结合快速鲁棒性特征改进ORB的特征点匹配算法.docVIP

结合快速鲁棒性特征改进ORB的特征点匹配算法 　　摘要：针对定向二进制简单描述符（ORB）算法不具备尺度不变性的问题，提出一种结合快速鲁棒性特征（SURF）算法和ORB的改进算法。首先，利用Hessian矩阵检测特征点的方法，使得提取出的特征点具有尺度不变性；然后，用ORB生成特征描述子；接着采用K近邻算法进行粗匹配；最后，通过比率测试、对称测试、最小平方中值（LMedS）定理全文中，“最小中值定理”是否应该为“最小平方中值定理”或“最小中值平方定理”更为规范些？请明确。回复：“最小中值定理”统一改为“最小平方中值定理”，英文翻译不用动进行提纯。尺度变化时，该算法比ORB的匹配精度提高了74.3个百分点，比SURF的匹配精度提高了4.8个百分点；旋转变化时，该算法比ORB的匹配精度提高了6.6另外，根据表2的数据，此处是6.6吧？请明确。个百分点；匹配时间高于SURF低于ORB。实验结果表明，改进算法不仅保持了ORB的旋转不变性，而且具备了尺度不变性，在不失速度的前提下，匹配精度得到较大提高。 　　关键词： 　　特征点匹配；尺度不变性；旋转不变性；比率测试；对称测试；最小平方中值定理 　　中图分类号： TP391.9 文献标志码：A 　　0引言 　　图像特征点匹配是计算机视觉的关键技术之一，广泛应用于三维重建、图像拼接、目标识别等领域[1-4]。Lowe[5]于2004年正式提出了尺度不变特征变换（Scale Invariant Feature Transform， SIFT）算法，其独特性好，信息量丰富；但该算法的计算量大、匹配速度较慢。此后，Bay等[6]于2006年提出了快速鲁棒性特征（Speeded Up Robust Feature， SURF）算法，不仅简化了SIFT算法，而且在重复性、独特性和鲁棒性三个方面均超过或接近SIFT算法，计算速度也显著提高。随着计算机视觉技术的发展对特征点匹配精度和速度的要求越来越高，Roblee等[7]在2011年的 计算机视觉国际会议（Internation Conference on Computer Vision， ICCV）提出了定向二进制简单描述符（Oriented fast and Rotated Brief，ORB）算法，其计算速度比SURF快一个数量级，比SIFT快两个数量级，匹配性能也不逊于SURF和SIFT。 　　ORB是一种局部不变特征描述子，对图像的平移、旋转具有不变性；但却并不具备尺度不变性[8-9]。文献[10]利用ORB进行匹配时，采用改进的随机采样一致性（RANdom Sample Consensus， RANSAC）进行提纯，使得匹配精度得到了提高；文献[11]同样在运用ORB匹配时，结合随机采样一致性方法，剔除错误匹配，并利用最小二乘估计变换参数，对图像进行矫正；文献[12]结合SIFT的算法思想对ORB进行改进，实现了尺度不变性。以上研究解决了一些问题，但是在使用RANSAC算法中，判定内外点距离阈值、随机抽样本集的次数和一致性集合的大小这3个参数需要根据不同的图像设置不同的值，频繁地设置参数，极大地影响了计算效率；并且文献[12]结合SIFT的算法思想会降低计算速度，匹配精度也不高。针对上述情况，结合SURF检测子和ORB描述子，并利用比率测试和对称测试进行筛选，最后运用最小平方中值（Least Median Squares， LMedS）定理再次提纯，从而克服了ORB不具有尺度不变性和RANSAC设置的参数较多的缺陷，并且匹配精度得到进一步提高。 　　1ORB算法原理 　　1.1特征点提取 　　ORB算法采用加速分割测试特征（Features from Accelerated Segment Test， FAST）算子来提取特征点，FAST角点检测定义为：若某像素点具有与其邻域内一定数量的像素点不同的特征时，该像素点被检测为角点，例如在灰度图像，某像素点周围有足够多像素点的灰度值均高于或低于该点的灰度值[13-14]。选取像素点H，并设该点的像素值为HP，考虑该像素点周围的16个像素点，若在以H点为圆心，16个像素点组成的圆上有N（一般取9或者12）个连续的像素点，它们的像素点比HP+T （T为选取的阈值）大，或者比HP-T小，那么该像素点就是角点。FAST角点检测速度快，但却不具备旋转尺度不变性和旋转不变性。 　　FAST角点主方向运用亮度中心算法，以特征点为中心；同时作为坐标原点，在其邻域U内计算质心位置，然后以特征点为起点，质心为终点构造向量，此向量的方向即为特征点的方向，计算过程如下所示。 　　区域U的矩定义为式（1）： 　　Mp，q=∑（x，y）∈UxpyqI（x，y）（1） 　　其中I（x，y）