陳 玉

(廣東理工學(xué)院 信息工程學(xué)院，廣東 肇慶 526114)

一種改進(jìn)的ORB算法在圖像匹配中的應(yīng)用

陳 玉

(廣東理工學(xué)院 信息工程學(xué)院，廣東 肇慶 526114)

針對ORB算法提取的特征點(diǎn)閾值的選取存在人為干涉且對不同對比度的圖像缺乏魯棒性的問題，提出一種改進(jìn)的ORB算法。本算法對FAST算法提取特征點(diǎn)進(jìn)行了改進(jìn)，首先對圖像進(jìn)行直方圖均衡化實(shí)現(xiàn)對圖像的增強(qiáng)，然后采用自適應(yīng)閾值的方法，分別設(shè)置動(dòng)態(tài)全局和局部閾值提取特征點(diǎn)，通過引用海森矩陣去除不穩(wěn)定的邊緣點(diǎn)。實(shí)驗(yàn)結(jié)果表明，該改進(jìn)的算法能夠?qū)崿F(xiàn)特征點(diǎn)的精準(zhǔn)定位，具有較強(qiáng)的抗噪能力，在實(shí)現(xiàn)圖像配準(zhǔn)應(yīng)用中明顯優(yōu)于傳統(tǒng)ORB算法。

ORB；FAST特征點(diǎn)；圖像匹配

0 引言

圖像匹配是當(dāng)今機(jī)器視覺和圖像處理中的重要研究方向之一，廣泛地被應(yīng)用于目標(biāo)跟蹤、圖像拼接和模式識別等領(lǐng)域。其原理為，根據(jù)圖像的特征信息，在圖像之間找到有效的匹配點(diǎn)對。當(dāng)前常見的特征點(diǎn)匹配算法有SITF[1]、SURF[2]及ORB(Oriented FAST and Rotated BRIEF)。

ORB算法由ROBLEE E等人于2011年在ICCV(IEEE International Conference on Computer Vision)提出[3]，該算法通過FAST(Features From Accelerated Segment Test)算法提取特征點(diǎn)，通過BRIEF(Binary Robust Independent Elementary Features)算法獲得二進(jìn)制局部特征描述子，并對其進(jìn)行了適當(dāng)?shù)母倪M(jìn)。ORB作為一種局部不變的特征描述子，在計(jì)算速度上，ORB占有絕對的優(yōu)勢，其速度是SIFT的兩個(gè)數(shù)量級，是SURF的一個(gè)數(shù)量級。人們對ORB的關(guān)注主要集中在計(jì)算速度上，而往往忽略了其在圖像匹配過程中的準(zhǔn)確度。因此，本文在深入研究ORB算法的基礎(chǔ)上，對ORB算法做了改進(jìn)，以期在保證ORB計(jì)算速度的同時(shí)，提高其圖像匹配的精確度。

1 ORB特征匹配算法

1.1 FAST提取特征點(diǎn)

ORB算法通過FAST[4-5]算法提取候選特征點(diǎn)，F(xiàn)AST算法的基本原理如下：

在圖像中以候選像素點(diǎn)p為中心，以4個(gè)像素為半徑的圓上的16個(gè)點(diǎn)來進(jìn)行判斷,如果在該16個(gè)像素點(diǎn)上存在連續(xù)的n像素點(diǎn)都比Ip+t還亮，或者都比Ip-t還暗，則判定P為一個(gè)特征點(diǎn)。這里IP為點(diǎn)的亮度，t為閾值，對于n,一般取所有像素點(diǎn)個(gè)數(shù)的3/4，即12，如圖1所示。

圖1 FAST角點(diǎn)檢測模板示意圖

為了簡化判斷，對IP與圖1中的十字方向的1，5，9，13像素點(diǎn)的值一一比較。如果這四個(gè)點(diǎn)中大于Ip+t或小于Ip-t的點(diǎn)的個(gè)數(shù)大于等于3，則需要再對其他的12個(gè)像素點(diǎn)值作比較，否則判定是非候選點(diǎn)。通過這樣的判斷獲得三個(gè)點(diǎn)集，如式(1)所示：

(1)

在ORB中，為了得到更好的效果，采用FAST-9。同時(shí)，采用灰度質(zhì)心法確定FAST的方向信息，彌補(bǔ)FAST方向敏感性的問題。該方法假設(shè)角點(diǎn)的灰度和質(zhì)心存在一個(gè)角度的偏移，將該偏移的方向定義為特征點(diǎn)的方向。定義領(lǐng)域矩如公式(2)所示：

(2)

其中，r為圓形鄰域半徑。

得到質(zhì)心C：

(3)

特征點(diǎn)的方向定義為：

(4)

1.2 BRIEF特征描述子

ORB中的特征描述子采用BRIEF描述子[6]，而且針對BRIEF的旋轉(zhuǎn)不變性提出了解決方案。BRIEF描述子通過直接對圖像求取二進(jìn)制串特征來減少計(jì)算量。BRIEF算法的主要思想是從特征點(diǎn)周圍隨機(jī)選取特征點(diǎn)對，將這些點(diǎn)對的灰度值排序，形成一個(gè)二進(jìn)制串，然后用該二進(jìn)制串來描述該特征點(diǎn)。在大小為S×S的圖像塊P上進(jìn)行式(5)所示計(jì)算：

(5)

其中p(x)為x處的灰度值。選擇一個(gè)有Nd個(gè)點(diǎn)對的集合作為一個(gè)二進(jìn)制測試，將BRIEF算子描述成一個(gè)Nd維的二進(jìn)制特征集如式(6)所示：

(6)

由于隨機(jī)選取點(diǎn)生成的描述子對噪聲比較敏感，因此ORB在FAST特征點(diǎn)采用31×31像素領(lǐng)域的5×5子窗口作為積分圖像進(jìn)行圖像平滑，這樣能夠有效地降低隨機(jī)噪聲的干擾。

為解決BRIEF缺乏方向性的問題，給ORB添加一個(gè)方向Steered BRIEF。在位置(xi,yi)處，針對n個(gè)二進(jìn)制特征集任意一個(gè)，定義一個(gè)2×n的矩陣，如式(7)：

(7)

定義一個(gè)旋轉(zhuǎn)矩陣R，則R和塊方向之間存在這樣的關(guān)系：

Sθ=RθS

(8)

其中特征點(diǎn)的主方向Rθ為其對應(yīng)的旋轉(zhuǎn)矩陣，Rθ的表達(dá)式為式(9)：

(9)

另外，ORB對Steered BRIEF作了改進(jìn)，其目的是減少方差的虧損和描述子之間的相關(guān)性。ORB采取的一種學(xué)習(xí)的方法rBRIEF：從所有二進(jìn)制測試中找到滿足以下兩個(gè)特性的點(diǎn)集：(1)高方差，(2)非相關(guān)性的測試集。具體如下：

(1)建立關(guān)鍵點(diǎn)測試集，大小取300 k；

(2)在31×31的窗口中，取5×5的子窗口，可能出現(xiàn)的窗口數(shù)為(Wp-Wt)2(Wp=31，Wt=5)；

(3)從N中任中選擇2對，刪除重復(fù)的二進(jìn)制測試；

(4)對得到所有測試集執(zhí)行貪婪搜索，找到256個(gè)相關(guān)性最低的像素塊對，即得到最終的rBRIEF。

1.3 ORB特征的匹配

對于ORB描述子的匹配，采用最近鄰漢明距離，并對其設(shè)定一定的閾值初步濾除錯(cuò)誤的匹配。對于ORB的256 bit的特征描述子，假設(shè)有兩個(gè)描述子分別為K1,K2：

K1=X1，X2，X3，…，X255

(10)

K2=Y1，Y2，Y3，…，Y255

(11)

利用式(12)計(jì)算出K1與K2的漢明距離，從而得到它們的相似程度。

(12)

DisHam(K1,K2)越小代表相似程度越高，反之，相似程度越低。

2 ORB算法改進(jìn)

2.1 改進(jìn)的角點(diǎn)檢測算法

為提高圖像的清晰度，便于計(jì)算機(jī)對圖像的處理，本文對角點(diǎn)檢測算法進(jìn)行了改進(jìn)。該算法首先采用直方圖均衡化對圖像進(jìn)行增強(qiáng)，再對圖像進(jìn)行高斯平滑操作，增強(qiáng)圖像邊緣，實(shí)現(xiàn)對噪聲的最大化抑制。在使用FAST算子檢測角點(diǎn)時(shí)，閾值的選取是固定的，如閾值取得過低，會(huì)產(chǎn)生大量的虛角點(diǎn)，從而降低檢測效率；如閾值過高，則會(huì)造成一定程度的漏檢，合理選取閾值能夠適應(yīng)對不同對比度的圖像的特征檢測，本文采用自適應(yīng)的方法選取閾值。

2.2 角點(diǎn)檢測改進(jìn)的步驟

對ORB中角點(diǎn)檢測改進(jìn)的具體步驟如下：

(1)對圖像進(jìn)行預(yù)處理。圖像增強(qiáng)，用直方圖均衡化實(shí)現(xiàn)。基于參考文獻(xiàn)[7]的方法，將信息熵可調(diào)直方圖均衡化方法用于圖像增強(qiáng)，對正則項(xiàng)系數(shù)作最優(yōu)選取，利用可調(diào)直方圖均衡化正則項(xiàng)系數(shù)自動(dòng)選取的先驗(yàn)方法進(jìn)行系數(shù)選取，具體為：對于大小為M×N的圖像G，其像素灰度值大小為g(x,y)(1≤x≤M,1≤y≤N)，各級灰度出現(xiàn)概率為h(i)(0≤i≤L-1)：

可調(diào)直方圖所對應(yīng)的灰度直方圖為：

(13)

取正則項(xiàng)系數(shù)λ為：

i=0,1,…,L-1

(14)

其中，參數(shù)k取10。

采用約束項(xiàng)準(zhǔn)則為：

(15)

另外，考慮到應(yīng)用中普遍存在高斯噪聲，采用拉普拉斯-高斯(LOG)算子實(shí)現(xiàn)對圖像噪聲的最大抑制。

(2)采用自適應(yīng)閾值方法，初步選取候選點(diǎn)。閾值選取的好壞直接影響角點(diǎn)提取的效果，檢測到的焦點(diǎn)個(gè)數(shù)隨著閾值大小的變化而變化[8-10]。采用固定閾值計(jì)算簡單，但缺乏靈活性，難以提取出滿意的角點(diǎn)，本文首先采用設(shè)置動(dòng)態(tài)全局閾值T1和動(dòng)態(tài)局部閾值T2的方法提取特征點(diǎn)。在獲取動(dòng)態(tài)全局閾值T1時(shí)，采用KSW熵方法。該方法用灰度直方圖近似估計(jì)灰度值的概率分布，使得閾值的變化更加合理，更加靈活，適應(yīng)不同圖像特征點(diǎn)提取的需要。

(16)

(17)

圖像的熵為兩部分熵S1、S2之和。分別求出使得圖像的熵最大的灰度級TMAX和最小的灰度級TMIN，最佳全局閾值T1設(shè)定為：

(18)

采用KSW熵方法忽略了圖像局部的灰度變化而不能兼顧圖像各種變化情況的影響，如圖像中的陰影、光照不均、突發(fā)噪聲和背景突變等因素。因此對動(dòng)態(tài)全局閾值T1得到的候選點(diǎn)采用動(dòng)態(tài)局部閾值T2進(jìn)一步進(jìn)行篩選。設(shè)圖像上(xo，yo)點(diǎn)為候選特征點(diǎn)，以(xo，yo)為中心取矩形的邊長為L，定義動(dòng)態(tài)局部閾值T2為：

(19)

式中，Iimax和Iimin分別代表方形區(qū)域L中最大的n個(gè)灰度值和最小的n個(gè)灰度值，Iiaver為方形區(qū)域中的灰度平均值。k一般取值為2～4。

(3)去除不穩(wěn)定邊緣點(diǎn)

通過上述步驟后，還有一些不穩(wěn)定的邊緣點(diǎn)，這里引入海森矩陣。一個(gè)2×2的海森矩陣如式(20)所示：

(20)

通過計(jì)算該矩陣的特征值，得到一個(gè)比值γ:

3 實(shí)驗(yàn)效果分析

本文實(shí)驗(yàn)平臺采用Windows 7 64位操作系統(tǒng)，Core i7-4770 3.4 GHz CPU，8 GB RAM，Visual Studio 2010,OpenCV 2.4.10。圖2(a)和(b)分別為用傳統(tǒng)的ORB方法和本文改進(jìn)的ORB方法提取特征點(diǎn)的效果圖。

圖2 傳統(tǒng)ORB與改進(jìn)ORB提取特征點(diǎn)效果對比圖

從圖2(a)、(b)可以看出，采用改進(jìn)的ORB算法，去除了大量的冗余特征點(diǎn)和孤立的非前景特征點(diǎn)，大大地提高了特征點(diǎn)地提取精度，為圖像的準(zhǔn)確匹配奠定了基礎(chǔ)。

為了驗(yàn)證特征點(diǎn)的有效性，取兩幅圖，分別為原圖和待匹配圖，采用傳統(tǒng)ORB算法和改進(jìn)的ORB算法實(shí)現(xiàn)圖像的匹配，匹配效果如圖3所示。

圖3 傳統(tǒng)和改進(jìn)ORB算法圖像匹配效果對比圖

[1] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SUR[C]. IEEE International Conference on Computer Vision, 2011, 58(11):2564-2571.

[2] ROSTEN E , DRUMMOND T. Machine learing for high speed corer detection[C]. Eurpean Conference on Computer Vision,2006, 3951:430-443.

[3] ROSTEN E, PORTER R, DRUMMOND T. Faster and better: a machine learing approach to corer detection[J]. Analysis and Machine Intelligence, 2008, 32(1):105-119.

[4] 燕鵬,安如. 基于FAST改進(jìn)的快速角點(diǎn)探測算法[J].紅外激光與工程,2009，38(6):1104-1108.

[5] 梁艷菊,李慶,陳大鵬,等. 一種快速魯棒的LOG-FAST角點(diǎn)算法[J].計(jì)算機(jī)科學(xué),2012,39(6):251-254.

[6] MICHAEL C, VINCENT L, CHRISTOPH S, et al. BRIEF_ binary robust independent elementary features[C]. European Conference on Computer Vision, 2011, 6134:778-792.

[7] 吳成茂. 可調(diào)直方圖均衡化的正則解釋及其改進(jìn)[J].電子學(xué)報(bào),2011,39(6):1278-1824.

[8] 劉波,仲思東.一種基于自適應(yīng)閾值的SUSAN角點(diǎn)提取算法[J].紅外技術(shù),2006,28(6):331-333.

[9] 包正睿,楊任爾.基于閾值的數(shù)字圖像去噪的算法研究[J].微型機(jī)與應(yīng)用, 2015, 34(1):47-49.

[10] 劉洲峰,王九各,趙全軍,等.基于改進(jìn)自適應(yīng)閾值的織物疵點(diǎn)檢測算法研究[J].微型機(jī)與應(yīng)用, 2013, 32(10):38-40.

Application of an improved ORB algorithm in image matching

Chen Yu

(School of Information Engineering, Guangdong Polytechnic College, Zhaoqing 526114, China)

The threshold of feature point in ORB algorithm exists problems of human intervention and lack of robustness in different contrast images. Focusing on the problems, this article presents an improved algorithm of ORB. This algorithm improves FAST algorithm. Firstly, histogram equalization is used to realize the image enhancement. Then a method of adaptive threshold is introduced to set up a dynamic global threshold and a local threshold to extract the feature points respectively. At last, unstable feature points of edge are removed by haze-matrix. Experiment shows that the improved algorithm can realize the accurate positioning of feature points, and performances stronger anti-noise ability, it is superior to the traditional algorithms of the ORB in the realization of image matching.

ORB; FAST feature points; image matching

TP391.413

A

10.19358/j.issn.1674- 7720.2017.16.011

陳玉.一種改進(jìn)的ORB算法在圖像匹配中的應(yīng)用[J].微型機(jī)與應(yīng)用，2017,36(16)：37-40.

2017-03-16)

陳玉(1987-)，通信作者，女，碩士，助教，主要研究方向：圖像處理、模式識別、物聯(lián)網(wǎng)。E-mail：137561245@qq.com。