English
资源说明：针对未知非结构化室内环境中双目视觉机器人路标特征匹配的问题进行了研究，提出了基于改进自组织映射网络（Self-Organizing Map，SOM）的双目视觉特征点快速匹配方法。对双目视觉获取的环境图像提取SIFT特征向量作为改进SOM的输入，利用获胜者计算技术完成对输入SIFT特征点的快速匹配，SOM竞争学习过程中用街区距离与棋盘距离的线性组合作为相似性度量函数。实验结果表明，所提方法在路标特征匹配的时间和效果上优于传统SIFT和SURF特征匹配的方法，且能满足实时性要求。
一种改进的SOM（Self-Organizing Map）双目视觉特征点快速匹配方法，主要针对未知非结构化室内环境中双目视觉机器人路标特征匹配的问题。这种方法结合了SIFT特征提取和SOM的竞争学习机制，以提高匹配效率并满足实时性需求。
在双目视觉系统中，两个摄像头捕获的左右图像分别用于特征点提取。SIFT（Scale-Invariant Feature Transform）特征因其尺度不变性和旋转不变性，常被用于识别和匹配图像中的关键点。然而，传统的SIFT算法计算复杂度高，可能导致处理速度慢，不适用于实时应用。本文的创新之处在于利用SIFT特征向量作为输入，结合SOM网络进行特征点匹配。SOM是一种无监督竞争学习的神经网络模型，它能自我组织并学习输入数据的拓扑结构，通过最小化输入数据与网络权重之间的距离来找到最佳匹配。
在SOM网络中，输入的SIFT特征向量会与网络中各节点的竞争，获胜节点即为最相似的特征点。学习过程包括优胜邻域的概念，优胜邻域内的节点权值会根据学习率和邻域半径进行调整。通过调整这个邻域，网络可以逐步优化，逐渐减少匹配误差。
本文提出的改进之处在于使用街区距离（LJ）和棋盘距离（LQ）的线性组合作为相似性度量函数，代替欧氏距离（Lo）。这种改变减少了计算复杂性，提高了匹配速度，同时保持了匹配的准确性。此外，匹配过程中还应用了极线几何约束、视差约束、有序性约束和唯一性约束，以消除错误的匹配点，进一步提高匹配精度。
实验结果显示，该方法在匹配时间和效果上优于传统的SIFT和SURF特征匹配方法，并且能够满足实时性要求。这表明，改进的SOM算法特别适合于移动机器人在未知室内环境中的自主导航，因为它可以快速有效地识别和匹配路标特征，从而帮助机器人构建环境地图，实现精确的定位和导航。
总结来说，本文提出的改进SOM双目视觉特征点匹配方法，通过优化特征匹配过程，降低了计算复杂性，提升了匹配速度，为实时双目视觉系统提供了高效可靠的解决方案。这一方法对机器人导航领域的理论研究和实际应用都具有重要的价值。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
