基于双视图的镜面检测方法

4.3 平面镜面墙的鲁棒识别

4.3.1 引言

服务机器人的快速发展已将机器人工作空间从工厂车间扩展到我们的日常生活中。一项重要的新任务是利用机器人执行建筑勘测，以协助建筑节能改造，因为建筑约占能源消耗的40% [1]。在勘测过程中，机器人需要识别反射表面，以准确估计建筑物的热负荷。然而，高反射表面（如玻璃质建筑外墙和镜面墙）对几乎所有类型的传感器（包括激光测距仪、声呐阵列和摄像头）都构成了挑战，因为光和声信号会直接从这些表面反射，导致传感器无法探测到它们。检测这些表面对于避免机器人导航过程中的碰撞也是必要的。

我们报告了一种利用车载摄像头的两个视图解决这一新的平面镜检测问题（PMDP）的方法。首先，我们推导出对应实虚特征在两个视图之间的几何约束。这些约束包括：（1）镜面法线作为连接实虚特征点对的直线的消失点的函数；（2）由镜面平面诱导的单应性推导出的闭式形式的镜面深度。我们还通过将二次反射与仿射尺度不变特征变换（ASIFT）结合，解决了诸如尺度不变特征变换（SIFT）等常用特征检测器不具备反射不变性的问题。基于上述结果，我们采用随机抽样一致性（RANSAC）框架开发了一种鲁棒的镜面检测算法。我们已实现该算法，并在实验室内部和实地环境中进行了测试。该算法的整体准确率达到91.0%。

4.3.2 相关工作

镜面检测问题（PMDP）不仅仅是一个利用三维（3D）视觉进行的简单平面重建问题。它涉及多个领域，包括人工智能（AI）领域的智力水平测试、平面折反射立体（PCS）系统、镜面表面的构建以及反射不变特征提取。

在人工智能和动物行为研究领域，研究人员通常根据主体检测镜子或自身反射的能力来评估其智能水平[2,3]。在著名的镜子标记测试中，主体身上有一个无法直接看到但能在镜子中看见的标记。如果主体增加了对这一标记的探索和自我指向行为，则表明该主体认出了镜中的图像即为自己。现有研究表明，黑猩猩[3]、大猩猩[4]、海豚[5]以及喜鹊[6]在镜子前表现出明显的自我识别能力，而猴子则没有[7]。目前我们还没有针对机器人的镜子标记测试。这显然不是一个简单问题。早期相关研究集中在机器人通过运动与外观实现自我识别[8,9]，这比机器人无法看到自身反射时去识别镜子要容易一些。此类情况并不少见，因为当机器人从侧面接近镜子时无法看到自己。我们的方法通过探索场景中的对称性来解决这一问题。

镜面检测也与计算机视觉中的PCS系统相关。PCS系统通常由一个静态相机和一个或多个平面镜组成，旨在实现立体成像或从运动中恢复结构[10–12]。由于检测镜面姿态在PCS系统中仅是一个标定问题，因此可以在此使用实验室内部环境和标定图案（例如棋盘格）。然而，当机器人需要在原位检测镜面时，这种方法并不可行。

在某种程度上，平面镜检测可被视为镜面表面构建的一个特例。现有方法依赖于通过改变照明[13–15]和偏振[16–19]或假设镜面的曲率[20]来进行主动感知。这些方法存在困难以适应机器人，因为自然照明很容易干扰设置。为了避免这个问题，我们使用图像中的特征。

SIFT[21]以其对图像缩放和平移的不变性以及对仿射畸变的部分不变性而闻名。然而，它不具备反射不变性，因此无法应用于我们的问题。作为SIFT的扩展，一些通过修改SIFT描述符结构以实现镜像反射不变性的描述符被设计出来，但其区分度有所下降，例如MI-SIFT [22]和FIND [23]。它们仍然无法满足我们的需求，因为我们的特征对应关系不仅涉及镜像反射差异，还包含由视角变化引起的重大投影畸变。另一方面，对仿射变换不变的描述符能够处理较大的透视变化（例如，[24,25]）。在这些仿射不变描述符中，ASIFT [26]表现出良好的性能，成为我们选择的特征变换方法。随后我们将展示如何使ASIFT具备镜像反射不变性。

在之前的一项工作[27]中，我们的研究小组探讨了使用单视角估计镜面方向的问题。然而，单视角无法提取深度信息，这限制了检测能力。

4.3.3 问题定义

为了定义我们的研究问题并聚焦于最相关的方面，我们做出以下假设：

• 每个视图都捕捉到了一个真实的场景及其镜像反射，且该场景具有丰富的特征。
• 已知相机内参矩阵为K。
• 基线距离 |t| 在两个视图之间是已知的。该距离通常较短，可通过机载传感器（如惯性测量单元）进行测量。如果 |t| 未知，我们的方法仍然适用，但深度结果将以比例形式表示，而非绝对值。

我们还采用以下符号约定。令 I 和 {I} 分别表示第一视图的图像和图像坐标系（ICS）。类似地，I′ 和 {I′} 表示第二视图的图像和图像坐标系。相机坐标系（CCS）为右手系，原点 C 位于相机中心，z轴沿主轴方向。相对于第一视图的相机坐标系，我们定义：

• $ p_m = (n_m^T, d_m)^T $ 作为镜面，其中 $ n_m $ 是表示 $ p_m $ 法向量的单位向量，$ d_m $ 是平面深度（即从 C 到 $ p_m $ 的距离），
• $ X_{ri} $ 表示第i个真实三维点，$ X_{vi} $ 表示其镜像反射（虚拟点）
• $ x_{ri} $ 和 $ x_{vi} $ 分别作为 $ X_{ri} $ 和 $ X_{vi} $ 在 {I} 中的投影，

将 $ X_{ri} \leftrightarrow X_{vi} $ 作为一个三维实虚（R-V）点对，$ x_{ri} \leftrightarrow x_{vi} $ 作为一个二维R-V点对。

在第二视图的坐标系中，符号表示与第一视图坐标系中的对应符号通过添加上标 ′ 来区分，例如 $ n’ m $、$ x’ {ri} $ 和 $ x’ {vi} $。值得注意的是，两个视图中的二维 R-V对之间存在一种新型对应关系，该关系以四元组格式表示：$ Q_i = {x {ri}, x_{vi}, x’ {ri}, x’ {vi}} $。

此外，关于点的所有上述表示均采用齐次坐标，而其非齐次形式则通过在其上方添加波浪符来表示，例如 $ \tilde{x}_{ri} $。

在定义了假设和符号之后，我们的镜面检测问题为：

定义1 。给定两个视图 I 和 I′、相机标定矩阵K 以及相机平移距离 |t|，判断是否存在镜面。如果存在，则估计 $ p_m $。

4.3.4 建模

我们首先分析无噪声特征点之间的几何关系。该几何关系将在后续的RANSAC框架中用于过滤含噪声输入。此处的无噪声特征输入为四元组{Qi}。该几何关系是由三维反射和成像过程所引起的对四元组的约束。因此，$ p_m $ 将通过两个阶段（方向和深度）作为四元组的函数被推导出来。首先，我们利用四元组求解镜面方向。

引理1 。给定两个四元组 $ Q_i $ 和 $ Q_j $，相对于这两个坐标系的镜面法向量可按如下方式获得，

$$
n_m = K^{-1}(x_{ri} \times x_{vi}) \times (x_{rj} \times x_{vj}), \quad n’ m = K^{-1}(x’ {ri} \times x’ {vi}) \times (x’ {rj} \times x’_{vj})
\tag{1}
$$

其中符号 ‘×’ 表示叉积。

证明 。考虑图1中的几何关系。按照惯例，我们定义 $ \overrightarrow{AB} $ 为通过点A和B的直线。根据平面镜反射的性质，我们有 $ \overrightarrow{X_{ri}X_{vi}} \perp p_m $；$ \overrightarrow{X_{rj}X_{vj}} \perp p_m $；因此 $ \overrightarrow{X_{ri}X_{vi}} // \overrightarrow{X_{rj}X_{vj}} $。经过投影变换后，$ \overrightarrow{X_{ri}X_{vi}} $ 和 $ \overrightarrow{X_{rj}X_{vj}} $ 在{I}和{I′}中的投影将在对应的图像坐标系中相交于消失点v（或v′）：

$$
(x_{ri} \times x_{vi}) \times (x_{rj} \times x_{vj}) = v, \quad (x’ {ri} \times x’ {vi}) \times (x’ {rj} \times x’ {vj}) = v’
\tag{2}
$$

另一方面，v 可以看作是 $ n_m $ 在 {I} 中的投影

$$
v = K n_m; \quad \text{and similarly;} \quad v’ = K n’_m
\tag{3}
$$

结合公式(2)和(3)，我们得到公式(1)。

第二步是推导镜面深度 $ d_m $。根据对极几何，我们可以通过分解本质矩阵得到相机旋转矩阵R和平移向量t[28]。计算 $ p_m $ 方程的一个直接方法是通过三角测量重建三维点。然而，我们将展示一种基于单应性的方法，避免了三角测量过程。

我们的方法涉及两视图中R-V对的对应中点之间的单应性。设AB表示本章其余部分中由点A和B定义的线段。记 $ X_{ri} $ 和 $ X_{vi} $ 的中点为 $ M_i $，其在{I}中的投影为 $ m_i $（见图1中的示例）。$ m_i $ 可通过交比获得，详见以下引理：

引理2 。给定四元组 $ Q_i $，$ X_{ri}X_{vi} $ 中点 $ M_i $ 的投影 $ m_i $ 确定如下，

$$
\tilde{m} i = (1 - \alpha)\tilde{x} {ri} + \alpha\tilde{x} {vi}, \quad \alpha = \frac{|x {ri}v|}{2|x_{ri}v| - |x_{ri}x_{vi}|}
\tag{4}
$$

其中 $ |\cdot| $ 表示线段的长度。

证明 。考虑从 $ X_{ri}X_{vi} $ 到 $ x_{ri}x_{vi} $ 的投影。在此投影中一个基本不变量是四个共线点 $ X_{ri} $、$ M_i $、$ X_{vi} $ 和 V 的交比：

$$
\frac{|x_{ri}m_i||x_{ri}v|}{|x_{ri}x_{vi}||m_iv|} = \frac{|X_{ri}M_i||X_{vi}V|}{|X_{ri}X_{vi}||M_iV|} = \frac{1}{2}
\tag{5}
$$

将 $ m_i $ 表示为 $ \tilde{m} i = (1 - \alpha)\tilde{x} {ri} + \alpha\tilde{x}_{vi}; 0 \leq \alpha \leq 1 $ 的非齐次坐标形式，我们有

$$
|x_{ri}m_i| = \alpha|x_{ri}x_{vi}|, \quad |m_iv| = |x_{ri}v| - \alpha|x_{ri}x_{vi}|
\tag{6}
$$

将方程(6) 代入方程(5) 得到最终结果方程(4)。

我们现在可以利用 $ m_i $ 来推导镜面深度。

引理3 。给定四元组 $ Q_i $ 和镜面法线 $ n_m $，镜面深度为

$$
d_m = \frac{[\mathbf{m}’ i] \times KRK^{-1}m_i}{[\mathbf{m}’ i] \times K t n_m^T K^{-1}m_i}
\tag{7}
$$

其中 $(\cdot)^\dagger$ 执行伪逆运算，且

$$
[\mathbf{m}’ i] \times =
\begin{bmatrix}
0 & -m’ {i3} & m’ {i2} \
m’ {i3} & 0 & -m’ {i1} \
-m’ {i2} & m’ {i1} & 0
\end{bmatrix}
\tag{8}
$$

证明 。观察到 $ M_i $ 位于平面 $ p_m $ 上。则 $ m_i $ 和 $ m’_i $ 必须满足由 $ p_m $ 诱导的单应性关系，即 $ m’_i = H m_i $，其中 $ H $ 可表示为 [28]

$$
H = K \left( R - \frac{1}{d_m} t n_m^T \right) K^{-1}
\tag{9}
$$

$ H $ 有一个自由度(DOF)，因为只有 $ d_m $ 未知。

$ m_i $ 和 $ m’_i $ 可以从 $ Q_i $ 使用方程(4)计算得出。因为

$$
m’_i = H m_i = K \left( R - \frac{1}{d_m} t n_m^T \right) K^{-1} m_i
$$

我们有

$$
m’ i \times K \left( R - \frac{1}{d_m} t n_m^T \right) K^{-1} m_i = [m’_i] \times K R K^{-1} m_i - [m’ i] \times K \frac{1}{d_m} t n_m^T K^{-1} m_i = 0
$$

然后我们有

$$
[m’ i] \times K R K^{-1} m_i \cdot d_m = [m’ i] \times K t n_m^T K^{-1} m_i
$$

上述方程组是超定的，因为 $ [m’ i] \times $ 的秩为2。因此，$ d_m $ 的最小二乘解由公式(7)给出，当系统无噪声时，该解也是精确解。

4.3.5 算法

第4.3.4节为无噪声四元组提供了几何关系。为了完成该算法，我们需要选择正确的特征变换，并使用广受认可的RANSAC框架针对含噪声特征验证几何关系。首先，让我们详细说明四元组提取中的特征检测方法选择。

4.3.5.1 四元组提取

要形成一个四元组，我们需要两种点对应关系：跨视图对应关系，例如 $ x_{ri} \leftrightarrow x’ {ri} $，以及 R-V对对应关系，例如 $ x {ri} \leftrightarrow x_{vi} $。前者只要视角变化不显著，就可以通过标准特征提取方法（如SIFT）来处理。然而，后者较为复杂，因为 $ x_{ri} \leftrightarrow x_{vi} $ 涉及三维空间中的非正常变换（在 $ X_{ri} $ 和 $ X_{vi} $ 之间）。

因此，该问题的关键在于如何在非正常变换下找到特征及其对应关系。我们需要将反射转换为刚体变换，以便能够使用现有的特征提取和匹配算法。我们方法的直观思路来自一种特殊场景：将一个次级镜面 $ p_s $ 放置在与 $ p_m $ 相同的平面内，但方向相反。设 $ X_{si} $ 为 $ X_{ri} $ 关于 $ p_m $ 和 $ p_s $ 连续反射后的结果，显然 $ X_{si} $ 与 $ X_{ri} $ 完全相同，这使得匹配它们在图像中的投影成为一个简单问题。

事实上，已证明无论镜子配置 [11] 如何，两次连续反射都会导致刚体变换。因此，$ p_s $ 的位置可以任意选择。剩下的问题是，在三维空间中引入二次反射难以实现，因为它需要点的三维位置来执行二次反射，这并不可行。幸运的是，存在一组特殊的 $ p_s $ 可以使三维反射简化为图像坐标系（ICS）中关于任意轴的二维图像翻转，且该操作与点的位置无关。

引理4 。如果 $ p_s $ 包含相机主轴，则对于任意 $ X_{si} $，其投影 $ x_{si} $ 可以通过将 $ x_{vi} $ 关于图像坐标系中的一个轴翻转得到。

证明 记 $ p_I $ 为像平面，如图2所示。因为它包含主轴（即z轴），$ p_s $ 可表示为 $ (n_s^T, 0)^T $，其中 $ n_s = (n_x, n_y, 0)^T $。由于 $ X_{vi} $ 和 $ X_{si} $ 关于 $ p_s $ 对称，我们有

$$
X_{si} = T X_{vi}
\tag{10}
$$

其中

$$
T =
\begin{bmatrix}
I_3 - 2n_s n_s^T & 0 \
0 & 1
\end{bmatrix}
$$

此外，我们有投影关系

$$
x_{vi} = P X_{vi}, \quad x_{si} = P X_{si}
\tag{11}
$$

其中 $ P = [K \mid 0] $ 是投影矩阵。

结合方程(10)和(11)可得

$$
x_{si} = P T P^\dagger x_{vi} =
\begin{bmatrix}
I_2 - 2n_{s1:2} n_{s1:2}^T & 0 \
0 & 1
\end{bmatrix}
x_{vi}
\tag{12}
$$

其中 $ P^\dagger $ 是 $ P $ 的伪逆，且 $ n_{s1:2} = (n_x, n_y)^T $。

方程(12) 表明 $ x_{vi} $ 和 $ x_{si} $ 关于具有法向量 $ n_{s1:2} $ 的轴对称，该轴实际上是 $ p_I $ 和 $ p_s $ 的交线。证明完毕。

引理4允许我们找到 $ x_{ri} \leftrightarrow x_{si} $ 之间的对应关系，而不是 $ x_{ri} \leftrightarrow x_{vi} $ 的对应关系。此外，翻转轴可以任意选择，因为不同翻转轴所生成的图像之间仅存在平面旋转差异。

尽管图像翻转过程解决了不当变换问题，但也为特征匹配引入了新的挑战。问题在于，产生的刚体运动（$ X_{ri} $ 和 $ X_{si} $ 之间）的旋转角度 $ q $ 与主轴和 $ p_m $ [11] 之间角度 $ \alpha $ 的两倍相当（见图2）。因此，由于在不同情况下 $ q $ 随 $ \alpha $ 的变化而变化，容易导致显著的视角变化，从而使标准SIFT算法失效。

为了解决这一问题，我们采用了一种仿射不变特征提取算法ASIFT，该算法在处理大视角变化时优于SIFT。一旦确定了对应点 $ x_{ri} \leftrightarrow x_{si} $，即可基于已知的 $ x_{ri} $、$ x_{vi} $ 和 $ x_{si} $ 之间的映射关系，快速建立R-V对 $ x_{ri} \leftrightarrow x_{vi} $。算法1总结了四元组的构建过程。

4.3.5.2 最大似然估计（MLE）

为了应用RANSAC框架，我们需要利用内点集中的四元组 $ {Q_i} $，通过最小化代价函数来估计 $ n_m $、$ n’_m $ 和 $ d_m $。假设测量误差服从高斯分布，则当采用重投影误差作为代价函数时，该估计即为最大似然估计。接下来推导该度量方法。

对于 $ Q_i $，令 $ c_i = (\tilde{x} {ri}, \tilde{y} {ri}, \tilde{x} {vi}, \tilde{y} {vi}, \tilde{x}’ {ri}, \tilde{y}’ {ri}, \tilde{x}’ {vi}, \tilde{y}’ {vi})^T $ 为由 $ x_{ri} $、$ x_{vi} $、$ x’ {ri} $ 和 $ x’ {vi} $ 的非齐次坐标拼接而成的8维向量。给定测量空间 $ \mathbb{R}^8 $ 中的点 $ c_i $，估计 $ n_m $、$ n’_m $ 和 $ d_m $ 的任务就转化为寻找一个经过 $ \mathbb{R}^8 $ 中点 $ c_i $ 的流形。由于噪声的存在，无法精确拟合一个流形。在这种情况下，设 $ y $ 为对应于 $ n_m $、$ n’_m $ 和 $ d_m $ 的流形，并设 $ \hat{c}_i $ 为位于 $ y $ 上且离 $ c_i $ 最近的点。

给定 $ n_m $、$ n’_m $ 和 $ d_m $，定义

$$
C_y(\hat{c} i) :=
\begin{bmatrix}
(\hat{x} {ri} \times \hat{x} {vi})^T K n_m \
(\hat{x}’ {ri} \times \hat{x}’ {vi})^T K n’_m \
[\mathbf{m}’_i] \times H \hat{m}_i
\end{bmatrix}
$$

其中 $ H $、$ \hat{m} i $ 和 $ \hat{m}’_i $ 分别为使用公式(9)和(4)计算得到的中间变量，且 $ \hat{x} {ri} = (\tilde{\hat{x}} {ri}, \tilde{\hat{y}} {ri}, 1)^T $，类似地适用于 $ \hat{x} {vi} $、$ \hat{x}’ {ri} $ 和 $ \hat{x}’_{vi} $。然后，最大似然估计方法旨在寻找使误差函数最小化的 $ n_m $、$ n’_m $、$ d_m $ 和 $ \hat{c}_i $：

$$
\sum_i | c_i - \hat{c} i |^2 {S_i}
\tag{13}
$$

约束条件为 $ C_y(c_i) = 0 $，其中 $ S_i $ 是 $ c_i $ 的协方差，且 $ |\cdot|_S $ 表示马氏距离。

尽管最小化重投影误差是最大似然估计，但它涉及求解一个高维非线性优化问题，该过程相当复杂且耗时。为了加速该算法，我们推导了桑普森误差近似。桑普森误差函数不再寻找流形 $ y $ 上距离测量值 $ c_i $ 最近的点 $ \hat{c}_i $，而是对 $ \hat{c}_i $ 进行一阶近似估计。对于给定的 $ n_m $、$ n’_m $ 和 $ d_m $，任何位于流形 $ y $ 上的点 $ c_i $ 都将满足 $ C_y(c_i) = 0 $。于是，公式(13)的桑普森近似为 $ \sum_i \varepsilon_i^T (J_i S_i J_i^T)^{-1} \varepsilon_i $，其中 $ \varepsilon_i = C_y(c_i) $ 且 $ J_i = \frac{\partial C_y}{\partial c_i} $。

4.3.5.3 应用RANSAC框架

我们现在可以将RANSAC应用于四元组集合 $ S $ 以估计 $ p_m $。整个算法总结在算法2中。

该算法使用了两个阈值：内点/外点阈值 $ s_d $ 和镜面检测阈值 $ s_n $。步骤9中的阈值 $ s_d $ 用于判断四元组是否属于当前的内点集。$ s_d $ 根据决策变量的8自由度确定。在预设概率阈值0.95下，$ s_d = \sqrt{15.2} \sigma $，其中 $ \sigma $ 是特征点测量误差的标准差。

当最大内点集的大小小于 $ s_n $ 时，该算法返回“无镜面”（步骤15）。$ s_n $ 将通过第4.3.6节-A中的实验室内部测试实验确定。在步骤11中，最大采样迭代次数 $ N $ 被自适应地选择（[28]第119页）。算法2的步骤17和18可以迭代执行，直到对应内点的数量稳定为止。

4.3.6 实验

我们在Windows 7操作系统下使用MatLab实现了所提出的算法。对于ASIFT算法，我们使用了[29]中的开源实现。图像由一台预标定的Vivicam 7020相机拍摄，分辨率为 640 × 480像素。我们首先在实验室中测试了该算法，以确定受控环境下的算法精度，并在大规模现场测试之前确定合适的阈值。

4.3.6.1 实验室测试

图3(a) 展示了实验室内部测试的设置。定义 $ \alpha $ 为相机光轴与镜面 $ p_m $ 之间的角度。这通常是机器人朝向镜面的接近角。了解 $ \alpha $ 如何影响 $ p_m $ 的估计精度对于碰撞避免非常重要。数据在六个不同的 $ \alpha $ 值下采集，范围从5°到 60°。测试期间场景结构保持不变（见图3(b)），且具有丰富的特征。第一和第二视图之间的基线距离为25.4厘米，同时保持相同的光轴。真实数据通过物理测量获得。

图4 表明，在不同 $ \alpha $ 取值下，镜面法向量的角度误差和相对深度误差均较小。请注意，每种 $ \alpha $ 设置均进行了100次试验。结果令人满意，因为误差对 $ \alpha > 60^\circ $ 的取值不敏感。需要注意的是，我们尚未对大角度情况（即接近90°）进行实验。在大角度情况下，相机/机器人几乎正对镜面。由于普通相机的水平视场角较大，机器人可在镜中看到自身。对于此类情况，问题变得简单，因为它退化为基于自外观的镜面检测，挑战性较低。

镜面法线的角度误差。(b) 镜面的相对深度误差。竖条和中间的十字分别表示一个标准差范围和样本均值)

第二次实验旨在探究四重内点数与估计精度之间的关系，从而确定 $ s_n $ 在算法2中的阈值。我们使用第一次实验的相同数据集。对于每一对图像，通过逐步调整 ASIFT特征检测阈值来改变四重内点数，并每次计算镜面参数。然后根据对应的四重内点数对估计结果进行分组，并比较各组之间的估计误差。结果如图5所示。正如预期，随着四重内点数的增加，估计的标准差总体上减小。当四重内点数低于6时，由于其较大的标准差，估计精度变得不可信。因此，在我们的现场测试中将 $ s_n = 6 $ 设为阈值。

镜面法线的角度误差。(b) 镜面的相对深度误差。竖条表示一个标准差范围)

4.3.6.2 现场测试

我们已在现场测试了该算法。从真实场景中收集了一个包含100对图像的数据集，这些场景包括有或没有镜面墙的体育馆、走廊、校园和购物中心（见图6）。在该数据集中，50%的图像对包含镜面墙，例如墙面镜子、窗户玻璃和水面。

检测结果以表1中的混淆矩阵形式呈现，其中“正例”表示存在镜面墙。该混淆矩阵中的真正率和真负率均较高，表明具有理想的识别能力。假正例通常由具有强对称外观的物体引起，例如图6中的样本图像12。假负例主要由于场景中特征不足所致。

整体检测准确率为91.0%。

	预测的 正例	负例
实际
正例	45	5
负例	4	46

表1: 现场测试结果

4.3.7 结论与未来工作

我们使用车载摄像头的两个视图来解决镜面检测问题。首先，我们推导了两个视图之间实虚特征对应的几何约束。基于这些几何约束，我们采用RANSAC框架和 ASIFT开发了一种鲁棒的镜面检测算法。我们实现了该算法，并在实验室和实地环境中进行了测试。该算法的整体准确率达到91.0%。未来，我们将研究如何从背景图像中分割出镜面区域。这对于识别玻璃门或窗户等物体具有重要意义。