張開(kāi)生 韋逸野

(陜西科技大學(xué)電氣與信息工程學(xué)院，陜西西安，710021)

數(shù)字化紙張是指采用數(shù)字化的形式來(lái)表征紙張的功能信息，將特定字符信息鑲嵌在非織物成形過(guò)程中，形成具有特定功能的專(zhuān)用紙張[1]。目前的研究主要為基于點(diǎn)陣圖形的纖維成紙方法[2]，其對(duì)紙張本身進(jìn)行了內(nèi)嵌式的加密，信息鑲嵌于紙張纖維之中。但在對(duì)數(shù)字化紙張進(jìn)行抄造時(shí)，需要對(duì)抄紙?jiān)O(shè)備進(jìn)行改造，耗費(fèi)人力物力，如果方案不完善，勢(shì)必還會(huì)造成更大的經(jīng)濟(jì)損失。為了完善數(shù)字化紙張的理念，為數(shù)字化紙張的實(shí)際抄造及信息識(shí)別提供理論指導(dǎo)，本文從數(shù)字化的角度出發(fā)，根據(jù)紙張?zhí)匦允褂肬nigraphics NX軟件進(jìn)行紙張數(shù)字化信息圖像建模，運(yùn)用軟件的仿真性能，獲取紙張圖像，并在此基礎(chǔ)上研究紙張功能數(shù)字化信息的識(shí)別方法。

目前，對(duì)圖像進(jìn)行識(shí)別處理的主流方法有基于圖像灰度值[3]和特征提取兩種?；趫D像灰度值的模板匹配方法雖然對(duì)圖像尺寸敏感、不具備旋轉(zhuǎn)不變性，但其簡(jiǎn)單易行、定位精度較高、匹配速度快?；谔卣魈崛〉钠ヅ浞椒╗4]主要有尺度不變特征變換(Scale-Invariant Feature Transform，SIFT)、加速穩(wěn)健特征(Speeded Up Robust Features，SURF)和基于FAST特征提取和BRIEF特征描述的算法(Oriented FAST and Rotated BRIEF，ORB)等，這幾種算法應(yīng)對(duì)圖像旋轉(zhuǎn)、亮度變化和尺度變化等有不同的效果。文獻(xiàn)[5]在SURF特征匹配階段利用Hessian矩陣跡的正負(fù)性來(lái)提高特征點(diǎn)匹配的速度，采用隨機(jī)采樣一致算法(Random Sample Consensus，RANSAC)提高匹配精確度。文獻(xiàn)[6]通過(guò)快速最近鄰搜索算法得到初匹配點(diǎn)，再進(jìn)行雙向匹配，最后采用漸進(jìn)抽樣一致性算法(Progressive Sample Consensus，PROSAC)進(jìn)一步剔除誤匹配點(diǎn)對(duì)。文獻(xiàn)[7]針對(duì)ORB算法，在FAST特征檢測(cè)時(shí)，建立多尺度空間金字塔，在計(jì)算描述符時(shí)，采用精簡(jiǎn)的快速視網(wǎng)膜特征描述。文獻(xiàn)[8]則通過(guò)雙直方圖哈希算法進(jìn)行模板匹配，縮小ORB特征提取范圍，節(jié)省了特征提取的時(shí)間，從而提高算法速度。

在圖像識(shí)別方面，本文針對(duì)實(shí)際識(shí)別中對(duì)實(shí)時(shí)性需求較強(qiáng)的特點(diǎn)，提出一種改進(jìn)的ORB算法。采用速度較快的ORB特征提取來(lái)獲得特征點(diǎn)和特征描述符，并結(jié)合隨機(jī)采樣一致性算法篩選特征點(diǎn)來(lái)保證圖像識(shí)別的精確度，通過(guò)快速最近鄰逼近搜索函數(shù)(Fast Library for Approximate Nearest Neighbors，F(xiàn)LANN)加快描述子匹配的匹配速度。最后使用透視變換來(lái)尋找已知物體，實(shí)現(xiàn)模擬紙張的信息識(shí)別。

1 數(shù)字化紙張建模

Unigraphics NX是一個(gè)交互式計(jì)算機(jī)輔助設(shè)計(jì)與計(jì)算機(jī)輔助制造系統(tǒng)(Computer Aided Design/Computer Aided Manufacturing，CAD/CAM)，功能強(qiáng)大，可以輕松實(shí)現(xiàn)各種復(fù)雜實(shí)體及造型的建構(gòu)。通過(guò)虛擬產(chǎn)品設(shè)計(jì)軟件Unigraphics NX首先形成3D的數(shù)字化紙張模型，在紙張模型上生成文字或者圖形，通過(guò)拉伸求差的方法使得文字與圖形產(chǎn)生嵌入紙張模型內(nèi)的效果，再通過(guò)真實(shí)渲染完善紙張建模。

首先進(jìn)行基礎(chǔ)紙張建模，在Unigraphics NX中選擇紙張形狀為長(zhǎng)方體，進(jìn)行紙張?jiān)c(diǎn)定位來(lái)確定模擬紙張的位置。然后進(jìn)行模擬紙張的尺寸設(shè)計(jì)，假設(shè)其為普通登記單及發(fā)票大小，即190 mm×265 mm。為了展示方便，模擬紙張的厚度設(shè)置為1 mm。由于單純的紙張模型不需要進(jìn)行布爾運(yùn)算，所以布爾運(yùn)算選項(xiàng)為無(wú)。

在模擬的基礎(chǔ)紙張構(gòu)建后，則進(jìn)行文字信息“陜西科技大學(xué)”的創(chuàng)建。文字信息需要放置在虛擬紙張正面上的位置，放置方法選擇面上的曲線，錨點(diǎn)位置與參數(shù)百分比默認(rèn)選擇與模擬紙張一致。接下來(lái)為了實(shí)現(xiàn)信息內(nèi)嵌的效果，需要對(duì)文字信息進(jìn)行立體的拉伸以及嵌入。選定文字“陜西科技大學(xué)”后使用軟件的“拉伸”功能來(lái)產(chǎn)生文字立體感，即方向矢量選擇紙張模型向內(nèi)，結(jié)束值設(shè)置為1 mm使之契合紙張參數(shù)。此時(shí)就需要用到布爾運(yùn)算中的求差使得立體文字與模擬紙張結(jié)合，至此數(shù)字化信息植入的模擬紙張構(gòu)建完成。

磁性點(diǎn)陣編碼控制器形成的紙張?zhí)攸c(diǎn)是點(diǎn)陣圖形的顏色由磁性纖維所決定，磁性纖維具有無(wú)色和有色兩種。所以在模擬紙張圖像時(shí)，有色磁性纖維形成的點(diǎn)陣圖形應(yīng)該具有不同顏色，且具有顏色的點(diǎn)陣圖形存在于紙張的正反面。無(wú)色磁性纖維形成的點(diǎn)陣圖形可以通過(guò)特制的裝置采集得到圖像，其圖像中信息的顏色應(yīng)為顯像磁粉的顏色。

為了產(chǎn)生由磁性點(diǎn)陣編碼控制器作用于磁性纖維形成的紙張模型，需要復(fù)制基礎(chǔ)紙張模型進(jìn)行填充。同時(shí)在進(jìn)行真實(shí)渲染時(shí)，選定符合真實(shí)紙張效果的白色亮澤對(duì)紙張模型進(jìn)行著色處理。假設(shè)該模擬紙張嵌入的文字信息使用了紅色磁性纖維，所以將嵌入的文字信息“陜西科技大學(xué)”選擇為紅色紋理，同時(shí)編輯復(fù)制后的紙張模型的顏色為淡粉色。這是因?yàn)榧t色磁性纖維存在紙張中，所以編碼控制器形成的文字信息處紅色磁性纖維密集，顏色較深顯示為紅色。其他紅色磁性纖維稀疏的紙張部分顯示為淡粉色，產(chǎn)生了紅色磁性纖維加密紙張正面模型(見(jiàn)圖1)。藍(lán)色磁性纖維創(chuàng)建同上，創(chuàng)建完成后選定模型后進(jìn)行模型旋轉(zhuǎn)，則產(chǎn)生藍(lán)色磁性纖維加密紙張反面模型(見(jiàn)圖2)。

圖1 紅色磁性纖維加密紙張正面

圖2 藍(lán)色磁性纖維加密紙張反面

2 模板匹配及其方法分析

2.1 模板匹配

模板匹配是一項(xiàng)在一副圖像中尋找與另一幅模板圖像最相似部分的技術(shù)。模板匹配并不是基于直方圖的，而是通過(guò)在輸入圖像上滑動(dòng)圖像塊，對(duì)實(shí)際的圖像塊和輸入圖像進(jìn)行匹配的一種匹配方法?；舅悸窞椋河靡阎膱D像模板和原圖像中同樣大小的一塊區(qū)域去對(duì)比。最開(kāi)始的時(shí)候，模板左上角與原圖像左上角重合，然后拿模板和原圖像中同樣大小的一塊區(qū)域?qū)Ρ炔⑵揭频较乱粋€(gè)像素，仍然進(jìn)行同樣的操作，如此循環(huán)至所有位置都對(duì)比完成后，原圖像中差別最小的那塊位置區(qū)域就是要找的目標(biāo)。

2.2 模板匹配方法

2.2.1平方差匹配法(TM_ SQDIFF)

這類(lèi)方法利用平方差來(lái)進(jìn)行匹配，最好匹配為0。若匹配越差，匹配值則越大。

2.2.2歸一化平方差匹配法(TM_ SQDIFF_ NORMED)

2.2.3相關(guān)匹配法(TM_ CCORR)

這類(lèi)方法采用模板和圖像間的乘法操作，較大的數(shù)表示匹配程度較高，0表示最壞的匹配效果。

2.2.4歸一化相關(guān)匹配法(TM_ CCORR_ NORMED)

這類(lèi)方法將模板對(duì)其均值的相對(duì)值與圖像對(duì)其均值的相關(guān)值進(jìn)行匹配，1表示完美匹配，-1表示糟糕匹配，而0表示沒(méi)有任何相關(guān)性(隨機(jī)序列)。

其中：

T′(x′，y′)=T(x′，y′)-1/(w·h)·∑x″，y″T(x″，y″)

I′(x+x′，y+y′)=I(x+x′，y+y′)-1/(w·h)·∑x″， y″I(x+x″，y+y″)

2.2.6化相關(guān)系數(shù)匹配法(TM_ CCOEFF_ NORMED)

通常，隨著從簡(jiǎn)單的平方差到更復(fù)雜的相關(guān)系數(shù)，匹配結(jié)果也會(huì)越來(lái)越準(zhǔn)確。但同時(shí)也會(huì)使得計(jì)算量越來(lái)越大。在實(shí)際應(yīng)用時(shí)，應(yīng)進(jìn)行不同的實(shí)驗(yàn)測(cè)試，以便方案同時(shí)兼顧速度和精度。

3 ORB算法及其原理分析

3.1 ORB算法

ORB為ORiented Brief的簡(jiǎn)稱(chēng)，是基于FAST特征檢測(cè)和BRIEF描述子改良的算法。BRIEF是Binary Robust Independent Elementary Features的縮寫(xiě)，主要思路就是在特征點(diǎn)附近選取若干點(diǎn)對(duì)，將這些點(diǎn)對(duì)的灰度值大小組合成一個(gè)二進(jìn)制串，并將這個(gè)二進(jìn)制串作為該特征點(diǎn)的特征描述子。BRIEF的優(yōu)點(diǎn)在于速度快，而缺點(diǎn)也相當(dāng)明顯：不具備旋轉(zhuǎn)不變性、對(duì)噪聲敏感、不具備尺度不變性。

ORB算法則是試圖解決上述缺點(diǎn)提出的一種新概念，但并沒(méi)有試圖解決尺度不變性。由于ORB算法執(zhí)行速度較快，所以O(shè)RB算法一般應(yīng)用在實(shí)時(shí)的視頻處理中。

3.2 ORB算法原理

3.2.1特征點(diǎn)提取

首先用FAST特征檢測(cè)方法，設(shè)置像素中心和圓環(huán)中心的強(qiáng)度閾值。以待測(cè)特征點(diǎn)為圓心，比較待測(cè)點(diǎn)和圓周上所有點(diǎn)的灰度值的大小，若差值足夠大并超過(guò)強(qiáng)度閾值，該待測(cè)點(diǎn)則為特征點(diǎn)。結(jié)合圖像尺度金字塔，一共N層，與SIFT不同，每層僅有一幅圖像，在每一層圖像計(jì)算需要提取的特征點(diǎn)數(shù)N，根據(jù)Harris角點(diǎn)響應(yīng)值排序。接著根據(jù)灰度質(zhì)心法，計(jì)算角點(diǎn)的灰度和質(zhì)心之間的偏移向量的方向作為特征點(diǎn)方向。

3.2.2特征點(diǎn)描述子

圖像在進(jìn)行高斯平滑后，對(duì)于檢測(cè)到的每個(gè)特征點(diǎn)，考慮其31×31鄰域內(nèi)的某個(gè)點(diǎn)的5×5灰度平均值來(lái)代替某個(gè)點(diǎn)對(duì)的值，進(jìn)一步來(lái)比較點(diǎn)對(duì)的大小，這樣更加具備抗噪性。相關(guān)5×5的像素圖像塊描述子分段函數(shù)τ定義為：

根據(jù)均值與0.5的距離對(duì)測(cè)試排序，形成矢量T；進(jìn)行貪婪搜索，將第一個(gè)測(cè)試值τ加入結(jié)果矢量R中，同時(shí)將其從T移除；再?gòu)腡中取出下一個(gè)測(cè)試值τ將其與R中的所有測(cè)試值比較，相關(guān)系數(shù)大于設(shè)定的某一個(gè)閾值，則將其刪除，反之加入矢量R中。重復(fù)以上步驟直到R中有256個(gè)測(cè)試值τ，形成描述子，若少于256個(gè)，則提高設(shè)定的閾值，繼續(xù)測(cè)試。

3.2.3特征匹配

提取出ORB的特征點(diǎn)和特征點(diǎn)描述子后，求出兩個(gè)關(guān)鍵點(diǎn)之間的最短和次最短的漢明距離。(在信息論中，兩個(gè)等長(zhǎng)字符串之間的漢明距離是兩個(gè)字符串對(duì)應(yīng)位置的不同字符的個(gè)數(shù)。換句話說(shuō)，它就是將一個(gè)字符串變換成另外一個(gè)字符串所需要替換的字符個(gè)數(shù))，當(dāng)兩個(gè)漢明距離的比例小于0.8且漢明距離小于50時(shí)，認(rèn)為兩個(gè)關(guān)鍵點(diǎn)是匹配的。

4 ORB算法改進(jìn)

4.1 特征點(diǎn)精確匹配

在獲得ORB特征點(diǎn)后，需要保證特征點(diǎn)匹配的精確性，使用隨機(jī)采樣一致性算法來(lái)減少誤配，得到魯棒性較強(qiáng)的圖像變換模型。

它是一種從數(shù)據(jù)集合中估計(jì)模型參數(shù)擬合的迭代方法。其篩選特征點(diǎn)的核心思想是將所有數(shù)據(jù)分為“局內(nèi)點(diǎn)”和“局外點(diǎn)”，通過(guò)構(gòu)造一個(gè)能夠解釋局內(nèi)點(diǎn)的目標(biāo)函數(shù)模型，反復(fù)提取與迭代來(lái)得到符合該函數(shù)模型中的初始值，這樣的值也認(rèn)為是局內(nèi)點(diǎn)。經(jīng)過(guò)多次隨機(jī)采樣評(píng)估局內(nèi)點(diǎn)與模型的錯(cuò)誤率，直至找到所需的函數(shù)模型，符合最后函數(shù)模型的局內(nèi)點(diǎn)即為匹配點(diǎn)。

4.2 描述子快速匹配

對(duì)ORB描述子進(jìn)行匹配時(shí)，使用快速最近鄰逼近搜索函數(shù)從大規(guī)模的數(shù)據(jù)集中尋找匹配的向量對(duì)，在隨機(jī)一致性算法保證魯棒性的前提下，加快匹配速度。該方法基于K均值樹(shù)所實(shí)現(xiàn)的，可以根據(jù)數(shù)據(jù)集的分布特點(diǎn)來(lái)推薦索引類(lèi)型和檢索參數(shù)，在高維空間內(nèi)最近鄰查找不受局部敏感影響。核心思想在于使用歐式距離來(lái)找到描述子的近鄰。具體匹配流程為：先找到模板圖像中描述子x1在原圖像中具有最小距離D的匹配點(diǎn)對(duì)(x1，x2)，之后根據(jù)所有匹配點(diǎn)對(duì)的最小距離來(lái)設(shè)置一個(gè)閾值。若單個(gè)最小距離小于閾值則該匹配點(diǎn)對(duì)(x1，x2)成立，否則繼續(xù)尋找并剔除原描述子x1。

歐式距離按下式計(jì)算：

式中，xn和xn′分別為每對(duì)匹配描述子的特征向量。

4.3 尋找已知物體

最后，使用透視變換直接通過(guò)得到特征點(diǎn)與描述子最佳匹配求出變換矩陣，對(duì)模板圖的邊緣點(diǎn)進(jìn)行變換，在原圖中框出模板對(duì)應(yīng)的部分，達(dá)到準(zhǔn)確識(shí)別的效果。

透視變換(Perspective Transformation)是將圖片投影到一個(gè)新的視平面，也稱(chēng)作投影映射。設(shè)兩幅需尋找透視變換關(guān)系的圖像I1、I2中的相似性最好的特征點(diǎn)為p(a，b)和q(m，n)，透視變換過(guò)程中的關(guān)系為：

其中Y=(m，n，1)T，X=(a，b，1)T，A為兩幅圖像間的變換矩陣。

5 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)選用的計(jì)算機(jī)配置為Intel(R)Core(TM)i5- 3230M CPU@2.60GHz 2.60GHz，內(nèi)存為 4.00GB，操作系統(tǒng)為WIN7 64位，實(shí)驗(yàn)使用的工具為Visual Studio 2013配置OpenCV_2.4.10。選取的圖像為磁性編碼器形成的模擬紙張圖像。由于該種紙張?jiān)趯?shí)際中使用光照條件恒定的特制裝置進(jìn)行圖像采集，所以只比較了模板匹配、ORB以及改進(jìn)ORB在面對(duì)尺度變化和旋轉(zhuǎn)變化的效果。

5.1 模板匹配

平方差匹配法、歸一化平方差匹配法、歸一化相關(guān)匹配法、系數(shù)匹配法和化相關(guān)系數(shù)匹配法的匹配結(jié)果一致，其正確匹配效果如圖5所示。圖6為相關(guān)匹配法的錯(cuò)誤匹配效果圖。從實(shí)驗(yàn)結(jié)果表1中可以發(fā)現(xiàn)，雖然相關(guān)匹配法的運(yùn)行速度最快，但是匹配結(jié)果是錯(cuò)誤的。其余方法中同時(shí)考慮精度和速度，歸一化相關(guān)匹配法的效果最好。當(dāng)模板發(fā)生尺度變化或旋轉(zhuǎn)變化時(shí)，效果如圖7、圖8所示，模板匹配的結(jié)果出現(xiàn)極大誤差。

原圖像大小為822×435，模板圖像大小為490×109，尺度變化模板大小為251×58。

圖3 磁性纖維的模擬紙張圖像

圖4 模板圖像

圖5 正確匹配效果圖

圖6 錯(cuò)誤匹配效果圖

圖7 尺度變化匹配效果圖

圖8 旋轉(zhuǎn)變化匹配效果圖

匹配方案匹配坐標(biāo)匹配耗時(shí)/s平方差匹配法(168,203)0.161618歸一化平方差匹配法(168,203)0.104564相關(guān)匹配法(332,324)0.067831歸一化相關(guān)匹配法(168,203)0.080988系數(shù)匹配法(168,203)0.083077化相關(guān)系數(shù)匹配法(168,203)0.106765

5.2 ORB與改進(jìn)ORB特征點(diǎn)匹配

使用隨機(jī)采樣篩選特征點(diǎn)，快速最近鄰逼近搜索函數(shù)庫(kù)實(shí)現(xiàn)快速高效匹配，用細(xì)線條連接匹配對(duì)應(yīng)點(diǎn)，用粗線條框出檢測(cè)到的物體，并可以輸出檢測(cè)到匹配角點(diǎn)的精確坐標(biāo)值。由圖中可以看出，兩種算法在進(jìn)行紙張信息的匹配時(shí)，得出的結(jié)果都是準(zhǔn)確的。

通過(guò)表1、表2中數(shù)據(jù)分析可以得出：在速度方面，模板匹配最快，改進(jìn)后的ORB算法與原算法相比快了1倍左右。從圖7與圖8中可以看出，在圖像發(fā)生尺度變化和旋轉(zhuǎn)變化時(shí)，模板匹配的結(jié)果是錯(cuò)誤的，明顯不能識(shí)別。從圖10和圖11中可以看出，改進(jìn)后的ORB算法與原算法相比較，匹配點(diǎn)數(shù)量減少導(dǎo)致穩(wěn)定性略有減弱但其實(shí)時(shí)性大大加強(qiáng)。說(shuō)明改進(jìn)后的ORB算法在保留識(shí)別精度的前提下，提高了識(shí)別效率，符合數(shù)字化功能信息紙張的圖像識(shí)別需求。

圖9 ORB及改進(jìn)ORB算法原圖匹配效果圖

圖10 ORB及改進(jìn)ORB算法尺度變化匹配效果圖

圖11 ORB及改進(jìn)ORB算法旋轉(zhuǎn)變化匹配效果圖

匹配方法匹配特征點(diǎn)匹配耗時(shí)/sORB改進(jìn)ORBORB改進(jìn)ORB原圖匹配 186671.675810.96904尺度變化匹配134211.167520.53281旋轉(zhuǎn)變化匹配159261.326890.71398

6 結(jié) 論

本研究針對(duì)纖維成紙過(guò)程中，基于點(diǎn)陣圖形的數(shù)字化紙張信息的產(chǎn)品進(jìn)行了建模，在信息植入的早期，運(yùn)用軟件的仿真功能，為數(shù)字化紙張的實(shí)際抄造提供理論指導(dǎo)。然后選取目前圖像識(shí)別領(lǐng)域中的主流方法并改進(jìn)，將ORB特征提取與隨機(jī)采樣一致性、快速最近鄰逼近搜索函數(shù)結(jié)合，得到一種新的算法。從實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)，改進(jìn)后的ORB算法與模板匹配以及原算法相比，提高了運(yùn)行速度，面對(duì)尺度變化和旋轉(zhuǎn)變化也具有較好的魯棒性。

參 考 文 獻(xiàn)

[1] Zhang Kaisheng, Hou Xingang. The Discussion on Digital Encryption Method for Papermaking[J].Transactions of China Pulp and Paper 2016, 31(3): 42.

張開(kāi)生, 侯新剛. 纖維成紙過(guò)程中數(shù)字化加密方法探討[J].中國(guó)造紙學(xué)報(bào), 2016, 31(3): 42.

[2] Zhang Kaisheng, Li Zhijian, Zhang Xin. A Digital Encryption Method Based on Dot Pattern for Fiber Forming Process， China： CN201210224813. X[P].2012- 11- 07.

張開(kāi)生, 李志健, 張 馨. 一種基于點(diǎn)陣圖形的纖維成紙過(guò)程的數(shù)字化加密方法， 中國(guó)： CN201210224813. X[P].2012- 11- 07.

[3] Li Qiang, Zhang Bo. A Fast Matching Algorithm Based on Image Gray Value[J].Journal of Software, 2006, 17(2): 216.

李 強(qiáng), 張 鈸. 一種基于圖像灰度的快速匹配算法[J].軟件學(xué)報(bào), 2006, 17(2): 216.

[4] Suo Chunbao, Yang Dongqing, Liu Yunpeng, et al. Comparing SIFT, SURF, BRISK, ORB and FREAK in Some Different Perspectives[J].Beijing Surveying and Mapping, 2014(4): 23.

索春寶, 楊東清, 劉云鵬, 等. 多種角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J].北京測(cè)繪, 2014(4): 23.

[5] Gao Suqing, Tan Xunjun, Huang Chengxia, et al. Improved algorithm of image registration based on SURF[J].Journal of PLA University of Science and Technology: Natural Science, 2013, 14(4): 372.

高素青, 譚勛軍, 黃承夏, 等. 一種基于SURF的圖像配準(zhǔn)改進(jìn)算法[J].解放軍理工大學(xué)學(xué)報(bào)： 自然科學(xué)版, 2013, 14(4): 372.

[6] Zhao Lulu, Geng Guohua, Li Kang, et al. Images matching algorithm based on SURF and fastapproximate nearest neighbor search[J].Application Research of Computers, 2013, 30(3): 921.

趙璐璐, 耿國(guó)華, 李康, 等. 基于SURF和快速近似最近鄰搜索的圖像匹配算法[J].計(jì)算機(jī)應(yīng)用研究, 2013, 30(3): 921.

[7] Zhang yang, Lv Qiang, Lin Huican, et al. An Improved Image Matching Algorithm Based on ORB for Visual SLAM[J].Journal of Academy of Armored Force Engineering, 2016, 30(6): 82.

張 洋, 呂 強(qiáng), 林輝燦, 等. 一種基于改進(jìn)ORB的視覺(jué)SLAM圖像匹配算法[J].裝甲兵工程學(xué)院學(xué)報(bào), 2016, 30(6): 82.

[8] Qiu Lijun, Tang Jiashan. A New Fast Two-step Image Matching Algorithm[J].Computer Technology and Development, 2015(8): 67.

邱麗君, 唐加山. 一種快速的兩步驟圖像匹配新算法[J].計(jì)算機(jī)技術(shù)與發(fā)展, 2015(8): 67.