孫浩，王朋

（山東交通學(xué)院 信息科學(xué)與電氣工程學(xué)院，濟(jì)南 250357）

基于特征的圖像匹配算法越來(lái)越受到人們的青睞，特別是在視覺(jué)SLAM（Simultaneous Localization and Mapping）［1］和視頻監(jiān)控領(lǐng)域更是成為了一項(xiàng)關(guān)鍵技術(shù)。隨著多媒體信息技術(shù)的發(fā)展，視頻監(jiān)控技術(shù)被用于公共區(qū)域的視頻監(jiān)控，以提高公共區(qū)域的管理和監(jiān)控能力。在公共區(qū)域視頻監(jiān)控系統(tǒng)的設(shè)計(jì)中，需要對(duì)公共區(qū)域的視頻監(jiān)控圖像進(jìn)行準(zhǔn)確的檢測(cè)和監(jiān)控，提取公共區(qū)域視頻監(jiān)控的目標(biāo)特征，提高公共區(qū)域的管理能力，消除公共區(qū)域的危險(xiǎn)性。在公共區(qū)域除害追蹤監(jiān)測(cè)方法的研究上具有十分重要的意義，而且在公共安全管理和刑事偵察領(lǐng)域具有良好的應(yīng)用價(jià)值［2］。根據(jù)圖像匹配方法的基本思想可將圖像匹配方法分成兩大類，即基于區(qū)域的匹配方法和基于特征的匹配方法。兩類方法相比而言，基于特征的匹配方法有計(jì)算量小、魯棒性好、對(duì)圖像形變不敏感等優(yōu)點(diǎn)，所以基于特征的匹配方法成為目前研究的熱點(diǎn)。基于特征的圖像匹配方法主要包括3步：特征提取、特征描述和特征匹配。當(dāng)前常見(jiàn)的特征點(diǎn)提取算法有SIFT（Scale Invariant Feature Transform）［3］、SURF（Speeded-Up Robust Features）［4］以及ORB（Oriented FAST（Features from Accelerated Segment Test） and Rotated BRIEF（Binary Robust Independent Elementary Features））［5］。

ORB算法由Rublee等在2011年提出［6］，該算法通過(guò)FAST［7］算法提取特征點(diǎn)，通過(guò)BRIEF［8］計(jì)算得到描述子，使得系統(tǒng)對(duì)于噪聲具有更高的魯棒性。與之前的算法相比，ORB算法在計(jì)算速度上具有絕對(duì)的優(yōu)勢(shì)，在計(jì)算速度上是SURF的10倍，是SIFT的100倍［9］，能滿足實(shí)時(shí)性要求，但是其魯棒性不如SIFT，且不具備尺度不變性，在圖像匹配中容易造成誤匹配［10］。文獻(xiàn)［11］對(duì)傳統(tǒng)ORB算法進(jìn)行了改進(jìn)，提出了一種基于模塊化區(qū)域分割的ORB算法，算法雖能保證特征點(diǎn)均勻提取，但無(wú)法按照實(shí)際要求改變特征點(diǎn)的提取數(shù)量，且提取速度也要慢于傳統(tǒng)ORB算法。文獻(xiàn)［12］針對(duì)ORB算法不具有尺度不變性和匹配精度低的問(wèn)題，提出了一種結(jié)合SURF算法和BBF（Best Bin First）算法的思想對(duì)ORB算法進(jìn)行改進(jìn)，算法雖然提高了匹配精度，但提取速度相較于傳統(tǒng)ORB算法卻慢很多，無(wú)法保證系統(tǒng)的實(shí)時(shí)性。

本文提出了一種全新的基于區(qū)域劃分的ORB算法，在保證特征點(diǎn)提取速度的同時(shí)，使得后續(xù)的特征點(diǎn)匹配精度也得到了提高。

1 ORB算法原理

1.1 特征點(diǎn)檢測(cè)

圖像特征點(diǎn)能夠簡(jiǎn)單理解為圖像中更重要的點(diǎn)，如輪廓點(diǎn)、較暗區(qū)域的高光點(diǎn)、較亮區(qū)域的暗點(diǎn)等。ORB算法運(yùn)用FAST算法來(lái)尋找特征點(diǎn)，F(xiàn)AST的核心思想是找出那些突出的點(diǎn)，即將一個(gè)點(diǎn)與周?chē)狞c(diǎn)進(jìn)行比較，如果與周?chē)拇蠖鄶?shù)點(diǎn)不同，則可以將其挑選出來(lái)作為一個(gè)特征點(diǎn)。圖1為FAST特征點(diǎn)的提取示意圖。

FAST具體計(jì)算過(guò)程如下：

步驟1從圖1中挑選一個(gè)像素點(diǎn)P，判斷它是否可以作為特征點(diǎn)。首先假設(shè)它的灰度值為Ip。

圖1 FAST特征點(diǎn)提取示意圖Fig.1 Schematic diagram of FAST feature point extraction

步驟5遍歷所有圖像區(qū)域，直到提取的特征總數(shù)∑nj達(dá)到條件數(shù)量時(shí)，結(jié)束提取。

步驟3以像素點(diǎn)P為圓心，挑選出半徑為3的圓上的16個(gè)像素點(diǎn)。

步驟4分別對(duì)挑選出的點(diǎn)對(duì)進(jìn)行T操作，將得到的計(jì)算結(jié)果進(jìn)行組合。

步驟5為了更高效地檢測(cè)出特征點(diǎn)，可以增加一項(xiàng)預(yù)判操作，這樣可以快速地篩選掉大部分不是角點(diǎn)的像素點(diǎn)。通過(guò)直接檢查鄰域圓上的1、9、5和13這4個(gè)位置的像素點(diǎn)灰度進(jìn)行預(yù)判。首先檢查1和9，看它們是否和P點(diǎn)相同，如果是，再檢查5和13。只有當(dāng)這4個(gè)像素點(diǎn)中的3個(gè)同時(shí)大于Ip+t或者同時(shí)小于Ip-t時(shí)，P點(diǎn)才被認(rèn)為是一個(gè)角點(diǎn)。如果不能滿足上述條件，則不能作為角點(diǎn)，直接排除。通過(guò)該操作可以獲得3種不同的點(diǎn)，如下：

2.2 藥物敏感試驗(yàn) GBS菌株對(duì)9種常見(jiàn)抗生素藥物敏感試驗(yàn)見(jiàn)表2。紅霉素耐藥率從2014年的58.8%升至2016年的59.8%；克林霉素耐藥率從64.6%升至71.0%；四環(huán)素耐藥率從86.1%升至90.2%；左氧氟沙星耐藥率有所下降，由32.1%降至21.0%。

式中：Sp→x為第x個(gè)點(diǎn)提取到的點(diǎn)集；Ip→x為圓上16個(gè)點(diǎn)中的第x個(gè)點(diǎn)的灰度值；a為圓上比P點(diǎn)暗的點(diǎn)；b為圓上與P點(diǎn)相似的點(diǎn)；c為圓上比P點(diǎn)亮的點(diǎn)。

1.2 計(jì)算特征點(diǎn)描述子

ORB使用改進(jìn)的BRIEF算法計(jì)算一個(gè)特征點(diǎn)的描述子。其核心思想是在特征點(diǎn)P的周?chē)蕴囟Ｊ竭x取n個(gè)點(diǎn)對(duì)，把這n個(gè)點(diǎn)對(duì)的比對(duì)結(jié)果組合起來(lái)作為描述子［13］。

“在這半月里，我才真知道人民革命軍真是不行，要干人民革命軍那就必得倒霉，他們盡是些‘洋學(xué)生’，上馬還得用人抬上去。他們嘴里就會(huì)狂喊‘退卻’。二十八日那夜外面下小雨，我們十個(gè)同志正吃飯，飯碗被炸碎了哩！派兩個(gè)出去尋炸彈的來(lái)路。大家來(lái)想一想，兩個(gè)‘洋學(xué)生’跑出去，唉！喪氣，被敵人追著連帽子都跑丟了，‘學(xué)生’們常常給敵人打死。……”

計(jì)算描述子具體步驟如下：

針對(duì)我校研究生培養(yǎng)過(guò)程中遇到的問(wèn)題，開(kāi)展了基于GDP導(dǎo)師團(tuán)隊(duì)指導(dǎo)模式下燃?xì)廨啓C(jī)性能分析課程教學(xué)活動(dòng)設(shè)計(jì)及實(shí)踐的研究，提出以小組設(shè)計(jì)項(xiàng)目(GDP)為載體，以導(dǎo)師團(tuán)隊(duì)指導(dǎo)為保證的基于GDP導(dǎo)師團(tuán)隊(duì)指導(dǎo)模式下的研究生培養(yǎng)研究模式，不同小組針對(duì)本專業(yè)基礎(chǔ)知識(shí)選擇不同的燃?xì)廨啓C(jī)設(shè)計(jì)題目，由學(xué)生自主討論安排研究計(jì)劃，學(xué)習(xí)燃?xì)廨啓C(jī)專業(yè)相關(guān)設(shè)計(jì)理論，掌握壓氣機(jī)、燃燒室和渦輪等不同部件的設(shè)計(jì)方法和設(shè)計(jì)軟件，激發(fā)學(xué)生創(chuàng)新能力，建立知識(shí)體系與工程應(yīng)用的關(guān)系，為工程實(shí)際需要培養(yǎng)創(chuàng)新型人才。

步驟2在圓O內(nèi)選取n個(gè)點(diǎn)對(duì)。為了便于描述，令n=4。如圖2所示，將挑選出的4個(gè)點(diǎn)對(duì)分別標(biāo)記為：P1（A，B）、P2（A，B）、P3（A，B）、P4（A，B）。

圖2 描述子計(jì)算示意圖Fig.2 Schematic diagram of descriptor calculation

步驟3定義操作T。

式中：Iα和Iβ分別為A和B的灰度值。

步驟4假如這16個(gè)像素點(diǎn)中有連續(xù)的l個(gè)點(diǎn)的灰度都大于Ip+t或者都小于Ip-t，那么P就可以被認(rèn)為是一個(gè)角點(diǎn)。這里l設(shè)定為12，若有至少12個(gè)點(diǎn)超過(guò)閾值，則認(rèn)為P是特征點(diǎn)；否則，認(rèn)為P不是特征點(diǎn)。

假如：

則最終的描述子為：1011。

由于FAST算法無(wú)法檢測(cè)到特征點(diǎn)方向信息，在ORB算法中，利用矩來(lái)確定特征點(diǎn)的方向，通過(guò)計(jì)算特征點(diǎn)附近的圖像灰度質(zhì)心［14］來(lái)表示。在一個(gè)小的圖像塊B中，定義圖像的矩為

式中：p，q=0，1，2，…；I（x，y）為（x，y）點(diǎn)處的灰度值。通過(guò)式（3）可以得到零階矩m00、一階矩m10和m01。

通過(guò)矩可以計(jì)算其質(zhì)心為

目前，東營(yíng)市不少農(nóng)民合作社都是白手起家，社員數(shù)量少，生產(chǎn)規(guī)模小，經(jīng)濟(jì)實(shí)力較弱，在資金融通、技術(shù)引進(jìn)、設(shè)施改造、市場(chǎng)開(kāi)拓上面臨很大困難，導(dǎo)致帶動(dòng)輻射能力弱。

由于BRIEF描述子不具備旋轉(zhuǎn)不變性，在對(duì)其增加方向信息后，在（xi，yi）的位置，對(duì)n個(gè)點(diǎn)對(duì)定義矩陣A為

變換矩陣?yán)锰卣鼽c(diǎn)的方向角θ與旋轉(zhuǎn)矩陣Rθ進(jìn)行變換：

式中：Aθ為 旋 轉(zhuǎn) 后 的 特 征 點(diǎn) 對(duì) 矩 陣；Rθ=

BRIEF中點(diǎn)對(duì)灰度值的比較值又叫做binary test值，其定義為

算法具體步驟如下：

步驟1在構(gòu)建圖像金字塔時(shí)，將圖像均勻分割成M×N個(gè)大小相同的區(qū)域，M 為分割的行數(shù)，N為分割的列數(shù)，在這些區(qū)域中，特征點(diǎn)會(huì)隨機(jī)分布。將區(qū)域按照先行后列進(jìn)行排序，表示為｛h1，h2，h3，…，hM×N｝。

得到改進(jìn)的描述子后，再進(jìn)行搜索，在像素塊中挑選n個(gè)點(diǎn)對(duì)作為最終的描述子［15］。

國(guó)內(nèi)磷肥產(chǎn)能過(guò)剩仍然嚴(yán)重，落后產(chǎn)能退出加快，未來(lái)磷肥產(chǎn)能將集中在有資源優(yōu)勢(shì)的區(qū)域。國(guó)家環(huán)保政策的不斷出臺(tái)對(duì)行業(yè)影響較大，部分企業(yè)生產(chǎn)暫時(shí)受影響，但長(zhǎng)遠(yuǎn)來(lái)看能加速行業(yè)洗牌，規(guī)范市場(chǎng)競(jìng)爭(zhēng)。隨著行業(yè)自律效果逐漸顯現(xiàn)，磷銨供應(yīng)趨緊，加之出口市場(chǎng)轉(zhuǎn)好，今年秋季磷酸二銨價(jià)格穩(wěn)中見(jiàn)漲，也是對(duì)行業(yè)改革發(fā)展的行動(dòng)給予積極回應(yīng)。市場(chǎng)供應(yīng)量不足將推動(dòng)價(jià)格上漲，出口的穩(wěn)定走勢(shì)能幫助消化國(guó)內(nèi)過(guò)剩產(chǎn)量，環(huán)保壓力持續(xù)則有利于規(guī)范市場(chǎng)，將不達(dá)標(biāo)的小企業(yè)淘汰出局，維護(hù)市場(chǎng)的健康規(guī)范。

2 改進(jìn)ORB算法

ORB算法使用FAST算法檢測(cè)圖像特征點(diǎn)，獲得的特征點(diǎn)分布密集，存在冗余。一般來(lái)說(shuō)，特征點(diǎn)越多，則獲得的圖像匹配越準(zhǔn)確，但特征點(diǎn)密集分布對(duì)后續(xù)的特征描述十分不利，并且會(huì)影響圖像匹配精度［16］。本文提出一種基于區(qū)域劃分的ORB算法，通過(guò)對(duì)每個(gè)區(qū)域分別進(jìn)行特征點(diǎn)提取來(lái)解決上述問(wèn)題。同時(shí)，設(shè)置自適應(yīng)閾值，當(dāng)提取的特征點(diǎn)數(shù)量達(dá)到條件數(shù)量即需要提取的特征點(diǎn)總數(shù)時(shí)，提前結(jié)束來(lái)減少特征提取的時(shí)間。改進(jìn)ORB算法流程如圖3所示。

步驟1以特征點(diǎn)P為圓心，以d為半徑做圓O。

多模射頻前端的實(shí)現(xiàn)包括硬件電路的搭建以及FPGA對(duì)射頻鏈路的配置,其處理框圖如圖5所示。多模射頻接收鏈路配置模塊主要包括:各芯片寫(xiě)控制模塊,射頻混頻參數(shù)查找表模塊及指令接收模塊。

圖3 改進(jìn)ORB算法的流程圖Fig.3 Flow chart of improved ORB algorithm

式中：p（x）和p（y）分別為點(diǎn)x和點(diǎn)y處的像素灰度值。隨機(jī)選擇n個(gè)點(diǎn)對(duì)（xi，yi）就可以生成一個(gè)二進(jìn)制字符串，則生成的特征描述子可以表示為

于是，改進(jìn)后的描述子為

步驟2設(shè)置閾值j。式中：需要提取的特征點(diǎn)總數(shù)Tf與ORB算法提取的特征點(diǎn)總數(shù)相同，一般為500，使得特征點(diǎn)能夠更加均勻地分布，而且可以節(jié)省篩選最佳特征點(diǎn)的時(shí)間。

步驟3對(duì)每個(gè)區(qū)域分別進(jìn)行特征點(diǎn)檢測(cè)，將每個(gè)區(qū)域在閾值等于t時(shí)檢測(cè)到的FAST特征點(diǎn)的個(gè)數(shù)nj與j進(jìn)行比較，若nj不小于j，則選取j個(gè)最佳點(diǎn)；若nj小于j，則降低提取FAST特征點(diǎn)時(shí)的閾值t，重新檢測(cè)。由于只有當(dāng)兩點(diǎn)之間的灰度值之差的絕對(duì)值大于閾值t時(shí)，才能認(rèn)為2個(gè)點(diǎn)是不同的，才可以進(jìn)行下一步檢測(cè)。因此，通過(guò)降低閾值t，能夠增加灰度值之差的絕對(duì)值大于閾值的點(diǎn)的個(gè)數(shù)，從而可以檢測(cè)到更多的角點(diǎn)以供篩選。

步驟4經(jīng)過(guò)步驟3的檢測(cè)，有些區(qū)域的特征點(diǎn)數(shù)會(huì)超過(guò)需要的特征點(diǎn)數(shù)，容易造成檢測(cè)出來(lái)的點(diǎn)彼此相鄰，無(wú)法成為最佳特征點(diǎn)，需要篩選掉這一部分點(diǎn)。本文采用非最大值抑制的方法。假設(shè)P和Q兩點(diǎn)相鄰，分別計(jì)算兩點(diǎn)與周?chē)?6個(gè)點(diǎn)的差分和，去掉差分和最小的點(diǎn)，直到剩下的點(diǎn)與所需要的點(diǎn)數(shù)一致時(shí)停止篩選，剩下的即為最佳點(diǎn)。差分和計(jì)算公式為

無(wú)論在當(dāng)下還是未來(lái)，AT變速器一定還是要走多擋位路線，AT變速器作為最為傳統(tǒng)類型的一款有級(jí)自動(dòng)變速器，已經(jīng)有超過(guò)100多年的歷史，而電子控制技術(shù)也有近40年的歷史。現(xiàn)如今AT變速器擋位數(shù)已經(jīng)達(dá)到10個(gè)前進(jìn)擋位，因此無(wú)論是低端家庭用車(chē)還是中高端以上車(chē)型，我們都很難再看到新車(chē)搭載4AT或5AT的變速器。2018年5月，吉利和廣汽與全球知名的自動(dòng)變速器生產(chǎn)廠家日本愛(ài)信簽約，為滿足市場(chǎng)小排量低端車(chē)型的需求，將愛(ài)信公司生產(chǎn)的一款6AT生產(chǎn)線拿到國(guó)內(nèi)進(jìn)行量產(chǎn)，從這一信息來(lái)看，未來(lái)幾年國(guó)內(nèi)低端小排量車(chē)型，在AT變速器選擇上一定

式中：Sbright為16個(gè)鄰域像素點(diǎn)中灰度值大于Ip+t的像素點(diǎn)的集合；Sdark為灰度值小于Ip-t的像素點(diǎn)的集合。

步驟2設(shè)值一個(gè)合適的閾值t（比如Ip的20%），當(dāng)2個(gè)點(diǎn)的灰度值之差的絕對(duì)值大于t時(shí)，可以認(rèn)為這2個(gè)點(diǎn)不相同。

It is an interesting manuscript on important topic. The paper is well-written.

由于FAST特征點(diǎn)不具有尺度不變性，可以采用SIFT高斯金字塔來(lái)實(shí)現(xiàn)，高斯金字塔的構(gòu)建分為兩部分：對(duì)圖像做不同尺度的高斯模糊和對(duì)圖像做下采樣［17］。

高斯模糊常被用來(lái)模擬物體在人眼中的快速遠(yuǎn)近效應(yīng)。其核心是利用高斯函數(shù)對(duì)輸入圖像進(jìn)行模糊模板解卷積運(yùn)算，去除圖像的高頻成分，實(shí)現(xiàn)圖像的模糊化。高斯函數(shù)一維和二維表達(dá)式分別為

通過(guò)姿態(tài)檢測(cè)系統(tǒng)來(lái)實(shí)時(shí)檢測(cè)車(chē)身姿態(tài)及運(yùn)動(dòng)狀態(tài)，并根據(jù)姿態(tài)信息對(duì)小車(chē)進(jìn)行控制.目前多重技術(shù)方案都可以實(shí)現(xiàn)傾角檢測(cè)，Column-Bot采用微機(jī)電系統(tǒng)(Micro Elector Mechanical System，MEMS)陀螺儀和MPU6050加速度慣性傳感器構(gòu)成的姿態(tài)檢測(cè)系統(tǒng)，可以實(shí)時(shí)、準(zhǔn)確地檢測(cè)兩輪自平衡移動(dòng)底盤(pán)的傾角.使用PID中的雙閉環(huán)控制控制算法、卡爾曼濾波算法，對(duì)陀螺儀和加速度慣性傳感器采集的數(shù)據(jù)進(jìn)行融合，使測(cè)量角度更加真實(shí)穩(wěn)定.

式中：x、y分別為原點(diǎn)到x軸、y軸的距離；σ為高斯函數(shù)G的標(biāo)準(zhǔn)差。

本文中通過(guò)設(shè)置一個(gè)比例因子scaleFactor和金字塔層數(shù)nlevels，將原圖像I按比例因子縮小成nlevels幅圖像?？s放后的圖像I′為

3.4.1 有關(guān)醫(yī)療部門(mén)規(guī)定，但凡接觸過(guò)患者體液的物品均被視為污染，凡是污染物均需進(jìn)過(guò)相應(yīng)處理后才能廢棄或再利用。由此可見(jiàn)，棉布也不是完全環(huán)保的，其在清洗過(guò)程中會(huì)產(chǎn)生廢水，這些廢水若處理不當(dāng)同樣會(huì)造成環(huán)境的污染。而一次性無(wú)紡布不重復(fù)使用，直接焚燒處理。焚燒產(chǎn)生的廢氣只要處理得當(dāng)，將大大減少對(duì)環(huán)境的污染。另外，隨著環(huán)保意識(shí)的增強(qiáng)，對(duì)聚丙烯制品的回收再利用成為目前日益關(guān)注的焦點(diǎn)，一次性無(wú)紡布雖為醫(yī)療廢棄物，但只要經(jīng)過(guò)消毒處理同樣可以成為再生的能源［6］。

分別對(duì)nlevels幅不同比例的圖像通過(guò)本文算法提取特征點(diǎn)，提取的特征點(diǎn)總數(shù)作為這幅圖像的FAST特征點(diǎn)以解決ORB算法不具有尺度不變性的問(wèn)題［18］。

長(zhǎng)期以來(lái)，廣播電視對(duì)自已定位于黨和人民的喉舌，關(guān)注較多的是其政治屬性，但是，在全球經(jīng)濟(jì)一體化的新形勢(shì)下，應(yīng)當(dāng)而且必須正確認(rèn)識(shí)到廣播電視的多種屬性，將新的思維和辦法，應(yīng)用到節(jié)目生產(chǎn)的每個(gè)環(huán)節(jié)，這是新形勢(shì)下提升廣播電視節(jié)目質(zhì)量發(fā)展的必由之路。

本文中高斯金字塔一共生成8層不同尺度的圖像，圖像金字塔示意圖如圖4所示。圖中L0～L7分別為第1幅～第8幅下采樣圖像。

4.企業(yè)責(zé)任。在生產(chǎn)建設(shè)的同時(shí)，積極參與社區(qū)建設(shè)，時(shí)刻心系群眾，關(guān)心群眾生活，為當(dāng)?shù)卮迕裉峁﹦趧?dòng)就業(yè)機(jī)會(huì)，解決就業(yè)難題。要與當(dāng)?shù)卮迕窠M織建立定期、不定期協(xié)商磋商機(jī)制，共同研究制定因礦業(yè)開(kāi)發(fā)造成群眾利益損害的有關(guān)補(bǔ)償條件、補(bǔ)償標(biāo)準(zhǔn)和補(bǔ)償辦法，對(duì)當(dāng)?shù)厝罕娞岢龅膿p害補(bǔ)償訴求經(jīng)認(rèn)定屬實(shí)的，按共同約定的補(bǔ)償條件、補(bǔ)償標(biāo)準(zhǔn)和補(bǔ)償辦法及時(shí)協(xié)商解決。要通過(guò)礦地和諧建設(shè)，及時(shí)化解礦山開(kāi)發(fā)與當(dāng)?shù)厝罕姷拿埽瑺I(yíng)造企業(yè)與社區(qū)共同發(fā)展、人與環(huán)境和諧融洽的良好局面。

圖4 圖像金字塔示意圖Fig.4 Image pyramid illustration

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)在Linux系統(tǒng)+Opencv3.4.1平臺(tái)上實(shí)現(xiàn)，原始圖像如圖5所示。

圖5 原始圖像Fig.5 Original images

傳統(tǒng)ORB算法和本文算法提取的特征點(diǎn)分別如圖6所示。圖像匹配結(jié)果分別如圖7所示。

它是對(duì)一個(gè)問(wèn)題的指稱，以及對(duì)一種不確定性的指稱。這種不確定性既是對(duì)視覺(jué)機(jī)制(視覺(jué)藝術(shù)、視覺(jué)傳媒、布展和觀展的行為)與語(yǔ)言機(jī)制(文學(xué)、語(yǔ)言、話語(yǔ)、聽(tīng)、說(shuō)、讀寫(xiě)的行為)之間不規(guī)范、不固定的邊界的描述。......

圖6 不同算法提取結(jié)果Fig.6 Extraction results of different algorithms

圖7 不同算法匹配結(jié)果Fig.7 Matching results of different algorithms

從圖6可以看出，相較于圖6（a），圖6（b）的特征點(diǎn)分布更加均勻，大大減少了重疊特征點(diǎn)的數(shù)量，說(shuō)明本文算法提取的特征點(diǎn)更具有代表性，后續(xù)的圖像匹配也更加準(zhǔn)確穩(wěn)定。匹配準(zhǔn)確率對(duì)比如表1所示。

通過(guò)表1可以看出，本文算法在匹配精度方面較ORB算法提升了3.4%，較文獻(xiàn)［12］改進(jìn)的ORB算法存在一定差距，通過(guò)該數(shù)據(jù)指出了本文算法未來(lái)的優(yōu)化方向。

表1 匹配精度對(duì)比Table 1 M atching accuracy com parison

另一方面，算法運(yùn)行速度是衡量一個(gè)算法優(yōu)劣的重要標(biāo)準(zhǔn)，在平臺(tái)相同的情況下，若匹配結(jié)果基本相同，則速度越快的算法越好；若運(yùn)行時(shí)間基本相同，則匹配結(jié)果越好的算法越優(yōu)秀。本文將10次實(shí)驗(yàn)結(jié)果取平均值，實(shí)驗(yàn)運(yùn)行時(shí)間的部分截圖如圖8所示，算法運(yùn)行時(shí)間和匹配時(shí)間比較如表2、表3所示。

圖8 不同算法運(yùn)行截圖Fig.8 Screenshot of running of different algorithms

從表2可以看出，本文算法在提取速度方面比傳統(tǒng)的ORB算法提升了16%，較文獻(xiàn)［11］改進(jìn)的ORB算法速度提升了55%，較文獻(xiàn)［12］改進(jìn)的ORB算法速度提升了84%。從表3可以看出，在匹配算法相同的前提下，本文算法在匹配速度方面比傳統(tǒng)ORB算法提升了9%左右。本文算法不僅提升了特征點(diǎn)提取速度，也使得所提取的特征點(diǎn)分布更加均勻，匹配速度也得到了提升。

表2 算法運(yùn)行時(shí)間比較Tab le 2 Com parison of algorithm running tim e

表3 算法匹配時(shí)間對(duì)比Tab le 3 Com parison of m atching tim e

4 結(jié) 論

1）針對(duì)傳統(tǒng)ORB算法提取的無(wú)效特征點(diǎn)較多且不具有尺度不變性的問(wèn)題，本文提出了一種基于區(qū)域劃分的改進(jìn)的特征點(diǎn)提取算法。

2）算法將圖像進(jìn)行區(qū)域劃分，提取的特征點(diǎn)都是在區(qū)域中表現(xiàn)最佳的點(diǎn)，通過(guò)設(shè)置自適應(yīng)閾值，在特征點(diǎn)提取速度方面獲得了較大提升，在圖像匹配精度較ORB算法得到了提升，但對(duì)比文獻(xiàn)［12］改進(jìn)的ORB算法還存在一定差距。在接下來(lái)的工作中，可以通過(guò)以下方法對(duì)該算法做進(jìn)一步的優(yōu)化：在構(gòu)建圖像金字塔時(shí)，可以對(duì)圖像信息進(jìn)行計(jì)算，并自動(dòng)調(diào)節(jié)尺度信息，以保證圖像的尺度信息更加合理，使算法在尺度不變性方面得到進(jìn)一步提升。