测特征点的时间。同时采用ransac算法剔除误匹配对，提高了正确率；
针对工业机器人进行抓取物品操作时定位耗时长，精度低问题提出了一种新的分层式目标物体定位策略。采用改进的fast算法提取图像特征点。针对提取的特征点运用surf算法对目标区域进行特征点匹配，较surf算法而言再次减少了无关点的错误匹配。提高了整体匹配精度，加快了整体匹配速度。
附图说明
图1是本发明提供优选实施例基于改进的fast-surf算法的定位方法系统流程图；
图2为改进fast算法原理图；
图3为三角形测量原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
在工业环境中，针对工业机器人进行抓取物品操作时定位耗时长，精度低问题，提出一种改进的fast-surf算法的分层式定位策略，快速精确地定位物体。首先根据双目视觉系统采集的目标物体图片信息，采用改进的fast算法进行初步处理，提取图像的特征点；然后利用surf算法对目标区域进行特征点对的匹配以及筛选；最后将匹配好的特征点对进行三角形测量原理处理，获得物体三维坐标。
如图1所示，为本发明提出的基于改进的fast-surf算法的定位方法系统框图，该方法根据双目视觉系统采集的目标物体图片信息，采用改进的fast算法进行初步处理，提取图像特征点；然后利用surf算法对目标区域进行特征点对的匹配以及筛选；最后将匹配好的特征点对进行三角形测量原理处理，精确定位物体三维坐标。
如图2所示，为本发明中fast算法原理图。将于周围比较的16个像素点降为12个像素点。检测原则是连续9个像素点都比ip+t大或者比ip-t小，则该像素点为特征点候选点。待检测的点周围的一圈像素的灰度值与候选的点的灰度值差别够大，可以认为这个候选点是一个特征点，在二维图像中的任意一点圆心坐标(x,y)。特征点描述算法公式如下：
当中心像素的灰度值ip小于周围圈点x处像素灰度值ix+t时，则认为该灰度像素属于更暗的，则sp→x＝d；以此类推相似的s和更亮的灰度像素点b。这样在一个以候选特征点p为圆心的圆形区域边缘就找到了3种类型的灰度像素点d、s和b。统计d或b的次数，如果大于n(当分割测试点数目为9时，即ix的个数的3/4)，则认为该点为候选特征点。然后通过固定半径圆上像素的灰度值进行比较获得候选特征点。利用id3分类器，根据12个特征，判断此候选特征点是否为特征点。将上面的步骤获得d、s、b的记为pd、ps、pb，计算得到的sp→x必定对应式(2)的某种情况。令ip为特征点时kp＝true，否则false，从而判定某个像素是否为特征点。
对特征点进行非极大值抑制，得到特征点输出。
如图3所示，为本发明中的三角形定位算法。上述的改进surf算法先对特征点对进行匹配，然后将特征点对进行三角形算法的计算，获得每个特征点的三维坐标。再针对各特征点的三维坐标进行处理，计算汇总坐标，得到目标物体的三维信息。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。