唐管政 唐大全 谷旭平

（海軍航空大學 煙臺 264001）

1 引言

圖像特征匹配［1］是通過提取圖像中的特征點，將兩幅前后時間序列上的圖像進行相關(guān)性計算，得到兩幅圖像的特征匹配。目前已廣泛應用于無人機視覺導航、無人機目標跟蹤與識別和同時定位與建圖等領(lǐng)域。圖像特征匹配主要有兩種，分別為塊匹配計算方法和點匹配計算方法，其中塊匹配計算方法雖然簡單高效，但是當圖像某部分被遮蓋時，會出現(xiàn)匹配點漂移的情況，致使匹配有所偏差。而點匹配計算方法，在無人機運動過程中，對圖像的位移較為敏感，并對光照變化、圖像噪聲、圖像畸變和遮擋具有一定的魯棒性。目前主流的點匹配計算方法有以下幾種：SIFT［2］、SURF［3］和 ORB［4］等。DavidG.Lowe等在于2004年提出了一種新的特征匹配算法?SIFT算法，但是SIFT算法中的計算量大，在實際應用中不具有實時性。因此Bay H等于2006在SIFT算法的基礎上改進了運算速度，提出了SURF算法，但是仍然無法滿足實時性較高的應用要求。而Rublee等于2011年將FAST算法［5］和BRIEF算法［6］相結(jié)合，提出了ORB算法，運算速度較SIFT、SURF算法有了明顯的提升，但是運用ORB算法在實際中仍然出現(xiàn)誤匹配率高和魯棒性差等問題。針對以上問題，本文對ORB算法的特征匹配環(huán)節(jié)進行改進，得到一種新的算法。

2 ORB特征匹配算法原理

ORB算法是將FSAT算法和BRIEF算法相結(jié)合并進行改進的算法［7］。

2.1 特征點提取

FAST特征提取算法中，當灰度圖中存在一像素點鄰域內(nèi)的大部分像素點的灰度值大于或小于該點時，判定該像素點為特征點［8］。

如圖1所示，以p點為圓心的半徑為3個像素的區(qū)域內(nèi)，比較p點和該點為圓心的圓環(huán)上所有點的灰度值的大小：

圖1 FAST特征點檢測

其中N為特征點個數(shù)，I（i）為第i個點的灰度值，εd為設置的灰度閾值，N一般取9，即若存在連續(xù)9個點的灰度值變化量超過設定值，判定p點為特征點。為了方便運算，可先計算p點與圓周上序號為1、5、9、13的特征點之間的差值，當有任意三個特征點大于或小于閾值，才計算與其他像素點的差值，再采用Harris的方法對其進行排序［9］。ORB算法中采用建立圖像金字塔的方法使原FAST特征具有尺度不變性，每層分別提取FAST特征點。又針對FAST特征點不具有方向性的情況，采用灰度質(zhì)心法，計算特征點鄰域內(nèi)的質(zhì)心，將特征點與質(zhì)心之間的矢量的方向定義為特征點的方向，局部圖像的幾何區(qū)域矩的公式是：

2.2 特征點描述

ORB算法中通過BRIEF描述子對提取的特征點進行闡述，BRIEF中采用9×9的高斯算子進行濾波［10］。在31×31的窗口中，生成一對隨機點，并以這一對點為中心，取其中5×5的子窗口，比對兩個點所在窗口的灰度值，再進行數(shù)學運算。運算過程如下：在以提取的特征點為中心的周圍隨機選擇點對（一般取128、256或者512），所有點對都生成一個二進制編碼：

其中，p（x）和p（y）表示點對灰度值，選取n個對點（xi，yi）生成一個二進制編碼，并將n個點對的進行比較，作為描述子：

選擇n對點，生成2n矩陣：

利用特征點方向作為變換矩陣Rθ，將矩陣進行變換生成新的矩陣：

其中θ為特征點所在坐標系中相對于橫軸的夾角，通過上式，可得改進的BRIEF描述子：

其中，n一般128、256、512，在ORB算法中取256。

2.3 特征點匹配

ORB算法中，D（Up，Uq）代表兩個可能匹配的特征點之間的漢明距離，Up是第一幅中某一點p的矢量，Uq是第二幅中最鄰近點q的矢量，距離越小證明兩個點越符合匹配條件，采用最近鄰法進行判斷。如果最近鄰點和次近鄰點距離比值小于某一設定值時，判定這兩個點匹配成功。

3 對特征點匹配的改進算法

3.1 基于最近鄰比率的匹配算法

原ORB算法中匹配方法運算量大，本文運用K最近鄰算法，對樣本集進行整理，其中K取2，對第一幅圖像進行特征點提取，在第二幅圖像中搜尋最近鄰距離和次近鄰距離的點，假設Uq*是第一幅圖像中次近鄰點q的矢量，匹配特征點對可表示為pi（Up，Uq*），其中i=1，2，…，n。n為第二幅圖像中的特征點數(shù)。

用最鄰近距離和次近鄰距離的比值作為評價匹配點對質(zhì)量的標準，假設Up和Uq*的距離是D（Up，Uq*），定義 D（Up，Uq）與 D（Up，Uq*）的比值是最近鄰比率 NNDR（Nearest Neighbor Distance Ratio），當NNDR小于設定值時，則p點與q點匹配，定義最近鄰比率是：

如果NNDR小于設定值時，認為p點匹配q點，否則不匹配。

具體步驟如下。

1）通過計算當設定值設為0.7時匹配效果最佳，設定集合A為所有的匹配點對：A=｛pi（Uq，Uq*），i=1，2，…，m1｝，m1表示第一幅到第二幅的匹配點對的數(shù)量。

2）從第二幅中找到每一個第一幅的特征點的最鄰近和次鄰近的點，當NNDR小于設定值時，設定集合B為所有的的匹配點對：B=｛qi（Up，Up*），i=1，2，…，m2｝，m2表示從第二幅到第一幅的匹配點對的數(shù)量。

3）如果A中某一匹配點對（pi，qj），可以在B中找到一個與之對應的匹配點對（qj，pi），則該匹配點對正確。通過這樣的前向后向匹配后，篩選得到的所有匹配可以用集合C表示：C=｛pi（Uq，Uq*）），i=1，2，…，m3｝，m3表示通過前向后向匹配后確定的匹配點對的數(shù)量。

3.2 基于PROSAC算法的誤匹配剔除

目前常用的匹配誤差剔除算法有RANSAC算法［11］、PROSAC 算法［12］，其 中 PROSAC 算 法 是 在RANSAC算法的基礎上改進而來的，而PROSAC算法先整理樣本按質(zhì)量優(yōu)劣排序，再從質(zhì)量高的樣本中抽取子集，然后經(jīng)過多次驗證得到最優(yōu)估計解。將NDDR作為評價匹配質(zhì)量優(yōu)劣的標準，從前向后向匹配后的匹配點對剔除誤匹配點對，具體流程如下。

1）設置迭代次數(shù)初值和次數(shù)上限、內(nèi)點數(shù)量臨界值、誤差范圍，初值設為0。

2）將樣本數(shù)據(jù)按質(zhì)量優(yōu)劣降序排序，然后選取n個質(zhì)量較高的數(shù)據(jù)。

3）在抽取的n個樣本數(shù)據(jù)中去掉任意m個樣本數(shù)據(jù)，計算出數(shù)據(jù)中模型參數(shù)誤差小于設定誤差臨界值的個數(shù)，作為內(nèi)點的個數(shù)。

4）若計算出的內(nèi)點數(shù)量大于設定臨界值，則內(nèi)點數(shù)量更新，否則將迭代次數(shù)加1，返回2）。

4 仿真與結(jié)果分析

以拍攝視頻中兩幅時間序列相鄰的一組圖片作為實驗對象，通過實驗得到改進算法與原ORB算法的匹配結(jié)果圖，如圖2所示，考慮實際情況，在圖像中加入旋轉(zhuǎn)變化、光照變化、尺寸變化因素，得到改進算法與原ORB算法的匹配結(jié)果對比圖，如圖3、4、5所示。

如圖2中所示，原ORB算法匹配情況較差，改進算法匹配效果比原ORB算法好，無明顯誤匹配點對。圖3、4、5表明，在加入旋轉(zhuǎn)變化、光照變化因素后，原ORB依然存在大量誤匹配的情況，改進ORB算法匹配效果良好，說明改進算法對旋轉(zhuǎn)、光照因素具有一定的魯棒性。

圖2 匹配結(jié)果對比圖（位移變化）

圖3 匹配結(jié)果對比圖（旋轉(zhuǎn)變化）

圖4 匹配結(jié)果對比圖（亮度變化）

為了證明本文算法的準確性和實時性，選用視頻中的四組時間序列相鄰的圖片，對沒有誤匹配剔除，和使用了RANSAC算法以及本文的ORB-P算法進行對比實驗，并與SIFT、SURF算法做仿真時間對比實驗，實驗結(jié)果如表1和表2所示。

如表1所示，未經(jīng)過誤匹配剔除的特征匹配點對中正確率只有67.9%，使用RANSAC算法后正確率達到92.5%，但是存在的誤匹配對實際應用會造成影響。使用本文的ORB-P算法進行誤匹配剔除后，匹配正確率達到99.6%，為實際應用中對正確率的要求提供依據(jù)。表2是改進算法和SIFT、SURF算法的仿真時間對比結(jié)果，從中可以看出，改進算法平均用時0.24s，改進算法運算時間約是SURF算法運算時間的1/4，是SIFT算法運算時間的1/24，可以達到實際應用中對運算時間的要求。

表1 各算法匹配準確性對比

表2 各算法運算時間對比

5 結(jié)語

本文為解決原ORB算法錯誤匹配情況較多的問題，將原ORB算法進行改良。通過基于最鄰近比率的匹配算法對原ORB算法的特征點匹配環(huán)節(jié)進行改進，減少了繁冗的計算量，提升了運算速度，再結(jié)合PROSAC算法剔除了錯誤的匹配點對，得到較為精準的匹配結(jié)果。改進后的方法與原方法相比，具有較強的準確性和實時性，提高了算法的性能，為在復雜場景下的實際應用打下基礎。