宋　博，姜萬(wàn)里，孫　濤，熊正強(qiáng)，芮華建

SONG Bo1,JIANG Wanli2,SUN Tao1,XIONG Zhengqiang1,RUI Huajian1

1.武漢大學(xué) 電子信息學(xué)院，武漢 430072

2.陸軍軍官學(xué)院，合肥 230031

1.School of Electronics and Information,Wuhan University,Wuhan 430072,China

2.Army OfficerAcademy of PLA,Hefei 230031,China

1　引言

圖像特征點(diǎn)配準(zhǔn)廣泛應(yīng)用于三維重建、醫(yī)學(xué)制導(dǎo)、圖像拼接等領(lǐng)域中，是計(jì)算機(jī)視覺(jué)領(lǐng)域中基礎(chǔ)而又重要的課題[1-3]。圖像特征點(diǎn)是指能夠有效表達(dá)圖像本質(zhì)的點(diǎn)，而圖像特征點(diǎn)匹配是指在圖像中找出有效的匹配點(diǎn)對(duì)，進(jìn)而實(shí)現(xiàn)圖像配準(zhǔn)。圖像配準(zhǔn)是圖像處理領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù)，一直以來(lái)很多學(xué)者在此方面做了大量的工作，研究的焦點(diǎn)多集中在匹配的準(zhǔn)確率和實(shí)時(shí)性等方面。

基于特征的圖像配準(zhǔn)方法是利用圖像的特征信息實(shí)現(xiàn)配準(zhǔn)。例如Harris算法，分別在模板圖像和待配準(zhǔn)圖像上，提取Harris角點(diǎn)信息，然后利用相關(guān)系數(shù)關(guān)系，在待匹配圖像中搜索出相關(guān)性最大的位置，但是這種方法不具有尺度和旋轉(zhuǎn)不變性[4]。2004年，Lowe提出的SIFT（Scale Invariant Feature Transform）算法，通過(guò)引入高斯拉普拉斯算子實(shí)現(xiàn)了特征點(diǎn)的尺度旋轉(zhuǎn)不變性，進(jìn)一步實(shí)現(xiàn)了圖像的自動(dòng)配準(zhǔn)，但是因?yàn)樗惴ㄒ闅v整幅圖像求解，相應(yīng)地也增加了運(yùn)算工作量，不能達(dá)到實(shí)時(shí)性的要求[5]。2006年，Bay等[6]在SIFT算法基礎(chǔ)上，提出了SURF（Speeded Up Robust Features）算法，該方法利用Haar小波，計(jì)算特征點(diǎn)的主方向，提高了圖像配準(zhǔn)的速度，但是仍然不能達(dá)到實(shí)時(shí)性的要求。對(duì)于紋理信息豐富的圖像，Rosten等[7-8]研究了實(shí)時(shí)性更強(qiáng)的FAST特征檢測(cè)算法，但是該算法不具備縮放旋轉(zhuǎn)不變性。文獻(xiàn)[9]對(duì)具有代表性的特征準(zhǔn)點(diǎn)算法進(jìn)行了分析，證明了SURF算法是綜合性能最好的算法。2015年，Yang等[10]利用限制SURF算法提高了圖像的匹配速度。Lin等[11]在2015年提出利用全局相似變換進(jìn)行圖像配準(zhǔn)，提高了圖像配準(zhǔn)精度，但是在前期特征提取部分仍采用SIFT算法全局處理，沒(méi)有針對(duì)性地改善特征提取過(guò)程中計(jì)算量較大的問(wèn)題，實(shí)時(shí)性不足。雒培磊等[12]基于深度學(xué)習(xí)的方法對(duì)遙感影像進(jìn)行拼接，雖然通過(guò)十字點(diǎn)集的方法提前剔除誤匹配點(diǎn)，降低了圖像拼接總時(shí)間，但是配準(zhǔn)過(guò)程的時(shí)間消耗相比SIFT卻略有增加。此外，文獻(xiàn)[13-14]采用GPU、多核并行計(jì)算等硬件加速的方法實(shí)現(xiàn)配準(zhǔn)，但是該類方法對(duì)硬件要求較高，存在一定的經(jīng)濟(jì)成本。

針對(duì)特征點(diǎn)匹配中在耗時(shí)和精度方面的缺陷，本文對(duì)算法進(jìn)行改進(jìn)，提出了一種快速圖像配準(zhǔn)方法。先采用高斯拉普拉斯算子構(gòu)建邊緣稀疏矩陣，之后采用耗時(shí)較少的改進(jìn)后的FAST算法進(jìn)行特征點(diǎn)的提取，為了提高算法性能，對(duì)圖像進(jìn)行高斯拉普拉斯加權(quán)從而結(jié)合梯度信息求解。此外，采用感知哈希算法對(duì)匹配對(duì)提純，在此基礎(chǔ)上通過(guò)RANSAC算法得到單應(yīng)性矩陣最優(yōu)參數(shù)后，又依據(jù)仿射不變性建立約束條件對(duì)單應(yīng)形矩陣進(jìn)行校驗(yàn)。實(shí)驗(yàn)表明，本文提出的配準(zhǔn)方法具有良好的性能。

2　圖像快速配準(zhǔn)算法

2.1　特征點(diǎn)快速檢測(cè)提取

2.1.1構(gòu)建邊緣稀疏矩陣

傳統(tǒng)的特征檢測(cè)是對(duì)整幅圖像進(jìn)行遍歷計(jì)算，計(jì)算量是m×n（m是圖像的高度，n是圖像的寬度），會(huì)產(chǎn)生大量的特征信息，從而影響圖像/視頻幀的匹配時(shí)間。圖像的邊緣包含了圖像的大部分信息，通過(guò)高斯拉普拉斯算子（Laplacian of Gaussian，LoG）檢測(cè)出圖像的邊緣區(qū)域，然后在邊緣區(qū)域上進(jìn)行特征點(diǎn)檢測(cè)能夠極大程度上增加檢測(cè)特征點(diǎn)的穩(wěn)定性，同時(shí)可以大大降低計(jì)算量。另一方面，圖像特征的質(zhì)量，影響著圖像的匹配準(zhǔn)確率，好的特征點(diǎn)應(yīng)該具有好的魯棒性。特征點(diǎn)一般位于一階導(dǎo)數(shù)極大值點(diǎn)，轉(zhuǎn)換為二階導(dǎo)數(shù)，也就是位于二階導(dǎo)數(shù)為零的點(diǎn)。一般直接求一階導(dǎo)數(shù)的極大值比較復(fù)雜，而通過(guò)求解二階導(dǎo)數(shù)為零的點(diǎn)，可以減少計(jì)算量，節(jié)省耗時(shí)。

本文采用LoG算子來(lái)計(jì)算局部特征，它是一種二階導(dǎo)數(shù)算子，具有各向同性的邊緣檢測(cè)算子，能對(duì)任何方向的線條進(jìn)行銳化，且不具有方向性，這是高斯拉普拉斯算子最大的優(yōu)點(diǎn)。對(duì)于函數(shù) f(x,y)，在點(diǎn)(x,y)處的拉普拉斯算子如公式（1）所示：

在實(shí)際圖像邊緣檢測(cè)中，采用如式（2）所示高斯拉普拉斯算子模板M計(jì)算梯度值，模板的中心系數(shù)為正數(shù)，其余的系數(shù)為負(fù)，所有模板的系數(shù)之和為零。

通過(guò)高斯拉普拉斯算子求得圖像的梯度信息之后，邊緣圖像中仍然存在著一些梯度值較小的像素點(diǎn)以及因噪聲等因素存在的梯度值較大的像素點(diǎn)。這些信息對(duì)于特征點(diǎn)的提取會(huì)造成干擾，同時(shí)導(dǎo)致提取到的特征點(diǎn)數(shù)量過(guò)多，影響效率。因此，實(shí)際中需要設(shè)置適當(dāng)?shù)奶荻乳撝颠M(jìn)行過(guò)濾，提取邊緣稀疏矩陣。

如圖1顯示了實(shí)際過(guò)程梯度閾值的設(shè)置流程。首先，根據(jù)潛在邊緣點(diǎn)的梯度分布直方圖得到梯度幅值的遞增排列，初始值選取遞增方向達(dá)到總數(shù)80%的邊緣點(diǎn)對(duì)應(yīng)的梯度值為高閾值TGmax，低閾值TGmin為高閾值的一半。然后，根據(jù)邊緣點(diǎn)像素個(gè)數(shù)占總像素比例對(duì)稀疏度進(jìn)行判斷，本文中設(shè)置判斷參考范圍為3%～10%。若未滿足要求，則根據(jù)浮動(dòng)閾值ΔT進(jìn)行微調(diào)。實(shí)驗(yàn)中，大多數(shù)情況下使用初始閾值便可達(dá)到稀疏度要求，甚至有些情況直接得到的邊緣矩陣已經(jīng)滿足稀疏度條件。

圖1　梯度閾值設(shè)置示意圖

通過(guò)邊緣稀疏矩陣提取對(duì)應(yīng)的像素信息，剔除了部分弱邊緣的像素點(diǎn)，減少了噪聲的干擾，同時(shí)保留了大部分邊緣信息。對(duì)于紋理較平坦的圖像，因稀疏度判斷并不會(huì)丟失主要信息；對(duì)于紋理豐富的圖像，剔除了部分邊緣，從而減少計(jì)算量，盡管存在部分特征點(diǎn)的丟失，但圖像配準(zhǔn)過(guò)程中理論上只需要四對(duì)準(zhǔn)確的匹配點(diǎn)對(duì)，就可以獲得準(zhǔn)確的單應(yīng)性矩陣，在實(shí)驗(yàn)過(guò)程中，保留的邊緣信息中存在足夠的準(zhǔn)確的匹配點(diǎn)對(duì)。

2.1.2優(yōu)化的FAST特征點(diǎn)檢測(cè)

FAST是一種角點(diǎn)檢測(cè)方法，該方法最早是由Edward Rosten和Tom Drummond提出的，該方法最明顯的優(yōu)點(diǎn)是它高效的計(jì)算速度。

如圖2所示，F(xiàn)AST特征點(diǎn)檢測(cè)的方法是在以P像素為中心的圓周上按順時(shí)針?lè)较驈?到16的順序?qū)A周像素點(diǎn)進(jìn)行編號(hào)。根據(jù)式（3）所示，如果在圓周上有N個(gè)連續(xù)的像素的亮度都比圓心像素的亮度lp加上閾值th還要亮，或者比圓心像素的亮度lp減去閾值th還要暗，則圓心像素被稱為候選特征點(diǎn)[15]。

圖2　FAST特征點(diǎn)檢測(cè)示意圖

目前使用FAST算法可以通過(guò)先檢測(cè)非特征點(diǎn)的像素點(diǎn)來(lái)提高檢測(cè)速度，但是FAST特征點(diǎn)檢測(cè)算法只考慮了中心像素與圓周上的像素的關(guān)系，這導(dǎo)致該方法僅對(duì)圓周邊緣區(qū)域進(jìn)行特征點(diǎn)檢測(cè)，并沒(méi)有結(jié)合圓周內(nèi)部像素點(diǎn)的信息，導(dǎo)致檢測(cè)的特征點(diǎn)較少以及誤檢測(cè)現(xiàn)象發(fā)生。在已通過(guò)LoG算子求得梯度信息之后，如式（4）所示，考慮將需要檢測(cè)的圓心像素I0(x,y)的鄰域（圓周內(nèi)部像素）的梯度信息加權(quán)融合至圓心像素以在保持FAST算法穩(wěn)定性的基礎(chǔ)上增加檢測(cè)特征點(diǎn)的數(shù)目。

在式（5）的基礎(chǔ)上，使用FAST特征點(diǎn)檢測(cè)算法對(duì)特征點(diǎn)進(jìn)行提取，當(dāng)α?LoG?I(x,y)＞0時(shí)，則說(shuō)明該待檢測(cè)點(diǎn)是較亮點(diǎn)，通過(guò)梯度加權(quán)值變小，則增加了該點(diǎn)比圓周上N個(gè)連續(xù)的像素點(diǎn)都亮的可能性；當(dāng)α?LoG?I(x,y)＜0時(shí)，說(shuō)明該待檢測(cè)點(diǎn)是較暗點(diǎn)，通過(guò)梯度的加權(quán)，值變小，則增加了該點(diǎn)比圓周上N個(gè)連續(xù)的像素點(diǎn)都暗的可能性。通過(guò)在檢測(cè)過(guò)程中加入梯度信息，從而調(diào)節(jié)了FAST特征點(diǎn)判斷的閾值范圍，相當(dāng)于利用梯度信息對(duì)候選特征點(diǎn)進(jìn)一步篩選，使得對(duì)圖像中存在的陰影、噪聲、亮度變化等具有更強(qiáng)的適應(yīng)能力，可以增加特征點(diǎn)檢測(cè)數(shù)目，使特征點(diǎn)提取更加穩(wěn)定。

2.2　誤匹配對(duì)剔除

2.2.1感知哈希算法優(yōu)化匹配對(duì)

特征點(diǎn)匹配的好壞直接影響圖像配準(zhǔn)的結(jié)果，而特征點(diǎn)匹配因閾值、噪聲等原因總會(huì)存在誤匹配點(diǎn)。在計(jì)算變換參數(shù)之前移除誤匹配點(diǎn)，能夠提高配準(zhǔn)精度，同時(shí)降低計(jì)算復(fù)雜度。本文提出使用均值感知哈希方法[16]提純匹配點(diǎn)對(duì)，該方法以匹配點(diǎn)對(duì)為中心，以特征點(diǎn)的主方向?yàn)樗椒较?，提取一定大小的圖像塊計(jì)算得到該特征點(diǎn)的哈希指紋，通過(guò)匹配點(diǎn)對(duì)哈希指紋的對(duì)比驗(yàn)證來(lái)判斷該匹配點(diǎn)對(duì)是否正確匹配。

均值感知哈希利用圖像的低頻信息計(jì)算哈希指紋，相比其他感知哈希算法[17]具有較快的運(yùn)行速度，通過(guò)比較兩幅圖的哈希指紋就可以判斷兩幅圖像是否相似[18]。哈希指紋一般是在8×8圖像大小尺寸下獲得的0、1哈希值組合，通過(guò)計(jì)算比較相同位置哈希值不同的個(gè)數(shù)，如果不同的個(gè)數(shù)為0，則這兩張圖片非常相似，如果這兩張圖片的哈希距離的不同個(gè)數(shù)小于5，則這兩幅圖像相似，否則認(rèn)為這兩幅圖像差別很大，不相似。

在獲得匹配對(duì)之后，對(duì)于準(zhǔn)確的匹配點(diǎn)對(duì)，其所處圖像區(qū)域也是相似的；對(duì)于錯(cuò)誤的匹配點(diǎn)對(duì)，其所處圖像區(qū)域是有差異的[19]。根據(jù)這一特性，結(jié)合感知哈希算法對(duì)匹配對(duì)進(jìn)行校驗(yàn)，剔除錯(cuò)誤的匹配對(duì)，具體的算法流程如下。

步驟1選取特征點(diǎn)鄰域尺寸：以特征點(diǎn)的主方向?yàn)榇怪狈较颍缓笠酝ㄟ^(guò)FAST提取的特征點(diǎn)為中心，因?yàn)樘卣鼽c(diǎn)距圓周邊緣的最小尺寸為3，為了更好地保留邊緣特征點(diǎn)，所以選取7×7的正方形作為感知哈希校驗(yàn)區(qū)域。

步驟2簡(jiǎn)化色彩：將步驟1中獲得7×7圖像轉(zhuǎn)換為7×7灰度圖像。

步驟3計(jì)算像素灰度平均值：計(jì)算步驟2中得到的7×7灰度圖像的49個(gè)像素的灰度平均值。

步驟4比較像素灰度值：將步驟2得到的7×7灰度圖像的每個(gè)像素與步驟3中得到的7×7灰度圖像的灰度平均值進(jìn)行比較，大于平均值的記為1，小于平均值的記為0。

步驟5計(jì)算哈希值：將步驟4中得到的49個(gè)0、1按固定的順序組合起來(lái)，這樣就得到了該以特征點(diǎn)為中心的哈希指紋。

步驟6匹配點(diǎn)提純：通過(guò)比較步驟5中獲得的哈希指紋，統(tǒng)計(jì)49個(gè)相同位置的值的不同的個(gè)數(shù)，如果不同的個(gè)數(shù)小于5，則認(rèn)為這對(duì)匹配點(diǎn)對(duì)是正確匹配的，否則不是正確的匹配點(diǎn)對(duì)。

如圖3（a）所示，在SURF描述符下使用FAST算法得到的匹配點(diǎn)對(duì)，此時(shí)未使用感知哈希驗(yàn)證，可以看到圖中存在數(shù)對(duì)誤匹配對(duì)。圖3（b）為按照上述誤匹配剔除算法對(duì)圖3（a）中匹配點(diǎn)對(duì)進(jìn)行提純，可以看到圖3（a）中原來(lái)存在的誤匹配對(duì)已全部被剔除。

圖3　圖像匹配點(diǎn)對(duì)感知哈希算法驗(yàn)證前后對(duì)比

在對(duì)匹配對(duì)進(jìn)行提純之后，使用RANSAC算法來(lái)進(jìn)行迭代尋找最佳的單應(yīng)性矩陣。因?yàn)榻?jīng)過(guò)一次提純，剔除了錯(cuò)誤的匹配對(duì)，減少了樣本數(shù)據(jù)集中的無(wú)效數(shù)據(jù)，使得在匹配點(diǎn)數(shù)據(jù)集中迭代尋找最優(yōu)參數(shù)矩陣更加高效。

2.2.2單應(yīng)性矩陣準(zhǔn)確性校驗(yàn)

在視頻圖像匹配中，經(jīng)過(guò)前述步驟并不能判斷圖像是否正確匹配。Lin等[20]曾在2016年利用改進(jìn)的Seamdriven并且加入了曲線和直線結(jié)構(gòu)保持約束，進(jìn)一步提高了圖像配準(zhǔn)精度。本文根據(jù)圖像的仿射變換的特性，提出了相應(yīng)的約束條件進(jìn)行校驗(yàn)，進(jìn)而去除干擾圖像。

平面圖像的仿射變換應(yīng)具有以下特性：共線線段單比不變性、直線的平行性[21]。已知四點(diǎn) Pi(xi,yi)(i=1,2,3,4)，且其中直線P1P2與直線P3P4平行，那么經(jīng)過(guò)仿射變換后

由直線的平行性可得：

因直線P1P2與直線P3P4平行，故經(jīng)過(guò)仿射變換后理論上也是平行的，但是在實(shí)際中總會(huì)存在一定誤差，式（6）中β是變換后兩平行線斜率差的閾值。

由共線線段單比不變性可得：

通過(guò)式（6）、（7）所示約束條件，對(duì)所得單應(yīng)性矩陣準(zhǔn)確性進(jìn)行校驗(yàn)，不滿足閾值約束條件的結(jié)果被判定為錯(cuò)誤的配準(zhǔn)結(jié)果。

3　實(shí)驗(yàn)分析

實(shí)驗(yàn)平臺(tái)硬件環(huán)境：Intel?Core? i5 2.50 GHz CPU，4 GB RAM；軟件環(huán)境：Windows 7旗艦版系統(tǒng)，Microsoft Visual Studio 2010，Visual C++，Open_CV_VERSION 2.4.8。默認(rèn)采用的梯度閾值TGmin=20，TGmax=40，F(xiàn)AST特征點(diǎn)選取閾值th=30，仿射不變性閾值β=γ=0.2，拉普拉斯加權(quán)系數(shù)α=0.075，漢明閾值為2倍的最小距離。在實(shí)際不同的場(chǎng)景中，提取的特征點(diǎn)數(shù)量存在差異，實(shí)驗(yàn)中特征點(diǎn)的提取數(shù)量范圍設(shè)定為80～120。

（1）仿射不變性校驗(yàn)

為驗(yàn)證本文所提仿射不變性約束條件在匹配過(guò)程中的有效性，對(duì)不同算法在匹配圖像中存在和不存在目標(biāo)物體（課本）情況下的匹配結(jié)果進(jìn)行對(duì)比分析。

如圖4所示，第一行是SIFT算法處理結(jié)果，第二行是SURF算法處理結(jié)果，第三行是ORB算法處理結(jié)果，第四行是本文算法處理結(jié)果。第一列是SIFT、SURF、ORB和本文算法分別對(duì)含有目標(biāo)物體（課本）圖像匹配的結(jié)果，可以看出都能很好地匹配到目標(biāo)，SIFT和SURF算法匹配到的特征點(diǎn)較多，但存在的誤匹配對(duì)也較多，ORB和本文算法匹配對(duì)較少；第二列匹配圖像中不存在目標(biāo)物體情況下四種算法的匹配結(jié)果，可以看到SIFT、SURF、ORB方法均匹配到了大量的匹配點(diǎn)對(duì)，本文算法也存在少量的匹配對(duì)，但是實(shí)際并不存在目標(biāo)。第三列圖像為四種方法在第二列圖像匹配基礎(chǔ)上標(biāo)記出的匹配結(jié)果，可以看到只有本文算法最終未標(biāo)記出目標(biāo)物體匹配結(jié)果，這是因?yàn)楸疚乃惴ɡ脠D像變換的仿射不變性，對(duì)匹配結(jié)果進(jìn)行判斷處理后的結(jié)果，可以看出，算法能夠在不存在目標(biāo)時(shí)，很好地糾正誤匹配結(jié)果。

圖4　匹配圖像中存在和不存在目標(biāo)物狀態(tài)下SIFT、SURF、ORB及本文算法的特征點(diǎn)匹配結(jié)果

（2）縮放、旋轉(zhuǎn)和噪聲匹配性能分析

為檢驗(yàn)本文算法的縮放、旋轉(zhuǎn)和噪聲匹配性能，選擇標(biāo)準(zhǔn)Lena圖像（512×512）為參考圖像，以存在縮放旋轉(zhuǎn)的高斯噪聲Lena圖像為待匹配圖像，其獲取方法為：對(duì)標(biāo)準(zhǔn)Lena圖像，加高斯白噪聲，然后對(duì)圖像進(jìn)行橫向4/5，縱向6/5的縮放，然后順時(shí)針旋轉(zhuǎn)35°。將本文算法與SIFT、SURF、ORB算法進(jìn)行匹配性能比較。實(shí)際實(shí)驗(yàn)過(guò)程中，避免匹配過(guò)程特征點(diǎn)數(shù)過(guò)多，對(duì)圖像進(jìn)行一次下采樣處理，以便后續(xù)計(jì)算。另外，SIFT、SURF、ORB算法匹配對(duì)提取最優(yōu)匹配點(diǎn)時(shí)采用的漢明距離閾值是2.5倍的最小距離。

圖5為在前述縮放、旋轉(zhuǎn)和噪聲情況下，幾種算法的特征點(diǎn)匹配結(jié)果對(duì)比。圖5（a）為SIFT算法匹配結(jié)果，41個(gè)匹配對(duì)中有3對(duì)誤匹配，誤匹配率約為7.32%；圖5（b）為SURF算法匹配結(jié)果，32個(gè)匹配對(duì)中，有16對(duì)誤匹配，誤匹配率為50%；圖5（c）為ORB算法匹配結(jié)果，31個(gè)匹配對(duì)中，有1個(gè)誤匹配對(duì)，誤匹配率約為3.23%；圖5（d）為本文算法匹配結(jié)果，在32個(gè)匹配對(duì)中，有4對(duì)誤匹配，誤匹配率約為12.5%。從仿真實(shí)驗(yàn)結(jié)果來(lái)看，在圖像存在噪聲、縮放和旋轉(zhuǎn)的情況下，ORB、SIFT和本文算法都表現(xiàn)出很強(qiáng)的魯棒性，SURF性能最差。

如圖6所示，使用所提算法對(duì)不同場(chǎng)景下實(shí)際拍攝圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證結(jié)果，圖像中方框標(biāo)記出為匹配出的目標(biāo)物體（課本）。第一行為待匹配圖像由大到小情況下的縮放匹配結(jié)果；第二行為待匹配圖像在不同旋轉(zhuǎn)角度情況下的匹配結(jié)果；第三行是待匹配圖像不同投影變換下的匹配結(jié)果；第四行為待匹配圖像在被部分遮擋情況下的匹配結(jié)果；第五行為待匹配圖像在光照條件從暗至亮發(fā)生變化情況下的匹配結(jié)果。從實(shí)驗(yàn)結(jié)果中可以看出本文算法在圖像存在一定縮放、旋轉(zhuǎn)、投影變換、遮擋和光照變化的情況下，都能夠很好地實(shí)現(xiàn)圖像的匹配，具有很好的魯棒性，而且在經(jīng)過(guò)感知哈希與仿射不變性的進(jìn)一步校驗(yàn)之后，具有很少的誤判斷。

圖5　本文算法與經(jīng)典算法Lena圖像特征點(diǎn)匹配結(jié)果對(duì)比

圖6　不同場(chǎng)景下實(shí)拍圖像本文算法特征點(diǎn)匹配結(jié)果

（3）運(yùn)行效率分析

為檢驗(yàn)算法的運(yùn)行效率，選擇標(biāo)準(zhǔn)Lena圖像（512×512）進(jìn)行特征描述仿真實(shí)驗(yàn)，將本文算法結(jié)果與SIFT、SURF、ORB算法結(jié)果進(jìn)行對(duì)比分析。得到四種算法的特征點(diǎn)提取具體耗時(shí)如表1所示，表中時(shí)間均為連續(xù)處理10次之后的平均值。

由表1中對(duì)單個(gè)特征點(diǎn)描述所用時(shí)間的平均值可知，本文算法速度最快，約是SIFT算法耗時(shí)的1/160，約是SURF算法耗時(shí)的1/75，約是ORB算法的1/14。從總耗時(shí)來(lái)看ORB算法耗時(shí)最短，主要原因是本文算法為解決FAST算法下某些特征點(diǎn)難以提取的問(wèn)題，利用高斯拉普拉斯算子加權(quán)從而增加了FAST算法檢測(cè)的特征點(diǎn)數(shù)。

表1　本文算法與經(jīng)典算法性能比較

如圖7為一段視頻序列圖像中沒(méi)有目標(biāo)、出現(xiàn)目標(biāo)、目標(biāo)消失過(guò)程中本文方法連續(xù)運(yùn)行耗時(shí)曲線。兩條垂直標(biāo)記線分別表示目標(biāo)49幀開(kāi)始出現(xiàn)及97幀目標(biāo)消失，標(biāo)記線之間表示在目標(biāo)出現(xiàn)在視頻期間利用本文算法對(duì)目標(biāo)進(jìn)行匹配的耗時(shí)，其他區(qū)間為無(wú)目標(biāo)時(shí)處理耗時(shí)。在49～97幀出現(xiàn)目標(biāo)時(shí)，單幀處理最大耗時(shí)為50 ms，而整個(gè)區(qū)間變化穩(wěn)定在30～40 ms，在無(wú)目標(biāo)匹配過(guò)程中，單幀處理耗時(shí)基本穩(wěn)定在20～30 ms。在曲線中出現(xiàn)峰值，產(chǎn)生的原因可能有兩個(gè)：（1）視頻中出現(xiàn)噪聲，造成圖像稀疏矩陣中非零個(gè)數(shù)增加，增加了計(jì)算量；（2）可能是算法中梯度閾值、FAST特征閾值的更新或高斯拉普拉斯算子的加權(quán)系數(shù)的更新，增加了計(jì)算量。但是總體上看，本文算法的處理速度整體小于50 ms/幀，具有良好的實(shí)時(shí)性以及魯棒性。

圖7　視頻序列圖像匹配耗時(shí)變化曲線

（4）圖像配準(zhǔn)結(jié)果分析

為驗(yàn)證本文算法整體性能，對(duì)無(wú)人機(jī)航拍得到的實(shí)際序列圖像進(jìn)行了實(shí)驗(yàn)驗(yàn)證，其中，無(wú)人機(jī)航拍序列圖像第60幀和96幀配準(zhǔn)結(jié)果如圖8所示。在圖8中，暗度較低的部分是第60幀圖像經(jīng)過(guò)降低亮度顯示的結(jié)果，亮度較高的是第96幀圖像，這樣處理是為了方便對(duì)圖像的配準(zhǔn)結(jié)果進(jìn)行分析比較，圖中箭頭標(biāo)記序號(hào)為配準(zhǔn)結(jié)果比對(duì)位置。圖8（a）是利用SIFT算法進(jìn)行配準(zhǔn)的結(jié)果，可以看出利用SIFT算法進(jìn)行配準(zhǔn)的結(jié)果在1和2處的線性區(qū)域具有一定的錯(cuò)位，在3處房子明顯出現(xiàn)了錯(cuò)位。圖8（b）是利用SURF算法進(jìn)行配準(zhǔn)的結(jié)果，可以看出SURF算法在1處具有較好的配準(zhǔn)效果，在2處公路的行車線則出現(xiàn)錯(cuò)位，在3處出現(xiàn)了明顯的錯(cuò)位，4處甚至都出現(xiàn)明顯的誤配準(zhǔn)。圖8（c）是利用本文算法進(jìn)行配準(zhǔn)的結(jié)果，可以看出本文算法最終在3處配準(zhǔn)比對(duì)位置的配準(zhǔn)結(jié)果都具有較好的直觀效果，沒(méi)有出現(xiàn)因誤匹配導(dǎo)致的變形和錯(cuò)位現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在配準(zhǔn)精度上要優(yōu)于SIFT和SURF算法。

圖8　本文算法與SIFT、SURF算法圖像配準(zhǔn)結(jié)果對(duì)比

4　結(jié)束語(yǔ)

針對(duì)經(jīng)典的特征點(diǎn)算法是從整個(gè)圖像進(jìn)行遍歷來(lái)確定特征點(diǎn)的問(wèn)題，本文提出了一種先建立圖像邊緣稀疏矩陣，在其基礎(chǔ)上利用改進(jìn)的FAST算法快速提取特征點(diǎn)，再通過(guò)SURF描述符為特征點(diǎn)構(gòu)建描述向量。獲得匹配點(diǎn)對(duì)后，利用均值感知哈希算法對(duì)匹配點(diǎn)對(duì)提純，之后再使用RANSAC算法尋找最優(yōu)參數(shù)矩陣，并結(jié)合仿射不變性對(duì)單應(yīng)性矩陣進(jìn)行校驗(yàn)，提高圖像配準(zhǔn)準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，本文算法具有很好的配準(zhǔn)精確性、時(shí)效性以及魯棒性。

參考文獻(xiàn)：

[1]Burger W，Burge M J.Digital image processing：An algorithmic introduction using Java[M].Berlin：Springer，2016.

[2]Oliveira F P M，Tavares J M R S.Medical image regis-tration：A review[J].Computer Methods in Biomechanics and Biomedical Engineering，2014，17（2）：73-93.

[3]Adel E，Elmogy M，Elbakry H.Image stitching based on feature extraction techniques：A survey[J].International Journal of Computer Applications，2014，99（6）：1-8.

[4]Harris C.A combined corner and edge detector[C]//Proc of Alvey Vision Conf，1988：147-151.

[5]Lowe D G.Distinctive image features from scale-invariant keypoints[C]//International Journal of Computer Vision，2004，60（2）：91-110.

[6]Bay H，Tuytelaars T，Van Gool L.Surf：Speeded up robust features[C]/Proceedings of European Conference on Computer Vision（ECCV 2006），2006：404-417.

[7]Rosten E，Drummond T.Machine Learning for High-Speed Corner Detection[C]//Proceedings of European Conference on Computer Vision，2006：430-443.

[8]Rosten E，Porter R，Drummond T.Faster and better：A machine learning approach to corner detection[J].IEEE Transactions on Pattern Analysis&Machine Intelligence，2010，32：105-119.

[9]Mikolajczyk K，Schmid C.A performance evaluation of local descriptors[J].IEEE Trans on Pattern Aralysis&Machine Intelligence，2005，27（10）：1615-1630.

[10]Yang K.Missile placement analysis based on improved SURF feature matching algorithm[C]//Proceedings of International Conference on Graphic and Image Processing，2015.

[11]Lin C C，Pankanti S U，Ramamurthy K N，et al.Adaptive as-natural-as-possible image stitching[C]//Proceedings of International Conference on Computer Vision and Pattern Recognition，2015：1155-1163.

[12]雒培磊，李國(guó)慶，曾怡.一種改進(jìn)的基于深度學(xué)習(xí)的遙感影像拼接方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（20）：180-186.

[13]Daga P，Chadebecq F，Shakir D C S，et al.Real-time mosaicing of fetoscopic videos using SIFT[C]//Proceedings of SPIE Medical Imaging，2016.

[14]曹國(guó)剛，張晴，張培君，等.基于多核并行化差異進(jìn)化算法的圖像配準(zhǔn)方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（20）：166-172.

[15]安維勝，余讓明，伍玉鈴.基于FAST和SURF的圖像配準(zhǔn)算法[J].計(jì)算機(jī)工程，2015，41（10）：232-235.

[16]Haviana S F C，Kurniadi D.Average hashing for perceptual image similarity in mobile phone application[J].Journal of Telematics and Informatics，2016，4（1）：12-18.

[17]Niu X M，Jiao Y H.Overview of perceptual hashing[J].Acta Electronica Sinica，2008，36（7）：1405-1411.

[18]丁凱孟，朱長(zhǎng)青，盧付強(qiáng).基于自適應(yīng)格網(wǎng)劃分的遙感影像感知哈希認(rèn)證算法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2015，40（6）：716-720.

[19]Jaewook J，Gunho S，Bang K，et al.Matching aerial images to 3D building models using context-based geometric hashing[J].Sensors，2016，16（6）：932.

[20]Lin K，Jiang N，Cheong L F，et al.SEAGULL：Seamguidedlocalalignmentforparallax-tolerantimage stitching[C]//ProceedingsofEuropeanConferenceon Computer Vision（ECCV 2016），2016.

[21]Demir B，Bruzzone L.Hashing-based scalable remote sensing image search and retrieval in large archives[J].IEEE Transactions on Geoscience&Remote Sensing，2016，54（2）：892-904.