鄒倩穎, 關(guān)杰文, 肖 航, 符鑫珺

(電子科技大學(xué) 成都學(xué)院 云計(jì)算科學(xué)與技術(shù)系，成都 611731)

0 引 言

隨著無人駕駛、無人勘探、AR/VR的應(yīng)用日漸增多，優(yōu)化并更有效應(yīng)用ORB-SLAM算法成為亟需解決的問題。文獻(xiàn)[1]中使用一種處理灰度圖像的算法，利用自適應(yīng)閾值選取算法，直接利用圖像灰度進(jìn)行低層次圖像處理，且具有處理速度快等特點(diǎn)，但其在強(qiáng)高斯噪聲和椒鹽噪聲環(huán)境下，檢測效果較差。在FAST算法中，關(guān)鍵點(diǎn)又稱為角點(diǎn)[2]，若一個(gè)點(diǎn)的像素及灰度值與鄰域點(diǎn)的像素值差別較大或較小,那么它可能是角點(diǎn)。FAST算法以速度快而著稱，但在判斷特征點(diǎn)時(shí)使用的是固定閾值方法，不能很好地適應(yīng)色彩變換較大的圖像。

文獻(xiàn)[3]中提出了另一種角點(diǎn)檢測算法，Harris算子是一種基于信號(hào)的特征點(diǎn)提取算子，由于受到自相關(guān)函數(shù)引導(dǎo)，通過計(jì)算圖像移動(dòng)的灰度變化情況，對(duì)圖像灰度進(jìn)行一階導(dǎo)數(shù)估算自相關(guān)矩陣來得出特征值，使Moravec算子具有了旋轉(zhuǎn)不變性和光照不變性。但Harris角點(diǎn)檢測算法僅對(duì)圖像進(jìn)行一次高斯平滑，沒有解決單一尺度問題，對(duì)噪聲的抗性也不足，而非極大值抑制的關(guān)鍵在于閾值的選取，閾值過大會(huì)讓角點(diǎn)數(shù)量少;閾值過小會(huì)出現(xiàn)偽角點(diǎn)，精度方面自然不能保障。雖然后期的高斯尺度空間與Harris角點(diǎn)檢測算法的結(jié)合解決了尺度不變性問題，同時(shí)達(dá)到了去噪的效果，但卻大大增加了運(yùn)算時(shí)間。同時(shí)，在戶外進(jìn)行地圖路徑規(guī)劃時(shí)，實(shí)時(shí)性與特征點(diǎn)提取的精度也直接影響到了地圖路徑的規(guī)劃。

針對(duì)特征點(diǎn)提取時(shí)固定閾值選取算法靈活性不足和傳統(tǒng)的多尺度Harris角點(diǎn)檢測耗時(shí)過多的問題，提出一種基于自適應(yīng)閾值選取和局部搜索算法的改進(jìn)室外場景特征點(diǎn)提取算法。通過采用改進(jìn)室外場景特征點(diǎn)提取算法，計(jì)算圖像局部點(diǎn)的灰度值與圖像平均灰度值的方差表示對(duì)比度，然后利用積分圖像求得局部灰度值的平均值，采用對(duì)比度與其局部灰度值的平均值來求得局部動(dòng)態(tài)閾值，在計(jì)算卷積積分和拉普拉斯響應(yīng)值篩選中通過局部搜索算法代替逐一比較的方法，降低了運(yùn)算復(fù)雜度，使得實(shí)時(shí)處理制圖數(shù)據(jù)得以提升。

1 改進(jìn)室外場景特征點(diǎn)提取算法

1.1 算法流程

本文算法流程如圖1所示,算法流程如下所示。

(1) 粗提取。特征點(diǎn)提取時(shí)，先進(jìn)行閾值選取，劃定要判定點(diǎn)的區(qū)域,運(yùn)用積分圖像進(jìn)行局部平均閾值的計(jì)算。然后計(jì)算選取點(diǎn)的灰度值與局部圖像平均灰度值的方差近似于對(duì)比度，利用對(duì)比度以及圖像局部平均閾值的關(guān)系計(jì)算出最適宜于該點(diǎn)的閾值。

(2) 非極大值抑制。利用非極大值抑制來解決選取的多個(gè)特征點(diǎn)由于過于聚集形成特征塊的問題。為每個(gè)檢測到的特征點(diǎn)計(jì)算它的響應(yīng)值。響應(yīng)值是p點(diǎn)與它周圍16個(gè)點(diǎn)的絕對(duì)差值,尤其先考慮2個(gè)相鄰的特征點(diǎn)，并比較它們的值。響應(yīng)值較低的點(diǎn)將會(huì)在選取的特征點(diǎn)中去除。

(3) ID3算法。將粗提取后的特征點(diǎn)作為一個(gè)訓(xùn)練集，使用ID3算法查詢每個(gè)集合，訓(xùn)練為一個(gè)決策樹，用于檢測其他相似圖片的OFAST檢測。

圖1 算法流程

(4) Harris角點(diǎn)檢測。將目標(biāo)圖像進(jìn)行高斯平滑處理，在x或y方向上取微分，決定了Harris角點(diǎn)當(dāng)前尺度的變量和角點(diǎn)附近微分值變化的變量。為了判斷角點(diǎn)是否為該局部尺度下的特征點(diǎn)，對(duì)提取的角點(diǎn)進(jìn)行響應(yīng)值計(jì)算，然后在點(diǎn)的鄰域內(nèi)進(jìn)行響應(yīng)值比較，搜索出響應(yīng)值最大的點(diǎn)。

(5) 多尺度Harris角點(diǎn)檢測。對(duì)每個(gè)尺度都進(jìn)行計(jì)算，對(duì)于位置空間的每個(gè)候選點(diǎn)進(jìn)行拉普拉斯響應(yīng)計(jì)算，并滿足絕對(duì)值大于給定的閾值條件。對(duì)滿足條件的點(diǎn)進(jìn)行局部搜索算法進(jìn)行比較，得出既滿足位置空間又適合尺度空間的Harris角點(diǎn)。

(6) BRIEF特征描述。在一定區(qū)域內(nèi)取一對(duì)像素點(diǎn)，然后分別比較每對(duì)像素點(diǎn)的灰度大小并賦值于1或0，采用二進(jìn)制編碼，用Hamming距離[4]進(jìn)行描述子的比較與匹配。

1.2 局部動(dòng)態(tài)閾值確定

在FAST算法中，閾值[5]所代表的就是在提取特征點(diǎn)是其與周圍鄰域的點(diǎn)的最小對(duì)比度，也是其所能消除噪聲的最大限量。閾值所選取的值直接影響了特征點(diǎn)提取的精準(zhǔn)度。閾值越大，所提取的特征點(diǎn)也就越少;閾值越小，選取的特征點(diǎn)也就越少。在原有的FAST-12算法中采用的固定閾值的方法雖然在計(jì)算量上進(jìn)行了一定的減少，但因?yàn)殚撝凳枪潭ǖ模援?dāng)在野外進(jìn)行拍照完后，圖像中很可能存在陰影，由于突發(fā)噪聲等客觀因素，不能很好地使得閾值的選取能隨著全局圖像灰度以及噪聲的影響而隨之變化。本文中提出了采用動(dòng)態(tài)設(shè)置局部閾值T的方法[6]對(duì)特征點(diǎn)進(jìn)行提取。局部動(dòng)態(tài)閾值T的選取能隨著局部不同特征點(diǎn)所具有的不同情況，得出一個(gè)對(duì)于特征點(diǎn)提取最適宜的閾值，以使得提取的特征點(diǎn)更加精確。

在FAST-12算法中，進(jìn)行特征點(diǎn)的選取時(shí)實(shí)質(zhì)上就是特征點(diǎn)的灰度值在于其周圍點(diǎn)灰度值對(duì)比度的衡量[7]。對(duì)比度可以簡單地理解為一幅圖像里圖像灰度反差的大小，也就是圖像中各點(diǎn)的灰度值與平均灰度值之間的差異大小。因此在粗提取的改進(jìn)上本文根據(jù)局部閾值與對(duì)比度相關(guān)，建立函數(shù)，以此實(shí)現(xiàn)局部閾值跟隨局部圖像變化而變換的目的。在粗提取中分析了對(duì)比度與圖像閾值之間的關(guān)系，提出了圖像在不同區(qū)域L下自適應(yīng)閾值的計(jì)算。在圖像上選取點(diǎn)為(x0，y0)，以(x0，y0)為中心取矩形區(qū)域，定義隨全局圖像變化而變化的閾值

(1)

式中：k為比例系數(shù)，根據(jù)相關(guān)實(shí)驗(yàn),k值范圍2.5～5.0時(shí)選取結(jié)果較為準(zhǔn)確；

為所求選取區(qū)域內(nèi)各點(diǎn)灰度值與區(qū)域內(nèi)平均灰度值的方差，以此來近似表示該區(qū)域內(nèi)的對(duì)比度;m(x0,y0)為局部區(qū)域內(nèi)的平局灰度值。

本文采取Viola和Jones積分圖像定義快速地進(jìn)行局部均值的計(jì)算，

(2)

式中：i(x,y)表示輸入圖像中的像素點(diǎn)；ii(x,y)表示積分圖像，

ii(x,y)=ii(x-1,y)+s(x,y)

(3)

s(x,y)=s(x,y-1)+i(x,y)

(4)

式中：s(x,y)表示點(diǎn)(x,y)的y方向上的所有原始圖像之和，而對(duì)于計(jì)算選取的任一區(qū)域L內(nèi)的局部均值，

(5)

式中：iiL(x,y)表示在區(qū)域L內(nèi)的圖像局部積分圖像，則局部均值,

(6)

m(x,y)表示在區(qū)域L內(nèi)的局部積分圖像;(x-u)(y-v)表示區(qū)域L的面積。

1.3 非極大值抑制

在FAST算法中，關(guān)鍵點(diǎn)又稱角點(diǎn)，主要檢測局部像素灰度值變化明顯的地方，以速度快而著稱。角點(diǎn)的定義為如果一個(gè)點(diǎn)的像素及灰度值與鄰域點(diǎn)的像素值差別較大(過亮或過暗)，那么它可能是角點(diǎn)，即在選取的點(diǎn)周圍有足夠多的點(diǎn)的灰度值大于或小于它，那么就定義此點(diǎn)為一個(gè)特征點(diǎn)。

如圖2所示，在圖像中選取一點(diǎn)p，在其周圍形成一個(gè)圓形區(qū)域(半徑為3的Bresenham圓[8])，則圓心p被16個(gè)像素點(diǎn)包圍。在16個(gè)像素點(diǎn)形成的圓周上，如果有n個(gè)連續(xù)點(diǎn)的灰度值大于Ip+T或小于Ip-T，那么像素點(diǎn)p可以認(rèn)為是一個(gè)候選特征點(diǎn)。n值通常選取為12時(shí)，能快速地排除一些非特征點(diǎn)，于是該算法[9]也被稱為FAST-12算法。算法步驟如下：

(1) 在圖像中選取像素點(diǎn)p，計(jì)算的灰度值，在圖像中每點(diǎn)顏色都由紅、綠、藍(lán)三基色組成，假如在圖像中任一點(diǎn)的顏色可以用坐標(biāo)RGB(R，G，B)，那么該點(diǎn)坐標(biāo)可計(jì)算出灰度值為：0.11B+0.59G+0.3R。

(2) 設(shè)置閾值T。

(3) 以像素p為中心，選取半徑為3的圓上的16個(gè)像素點(diǎn)。

圖2 FAST粗提取原理圖

假如選取圓上有連續(xù)N個(gè)點(diǎn)的灰度值大于Ip+T或者小于Ip-T，那么認(rèn)定該點(diǎn)為一個(gè)特征點(diǎn)，循環(huán)以上3個(gè)步驟，并對(duì)每個(gè)選取點(diǎn)執(zhí)行相同的操作。

1.4 ID3算法

ID3算法[10]利用信息論中信息熵下降速度為選擇標(biāo)準(zhǔn)，核心在于決策樹各個(gè)結(jié)點(diǎn)上最高信息增益屬性作為選擇特征，通過貪心策略遞歸構(gòu)建決策樹，直到?jīng)Q策樹能很好地分類訓(xùn)練集。

算法步驟如下所示。有輸入數(shù)據(jù)集S，特征集F，閾值M，通過遞歸運(yùn)算計(jì)算并輸出決策樹R。

(1) 若數(shù)據(jù)集S中所有個(gè)體屬于同一類Ck，則R為單結(jié)點(diǎn)樹，并將Ck作為該結(jié)點(diǎn)的類標(biāo)記，返回R。

(2) 若F為空集，則R為單結(jié)點(diǎn)樹，并將數(shù)據(jù)集S中個(gè)體數(shù)最大的類Ck作為該結(jié)點(diǎn)的類標(biāo)記，返回R。

(3) 對(duì)特征集F中各特征對(duì)數(shù)據(jù)集S的信息選擇增益，選擇信息增益最大的特征Ag。

(4) 如果Ag的信息增益小于閾值M，則置R為單結(jié)點(diǎn)樹，并將數(shù)據(jù)集S中實(shí)例數(shù)最大的類Ck作為該結(jié)點(diǎn)的類標(biāo)記，返回R。

(5) 對(duì)Ag的每一可能值A(chǔ)i，依Ag=Ai將數(shù)據(jù)集S分割為若干個(gè)非空子集Si，將Si中實(shí)例數(shù)最大的類作為標(biāo)記，構(gòu)建子結(jié)點(diǎn)，由結(jié)點(diǎn)及其子結(jié)點(diǎn)構(gòu)成樹R，返回R。

(6) 對(duì)第i個(gè)子結(jié)點(diǎn)，以Si為訓(xùn)練集，以F-{Fg}為特征集，遞歸地調(diào)用步驟(1)～步驟(5)，得到子樹Ri，返回Ri。

1.5 Harris角點(diǎn)檢測

Harris[11]實(shí)現(xiàn)了旋轉(zhuǎn)不變性，Harris算子提出一種基于信號(hào)的點(diǎn)特征提取算子。由于受到自相關(guān)函數(shù)的啟發(fā)，通過平移窗口帶來變化的自相似性來衡量角點(diǎn)，Harris算子效率極高，操作簡單，只涉及一階導(dǎo)數(shù)，在紋理信息豐富區(qū)域，能夠提取出大量有用的特征點(diǎn)，通過Harris計(jì)算每個(gè)點(diǎn)的響應(yīng)值并通過非極大值算法進(jìn)行特征點(diǎn)的篩取，提取一定數(shù)量的優(yōu)質(zhì)特征點(diǎn)。若想要增多被檢測特征點(diǎn)數(shù)量，那么就減小α的值，并且角點(diǎn)響應(yīng)值R將增大，角點(diǎn)檢測的靈活性將提高；反之，亦然。通過這種方法還能夠?qū)崿F(xiàn)圖像旋轉(zhuǎn)不變性，對(duì)亮度和對(duì)比度變化不敏感性。

如圖3所示，若角點(diǎn)位置上的窗口倘若在其各方向上移動(dòng)，區(qū)域內(nèi)灰度值會(huì)發(fā)生較大變化，如果只在一個(gè)方向上移動(dòng)時(shí)有較大變化，那么該點(diǎn)大概率在直線上；如果各個(gè)方向上移動(dòng)都無變化，那么可能無角點(diǎn)。

圖3 窗口移動(dòng)示例

窗口移動(dòng)后自相似性衡量如下式所示：

I(u+Δx,v+Δy))2·w(u,v)

(7)

式中：W(x·y)是以(x,y)為中心的窗口;w(x,y)是以(x,y)為中心的高斯加權(quán)函數(shù);I(u,v)是窗口函數(shù);Δx是在水平方向上的微小偏移量;Δy是在豎直方向上的微小偏移量。

一階近似并化簡，

(8)

M(x,y)=

(9)

用字母代替，

(10)

則可將自相關(guān)函數(shù)視為一橢圓函數(shù)，

C(x,y,Δy,Δx)≈AΔx2+2CΔxΔy+BΔy2

(11)

Harris則利用角點(diǎn)響應(yīng)值R來判斷角點(diǎn)，

R=detM-α(traceM)2

(12)

Harris角點(diǎn)檢測能夠做到實(shí)時(shí)性，但是該算法只能在單一尺度下檢測角點(diǎn)，而非極大值抑制的關(guān)鍵在于閾值的選取，閾值過大會(huì)讓角點(diǎn)數(shù)量少，閾值過小會(huì)出現(xiàn)偽角點(diǎn)，精度方面自然不能保障。

1.6 多出度Harris角點(diǎn)檢測

1.6.1 高斯尺度空間的構(gòu)建

對(duì)輸入圖像和可靈活選擇多個(gè)尺度的高斯核函數(shù)[12]進(jìn)行卷積運(yùn)算，

L(x,y,σ)=G(x,y,σ)*I(x,y)

(13)

式中：σ表示尺度;L(x,y,σ)表示尺度空間;G(x,y,σ)表示高斯核函數(shù);*表示卷積運(yùn)算;I(x,y)表示輸入圖像。隨著圖像尺度的變化，原來的局部特征也會(huì)變化，可能會(huì)出現(xiàn)新的局部特征或者消失。

1.6.2 尺度響應(yīng)值計(jì)算

對(duì)于尺度空間響應(yīng)值計(jì)算構(gòu)建一個(gè)點(diǎn)在領(lǐng)域內(nèi)的梯度分布為

M=μ(x,y,σI,σD)=

(14)

式中：

Lx=I(x,y)*Gx(x,y,σ)

Ly=I(x,y)*Gy(x,y,σ)

x,y∈W(u,v)為圖像窗口中的坐標(biāo);σD,σI分別表示微分尺度和積分尺度，σI是決定Harris角點(diǎn)當(dāng)前尺度的變量，σD是決定角點(diǎn)附近微分值變化的變量;Ly(x,y,σD)、Lx(x,y,σD)分別是對(duì)圖像進(jìn)行高斯處理后對(duì)x或y方向取微分的結(jié)果;g(σI)表示尺度為σI的高斯卷積核。

檢測算法從預(yù)先定義一組尺度進(jìn)行積分尺度搜索，其中，σI…σn=σ0…knσ0。

一般K取1.4，但為了減少復(fù)雜性，令σD=sσI，從而得到μ(x,y,σI,σD),隨后利用Harris角點(diǎn)進(jìn)行響應(yīng)判斷:

cornerness=det(μ(x,y,σD)-

αtrace2(μ(x,y,σD))>thresholdH

(15)

對(duì)于滿足式(9)的點(diǎn)進(jìn)行周圍8領(lǐng)域非最大值抑制，對(duì)于滿足條件的每個(gè)尺度σn(n=1,2,…,n)都進(jìn)行遍歷搜索，因?yàn)榭臻g位置候選點(diǎn)未必是尺度空間候選點(diǎn)，進(jìn)行尺度搜索，尋找局部結(jié)構(gòu)的顯著尺度，

(16)

對(duì)于滿足式(16)的點(diǎn)進(jìn)行鄰近兩個(gè)尺度空間的拉普拉斯響應(yīng)值進(jìn)行比較得到各空間上的顯著尺度值。

1.6.3 局部搜索算法

針對(duì)實(shí)時(shí)性繪圖效率以及精度問題，本文在文獻(xiàn)[13]基礎(chǔ)上進(jìn)行改進(jìn)，使用局部搜索算法來代替逐一比較方法，提高了效率，又剔除了大部分偽角點(diǎn)，能在局部范圍內(nèi)提取更穩(wěn)定特征點(diǎn)，達(dá)到了了實(shí)時(shí)性的效果。

對(duì)于閾值thresholdL進(jìn)行適度降低，從而得到較多特征響應(yīng)值，排除了閾值過高特征響應(yīng)值較少的問題，從而保留了一定尺度上有極大概率有響應(yīng)值與其匹配。

利用局部搜索算法[14]，具體算法步驟如下:將進(jìn)行閾值比較后的特征響應(yīng)值生成一個(gè)算子集{p}。

(1) 在p內(nèi)生成初始的可能解xi，在xi∈p中如果有xi，執(zhí)行步驟(2)，否則執(zhí)行步驟(5)。

F(x,y,σn)>F(x,y,σl)

(17)

l∈{n-1,n+1}

對(duì)于滿足式(17)的尺度值就是改點(diǎn)的特征尺度值，則是空間和尺度空間都滿足的Harris角點(diǎn)。

1.7 BRIEF特征描述

BRIEF是對(duì)已檢測到的特征點(diǎn)進(jìn)行一種二進(jìn)制編碼描述，這種方法棄用了傳統(tǒng)通過局部區(qū)域灰度直方圖來描述特征點(diǎn)的方法。該方法特征描述符建立速度進(jìn)行了提升，同時(shí)也一定程度上將特征匹配的時(shí)間進(jìn)行了縮短，是一種非?？旖?，很有潛力的算法。

首先，將圖像進(jìn)行處理，然后在特征點(diǎn)周圍選擇一個(gè)一定大小的局部區(qū)域，在這個(gè)局部區(qū)域內(nèi)選擇出來m個(gè)點(diǎn)對(duì)。然后對(duì)于每一個(gè)點(diǎn)對(duì)(p,q)，通過比較這兩個(gè)點(diǎn)的亮度值(用N()函數(shù)表示)，如果N(p)N(q)，則這個(gè)點(diǎn)對(duì)生成了二值串中一個(gè)的值為1,否則為0。所有m個(gè)點(diǎn)對(duì)，都進(jìn)行比較，就生成了一個(gè)m長的二進(jìn)制串。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文選取Sturm等提供的數(shù)據(jù)源。通過使用搭載Kinect深度攝像機(jī)的Pioneer機(jī)器人采集的關(guān)于不同場景的數(shù)據(jù)集[15]驗(yàn)證改進(jìn)算法的性能。這些數(shù)據(jù)包含了豐富的常見物體，并具有良好的數(shù)據(jù)采樣光照度，可有效測試算法性能。本文程序基于VS2017的C++實(shí)現(xiàn)上述改進(jìn)算法，所有實(shí)驗(yàn)運(yùn)行環(huán)境為Intel雙核2.30 GHz CPU計(jì)算機(jī)，運(yùn)行系統(tǒng)為Ubuntu 16.04 LTS 。

2.2 結(jié)果分析

2.2.1 特征點(diǎn)提取個(gè)數(shù)對(duì)比

本文針對(duì)相同場景的不同圖像進(jìn)行比較，通過改變圖像的亮度分別對(duì)SIFT算法(見圖4(a))，優(yōu)化前的OFAST算法(見圖4(b))，以及優(yōu)化后的OFAST算法(見圖4(c))特征點(diǎn)提取效果進(jìn)行比較。

(a) SIFT算法

(b) OFAST算法

(c) 改進(jìn)OFAST算法

實(shí)驗(yàn)結(jié)果中SIFT算法提取特征點(diǎn)個(gè)數(shù)為206個(gè)，原有OFAST算法提取特征點(diǎn)個(gè)數(shù)為179個(gè)，改進(jìn)后的OFAST算法體征點(diǎn)提取個(gè)數(shù)為116個(gè)；

改進(jìn)OFAST算法相比較原有OFAT算法在特征點(diǎn)個(gè)數(shù)減少了35.2%。由此可見，本文中的算法所提取的特征點(diǎn)數(shù)量遠(yuǎn)少于原OFAST算法和SIFT算法，其特征點(diǎn)匹配更為精準(zhǔn)，制圖效果誤差大大減少。

2.2.2 平均時(shí)間對(duì)比

提取時(shí)間代表了算法在提取特征點(diǎn)的快慢，在野外環(huán)境進(jìn)行導(dǎo)航時(shí)，時(shí)間是一大重點(diǎn)，時(shí)間越快,算法性能更強(qiáng)。

SIFT算法提取特征點(diǎn)時(shí)間為375.3 s，原有OFAST算法提取特征點(diǎn)時(shí)間為9.3 s，改進(jìn)OFAST算法提取特征點(diǎn)時(shí)間為1.3 s。實(shí)驗(yàn)證明,改進(jìn)后OFAST比原有OFAST算法在提取特征點(diǎn)時(shí)效上提高了80.6%，而改進(jìn)后OFAST比SIFT算法在提取特征點(diǎn)時(shí)效上提高了99.6%。由此可見，改進(jìn)后的OFAST算法節(jié)省了大量的時(shí)間，其工作效率遠(yuǎn)遠(yuǎn)高于原OFAST算法和SIFT算法。

2.2.3 匹配正確率對(duì)比

提取特征點(diǎn)的匹配正確率對(duì)于后期制圖有著重要的作用，匹配正確率越高，對(duì)于后期制圖的效果更佳，對(duì)于路線規(guī)劃更為清晰。

SIFT算法正確率為15.2%，原有OFAST算法正確率為37.4%，改進(jìn)OFAST正確率為51.8%,改進(jìn)后OFAST算法相比原有OFAST算法正確率提高了14.4%，改進(jìn)OFAST正確率為51.8%,改進(jìn)后OFAST算法相比SIFT算法正確率提高了36.6%。由此可見,改進(jìn)后的OFAST算法可以更精準(zhǔn)地匹配特征點(diǎn)，且精準(zhǔn)程度遠(yuǎn)大于原OFAST算法和SIFT算法。

總而言之,原有的OFAST需要耗費(fèi)大量時(shí)間來創(chuàng)建金字塔模型[16]，并對(duì)高斯差分圖像通過泰勒公式進(jìn)行展開，消耗大量時(shí)間。本文利用局部搜索算法簡化局部特征點(diǎn)篩選，使得特征點(diǎn)更加顯著，效率更高，對(duì)于實(shí)時(shí)性繪圖精準(zhǔn)度有所提升，能在較短時(shí)間內(nèi)繪制出較高質(zhì)量的圖像。

3 結(jié) 語

改進(jìn)基于自適應(yīng)閾值選取和局部搜索算法適應(yīng)于場景比較復(fù)雜，圖像對(duì)比度多變的室外場景，在提高特征點(diǎn)精確度上相比原有OFAST算法提升了27.8%,在時(shí)效特征點(diǎn)提取算法相比原有OFAST算法提高了80.6%。改進(jìn)后的ORB-SLAM可以廣泛應(yīng)用于地理情景教學(xué)、戶外地形探索、建筑測繪領(lǐng)域。但改進(jìn)后的OFAST算法雖然在特征點(diǎn)提取、平均時(shí)間響應(yīng)、算法匹配正確率上有一定提升，但還未達(dá)到預(yù)期效果，未來將在粗提取方法進(jìn)行進(jìn)一步的優(yōu)化。