張潤(rùn)梅，宦思琪，張 媛，徐靜雯

（安徽建筑大學(xué)，合肥 230601）

一般來(lái)說(shuō)，圖像中所顯示的幾何特征、光線特征、空間位置、質(zhì)地、邊緣信息等，在不同的時(shí)間、視角、使用不同傳感器對(duì)同一物體進(jìn)行攝影時(shí)，都可能有顯著的區(qū)別，如果再考慮各種干擾和噪音的影響，多次拍攝的圖像則會(huì)存在或大或小的差異［1］。圖像匹配就是查找并確定多次拍攝的圖像相同和不同的點(diǎn)，以確認(rèn)相同的位置；如果兩幅圖像相同的點(diǎn)較多，它們之間的相關(guān)性相對(duì)較高；相反，如果兩幅圖像的相同點(diǎn)較少，則2個(gè)圖像之間的相關(guān)性相對(duì)較低。圖像的相關(guān)性影響匹配結(jié)果，相關(guān)度高的情況下圖像的匹配良好，相反相關(guān)度低的情況下，圖像的匹配結(jié)果較差［2］。

圖像的匹配主要可以劃分為基于灰度的圖像匹配和基于特征的圖像匹配?；诨叶鹊钠ヅ涫亲钕仍趪?guó)際上發(fā)展并流行起來(lái)的圖像匹配技術(shù)，這種匹配方法主要是在一幅圖像中選擇一塊圖像中的區(qū)域，用該圖像中的區(qū)域在另一幅新的圖像中進(jìn)行移動(dòng)，尋找另一幅新的圖像中與此查找區(qū)域的灰度差別最小的部分，以此基本實(shí)現(xiàn)兩幅相似圖像間的灰度匹配，這類的算法一般都需要遍歷多個(gè)查找區(qū)域進(jìn)行運(yùn)算［3］。最先被提出的基于灰度的圖像匹配檢測(cè)算法，是1971年由Leese提出的平均絕對(duì)差值檢測(cè)算法（MAD），通過(guò)遍歷計(jì)算以尋找2個(gè)區(qū)域的灰度差而基本實(shí)現(xiàn)了兩幅圖像間的配準(zhǔn)。1972年由Barnea和Silverman提出了基于圖像序列相似性檢測(cè)的算法（SSDA），這個(gè)算法通過(guò)設(shè)定閾值以有效地避免遍歷計(jì)算數(shù)據(jù)尋找的復(fù)雜過(guò)程，并減少計(jì)算過(guò)程的量。由于基于灰度的匹配算法不僅計(jì)算出了待匹配點(diǎn)，而且把每個(gè)待匹配點(diǎn)周圍的模板和待匹配區(qū)域也一起仔細(xì)地考慮歸納進(jìn)來(lái)，導(dǎo)致這種方法計(jì)算量較大且實(shí)際運(yùn)算的時(shí)間也較長(zhǎng)較慢［4］?；趫D像特征的匹配算法，在進(jìn)行特征匹配前先要從圖像中獲取點(diǎn)、線、面或區(qū)域等的特征［5－6］。Harris和Stephen博士對(duì)1977年提出的經(jīng)典Moravec角點(diǎn)檢測(cè)算法進(jìn)行了改進(jìn)，提出了在不變性方面表現(xiàn)更好的Harris角點(diǎn)算法［7］。1999年Lowe博士基于尺度空間的研究提出了經(jīng)典的SIFT檢測(cè)算法，并在2004年對(duì)該算法進(jìn)行了重大改進(jìn)，該特征匹配算法對(duì)于圖像中的外界環(huán)境變化的檢測(cè)具有較強(qiáng)魯棒性。2003年，M.Brown和D.G.Lowe在ICCV上聯(lián)合發(fā)表了論文，將對(duì)SIFT特征關(guān)鍵點(diǎn)匹配檢測(cè)算法的運(yùn)用推廣到全景圖的數(shù)字圖像拼接處理系統(tǒng)中。為了有效地改善和提高對(duì)特征點(diǎn)提取的匹配速度，Bay.H等在2006年對(duì)SIFT算法又進(jìn)行了改進(jìn)，提出了另一種新的經(jīng)典匹配算法—SURF特征匹配算法［8－9］。之后，隨著現(xiàn)代計(jì)算機(jī)科學(xué)技術(shù)的進(jìn)步和發(fā)展，對(duì)特征點(diǎn)匹配算法速度的技術(shù)要求越來(lái)越高，Ethan Rublee等在2011年發(fā)表的論文中提出了ORB匹配算法［10］。近年來(lái)，特征點(diǎn)的匹配算法主要分為2個(gè)不同的發(fā)展方向，一是為了盡可能地提高特征點(diǎn)匹配的精確度和準(zhǔn)確度，繼續(xù)改進(jìn)并發(fā)展SIFT、PCA-SIFT、ASIFT、LIFT等匹配算法；二是為了有效地提升特征點(diǎn)匹配的速度，如改進(jìn)SURF、ORB、KAZE、AKAZE等匹配算法［11］。

徽派的建筑主要是選用傳統(tǒng)的磚、木、石3種材料進(jìn)行建造，梁架結(jié)構(gòu)用料碩大且十分注重裝飾?；张山ㄖ旱恼w結(jié)構(gòu)和走勢(shì)主要依賴于自然界山水的變化脈絡(luò)。從建筑群的外觀來(lái)看，徽派建筑都是由粉墻黛瓦的馬頭墻組合而來(lái)，總體在外觀上具有統(tǒng)一的建筑韻律感，而建筑群個(gè)體的個(gè)性化和設(shè)計(jì)上的靈活性則主要體現(xiàn)在雕刻的紋理和裝飾上的彩繪。由于徽派建筑群的構(gòu)件總體上的造型特征區(qū)別相對(duì)較小，細(xì)節(jié)上的特征差別繁雜，且其數(shù)據(jù)量龐大，所以我們需要尋求一種新的特征匹配的方法，在進(jìn)一步保證特征匹配精確度和準(zhǔn)確度的同時(shí)也希望能更好地兼顧特征匹配的速度。

1 AKAZE算法

SIFT和SURF這兩種算法都是利用一種金字塔式的策略構(gòu)建高斯尺度空間，常用于對(duì)目標(biāo)的檢測(cè)、識(shí)別、定位和目標(biāo)匹配［12］。無(wú)論是傳統(tǒng)的SIFT算法還是SURF算法，在尺度空間的構(gòu)建和設(shè)計(jì)上都有一個(gè)明顯的技術(shù)缺陷：高斯模糊不能完全地保留物體邊界的局部信息，在所有的尺度上平滑到相同程度的細(xì)節(jié)和噪聲水平，這直接影響目標(biāo)定位的精度和唯一性［13］。

學(xué)者針對(duì)高斯核函數(shù)構(gòu)造尺度空間的局限性，提出了雙邊濾波和非線性擴(kuò)散濾波擴(kuò)散方式。這種利用非線性擴(kuò)散濾波策略建立的尺度空間可以對(duì)物體局部的細(xì)節(jié)進(jìn)行局部自適應(yīng)濾波并有效保持物體和目標(biāo)的局部邊界，從而在尺度空間中保持更多的細(xì)節(jié)特征。如，BFSIFT算法采用了雙邊濾波和雙向匹配的方法，提高了SIFT算法在強(qiáng)噪聲SAR圖像中的相應(yīng)計(jì)算性能，但是需要進(jìn)行更復(fù)雜的計(jì)算［14］。與SIFT和SURF算法相比，AKAZE算法作者之前在論文中提出的KAZE算法主要采用非線性擴(kuò)散濾波器，缺點(diǎn)主要在于其計(jì)算量大。雖然AOS求解的方程組是穩(wěn)定且可并行的，但是該算法需要同時(shí)求解大規(guī)模的線性方程組，并且難以很好地滿足移動(dòng)端的實(shí)時(shí)性要求。

與SIFT算法和SURF算法相比，AKAZE算法的計(jì)算速度更快，與ORB和BRISK算法相比，其可重復(fù)性和魯棒性也有顯著的提高。

1.1 非線性擴(kuò)散濾波

在之前的傳統(tǒng)算法如SIFT和SURF中，構(gòu)造尺度空間都使用了高斯濾波，都無(wú)法避免一個(gè)潛在的問(wèn)題，高斯濾波不能保留邊緣信息，且會(huì)將所有尺度的細(xì)節(jié)和噪聲平滑到相同的水平。尺度空間包括若干個(gè)組且通過(guò)降采樣得到下一個(gè)組，每個(gè)組中包含若干個(gè)尺寸相同的層，同一組中的若干層通過(guò)逐層非線性擴(kuò)散來(lái)獲得。從構(gòu)造效果上來(lái)看，高斯濾波處理后的圖片會(huì)隨著尺度減小逐漸模糊，而非線性濾波后圖片會(huì)損失一些細(xì)節(jié)，但仍然清晰可以辨認(rèn)，能夠局部自適應(yīng)進(jìn)行濾除小細(xì)節(jié)同時(shí)保留目標(biāo)的邊界使其尺度空間保留更多的特征信息。

非線性擴(kuò)散濾波描述圖像亮度的變化是通過(guò)提升圖像的尺度參數(shù)作為熱擴(kuò)散函數(shù)的散度因子來(lái)達(dá)到控制圖像亮度擴(kuò)散過(guò)程的目的。通常采用偏微分方程進(jìn)行求解，由于其中涉及微分方程的非線性性質(zhì)，通過(guò)圖像亮度的擴(kuò)散來(lái)構(gòu)建尺度空間，表達(dá)式為：

式中：L為圖像亮度矩陣；div與▽分別代表散度函數(shù)與圖像梯度算子。當(dāng)c（x，y，t）為常數(shù)時(shí)，則為熱擴(kuò)散方程，表達(dá)式為各向同性擴(kuò)散；當(dāng)c（x，y，t）為關(guān)于梯度的函數(shù)時(shí)，表達(dá)式為各向異性擴(kuò)散。擴(kuò)散方程中引入傳導(dǎo)函數(shù)c能夠自適應(yīng)于圖像的局部結(jié)構(gòu)特性進(jìn)行擴(kuò)散，傳導(dǎo)函數(shù)的表達(dá)式定義為：

式（2）中的▽Lσ為圖像L經(jīng)過(guò)高斯平滑后得到的梯度圖像，式（3）中的參數(shù)λ用來(lái)控制擴(kuò)散的程度，決定邊緣區(qū)域要進(jìn)行增強(qiáng)且平坦區(qū)域?yàn)V波的決策因子。FED結(jié)合顯式和半隱式理論的優(yōu)勢(shì)互補(bǔ)，求解的思想動(dòng)機(jī)來(lái)自于顯式理論分解box濾波器：能夠很好地近似高斯濾波器且便于應(yīng)用。KAZE算法中使用AOS算法作為求解方法，但是由于大量線性方程求解過(guò)程緩慢，導(dǎo)致算法的實(shí)時(shí)性得不到保障，所以在AKAZE算法中用FED算法替換了AOS算法，這一步是為了提升計(jì)算速度和算法實(shí)時(shí)性［15－16］。FED算法表達(dá)式為：

其中：I為單位矩陣，A（Li）為圖像Li的傳導(dǎo)矩陣；n表示顯性擴(kuò)散步數(shù)；τj為對(duì)應(yīng)步長(zhǎng)；τmax為滿足顯性擴(kuò)散穩(wěn)定性條件時(shí)的最大步長(zhǎng)值。在整個(gè)FED的循環(huán)中，矩陣A（Li）始終保持不變。而當(dāng)FED循環(huán)結(jié)束，算法將會(huì)重新計(jì)算矩陣A（Li）的值。

1.2 M-LDB描述子

二進(jìn)制描述符可以在小圖像變形模式下由于計(jì)算的高效化而接近SIFT算法性能，因此它被廣泛用于移動(dòng)終端、高實(shí)時(shí)性目標(biāo)識(shí)別、追蹤等相關(guān)用途中。Yang Xin在2014年提出的LDB描述符，通過(guò)使用領(lǐng)域的區(qū)域強(qiáng)度均值信息和水平垂直方向上的圖像梯度信息來(lái)增加二值描述的分化性和魯棒性。AKAZE算法進(jìn)一步提高了LDB描述符的圖像旋轉(zhuǎn)和縮放性能。通過(guò)KAZE算法的特征點(diǎn)旋轉(zhuǎn)不變性獲得主方向，然后LDB網(wǎng)格進(jìn)行相應(yīng)的旋轉(zhuǎn)。而AKAZE算法中的M-LDB描述符不使用分割網(wǎng)格的像素，而是對(duì)網(wǎng)格像素進(jìn)行尺度自適應(yīng)［17］。采樣后平均值近似劃分的網(wǎng)格均值效果良好，比例采樣提升了描述符對(duì)于尺度變化的魯棒性。M-LDB通過(guò)離散點(diǎn)采樣獲得散點(diǎn)的亮度值和水平方向和垂直方向的微分平均值，獲得的運(yùn)算符是由0和1構(gòu)成的二值描述符，縮短了計(jì)算時(shí)間，從而進(jìn)一步提高算法的實(shí)時(shí)性能。

2 G-AKAZE算法

2.1 誤匹配點(diǎn)剔除算法

由于運(yùn)動(dòng)平滑度的存在所以極不可能在一幅圖像中發(fā)生多組隨機(jī)對(duì)應(yīng)簇，因此通過(guò)簡(jiǎn)單地計(jì)算特征點(diǎn)鄰域中的匹配數(shù)，從而準(zhǔn)確區(qū)分真假匹配［18］，去除誤匹配點(diǎn)。

如果運(yùn)動(dòng)過(guò)程是平滑的，相鄰像素和特征點(diǎn)將一起移動(dòng)。所以假設(shè)xi是一對(duì)特征匹配的點(diǎn)，2個(gè)點(diǎn)各自得到一個(gè)匹配統(tǒng)計(jì)區(qū)域，分別記為a區(qū)域和b區(qū)域，記統(tǒng)計(jì)值為Si。Si服從二項(xiàng)分布：

為了能在保證算法精度的前提下通過(guò)統(tǒng)計(jì)值的差異更加快速高效地進(jìn)行誤匹配點(diǎn)剔除，需要將檢測(cè)區(qū)域擴(kuò)大。如果檢測(cè)區(qū)域?yàn)閳A形可能會(huì)造成相鄰區(qū)域中間夾縫點(diǎn)的遺漏，所以將統(tǒng)計(jì)區(qū)域設(shè)計(jì)為矩形網(wǎng)格，并將統(tǒng)計(jì)范圍擴(kuò)大到周圍相鄰的8個(gè)網(wǎng)格，計(jì)算以目標(biāo)特征點(diǎn)所在網(wǎng)格為中心初始網(wǎng)格的共9個(gè)網(wǎng)格中的匹配點(diǎn)個(gè)數(shù)［19］。

計(jì)算當(dāng)xi正確和錯(cuò)誤時(shí)的均值、方差：

圖1 n×n網(wǎng)格圖

為了使特征匹配過(guò)程的速度更快，采用一種降低計(jì)算復(fù)雜度的方法。在原本的特征匹配算法中，每個(gè)特征點(diǎn)周圍都需要圈定一個(gè)匹配鄰域并計(jì)算鄰域中匹配點(diǎn)的統(tǒng)計(jì)值，此時(shí)算法的計(jì)算復(fù)雜度為O（N）。如果在進(jìn)行匹配之初就將圖像分割成網(wǎng)格面，那么只需要同時(shí)計(jì)算所有網(wǎng)格中匹配點(diǎn)的個(gè)數(shù)并通過(guò)簡(jiǎn)單加法直接得出特征點(diǎn)所在3×3的網(wǎng)格中的統(tǒng)計(jì)值，算法計(jì)算復(fù)雜度將是O（1）。在實(shí)際應(yīng)用中，圖像可能會(huì)出現(xiàn)旋轉(zhuǎn)、放縮的情況，那么只需要旋轉(zhuǎn)、放縮網(wǎng)格即可。圖像相應(yīng)區(qū)域的旋轉(zhuǎn)方式見(jiàn)圖2。

圖2 圖像相應(yīng)區(qū)域的旋轉(zhuǎn)方式示意圖

根據(jù)經(jīng)驗(yàn)和前期實(shí)驗(yàn)數(shù)據(jù)可以得知判斷閾值：

2.2 改進(jìn)的G-AKAZE算法

GMS算法采用ORB算法進(jìn)行特征點(diǎn)檢測(cè)與特征點(diǎn)描述，找出與它周圍的大部分點(diǎn)比較都不同的點(diǎn)，再用BRIEF算法計(jì)算二進(jìn)制的描述符。ORB主要應(yīng)用于場(chǎng)景變化不明顯但需要高速計(jì)算的情況下［20］。AKAZE算法與SIFT、SURF相比較，構(gòu)造尺度空間的方法不同，KAZE與AKAZE是利用非線性方式構(gòu)造。

為結(jié)合2種算法的優(yōu)勢(shì)，嘗試一種新的特征點(diǎn)匹配算法，改進(jìn)的G-AKAZE算法流程見(jiàn)圖3。

圖3 G-AKAZE算法流程框圖

首先使用非線性方法構(gòu)造尺度空間，可以自適應(yīng)地進(jìn)行濾除小細(xì)節(jié)保留目標(biāo)邊緣從而留下更多的特征信息，并用快速顯式擴(kuò)散數(shù)學(xué)框架FED來(lái)快速求解偏微分方程，從而解決計(jì)算量大的問(wèn)題。下一步用Hessian矩陣檢測(cè)出局部極大值得到特征點(diǎn)，在定義域內(nèi)對(duì)2階連續(xù)可導(dǎo)多元函數(shù)f（x1，x2，…，xn）定義其Hessian矩陣H：

若H是負(fù)定矩陣，則臨界點(diǎn)處是局部極大值，即特征點(diǎn)。算法中使用了M-LDB描述子，它采用二進(jìn)制方法來(lái)描述特征點(diǎn)。首先對(duì)特征點(diǎn)求一固定大小的窗口，并將該窗口拆分成2×2、3×3和4×4的網(wǎng)格，依次用二值來(lái)表示每2個(gè)格子之間的關(guān)系。M-LDB可以從非線性尺度空間中獲取梯度信息，并且利用特征點(diǎn)檢測(cè)步驟中計(jì)算出的導(dǎo)數(shù)，進(jìn)一步減少了描述子生成過(guò)程中的計(jì)算量。在此基礎(chǔ)上，將待匹配圖像進(jìn)行網(wǎng)格化劃分，并計(jì)算每個(gè)網(wǎng)格中的特征點(diǎn)數(shù)量，再相加得到3×3鄰域網(wǎng)格內(nèi)的特征點(diǎn)總數(shù)，這一步降低了算法復(fù)雜度，根據(jù)錯(cuò)誤匹配點(diǎn)極小可能得到其他匹配點(diǎn)的支持這一思想，把與鄰域內(nèi)的其他特征點(diǎn)匹配相差較遠(yuǎn)的剔除，完成去除誤匹配點(diǎn)的過(guò)程，最終完成匹配。

3 徽派建筑特征匹配實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

徽州傳統(tǒng)建筑隨著時(shí)間的推移，會(huì)出現(xiàn)不同程度的自然損毀和人為磨損，而信息化技術(shù)的發(fā)展為徽州傳統(tǒng)建筑的永久保存和有效利用提供了重要技術(shù)手段。實(shí)驗(yàn)室目前已建成國(guó)內(nèi)唯一的徽州傳統(tǒng)建筑特征元素?cái)?shù)據(jù)庫(kù)，收集了近100種構(gòu)件的近萬(wàn)條相關(guān)數(shù)據(jù)；建成了徽州傳統(tǒng)建筑數(shù)據(jù)庫(kù)，收集了黃山地區(qū)100余個(gè)聚落，近萬(wàn)幢建筑的相關(guān)信息，利用激光三維掃描技術(shù)對(duì)具有特殊歷史地位的文物建筑進(jìn)行了精細(xì)測(cè)繪，并進(jìn)一步開(kāi)展了徽州傳統(tǒng)建筑的虛擬可視化研究，提出了基于幾何參數(shù)化的徽派建筑快速建模技術(shù)，構(gòu)建了徽派建筑構(gòu)件庫(kù)和規(guī)則庫(kù)，建成了徽派建筑虛擬營(yíng)造系統(tǒng)。在此基礎(chǔ)上，使用已有的徽派建筑數(shù)據(jù)庫(kù)，數(shù)據(jù)內(nèi)容較為充足。圖4為實(shí)驗(yàn)所用數(shù)據(jù)圖，來(lái)源于標(biāo)準(zhǔn)數(shù)據(jù)集VGG和徽派建筑構(gòu)件。

圖4 實(shí)驗(yàn)所用數(shù)據(jù)圖，來(lái)源于標(biāo)準(zhǔn)數(shù)據(jù)集VGG和徽派建筑構(gòu)件

3.2 特征匹配實(shí)驗(yàn)結(jié)果

為了驗(yàn)證提出的兩種算法結(jié)合改進(jìn)的GAKAZE算法匹配效果良好且剔除誤匹配點(diǎn)效果良好，將用對(duì)照實(shí)驗(yàn)的方法在標(biāo)準(zhǔn)數(shù)據(jù)集VGG上對(duì)AKAZE與ORB進(jìn)行對(duì)比，再在VGG數(shù)據(jù)集和徽派建筑構(gòu)件數(shù)據(jù)集上進(jìn)行誤匹配剔除的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)用圖為標(biāo)準(zhǔn)數(shù)據(jù)集VGG及本實(shí)驗(yàn)室在徽州建筑群拍攝所得，算法運(yùn)行時(shí)間為3次實(shí)驗(yàn)取平均數(shù)（保留小數(shù)點(diǎn)后四位數(shù)）所得。實(shí)驗(yàn)所用系統(tǒng)為Windows10。

1）ORB＋BF與AKAZE＋BF在VGG數(shù)據(jù)集的匹配結(jié)果見(jiàn)圖5～6。其中，A組兩幅圖片為牛津大學(xué)校內(nèi)的一座橋。B組兩幅圖片為牛津大學(xué)校內(nèi)的一個(gè)穹頂建筑物。

圖5 ORB＋BF與AKAZE＋BF匹配 結(jié)果對(duì)比（A組）

圖6 ORB＋BF與AKAZE＋BF匹配 結(jié)果對(duì)比（B組）

2）ORB＋BF與AKAZE＋BF在徽派建筑構(gòu)件數(shù)據(jù)集的匹配結(jié)果見(jiàn)圖7。在相同的實(shí)驗(yàn)條件下，AKAZE可以識(shí)別出更多的特征點(diǎn)，ORB需要預(yù)先測(cè)量特征點(diǎn)的個(gè)數(shù)進(jìn)行算法初始化，并預(yù)置特征點(diǎn)識(shí)別點(diǎn)數(shù)。

圖7 ORB＋BF與AKAZE＋BF匹配結(jié)果對(duì)比

3）G-AKAZE與AKAZE、AKAZE＋RANSAC實(shí)驗(yàn)效果見(jiàn)圖8～16。對(duì)應(yīng)的3種算法耗時(shí)實(shí)驗(yàn)結(jié)果見(jiàn)表1。

表1 3種算法耗時(shí)實(shí)驗(yàn)結(jié)果 s

圖8 A1組與A2組中AKAZE的匹配結(jié)果

圖9 A1組與A2組中AKAZE＋RANSAC的匹配結(jié)果

圖10 A1組與A2組中G-AKAZE的匹配結(jié)果

圖11 B1組與B2組中AKAZE的匹配結(jié)果

圖12 B1組與B2組中AKAZE＋RANSAC的匹配結(jié)果

圖13 B1組與B2組中G-AKAZE的匹配結(jié)果

圖14 C1組與C2組中AKAZE的匹配結(jié)果

圖15 C1組與C2組中AKAZE＋RANSAC的 匹配結(jié)果

圖16 C1組與C2組中G-AKAZE的匹配結(jié)果

從實(shí)驗(yàn)結(jié)果可以看出：G-AKAZE算法的速度明顯快于原始AKAZE和AKAZE＋RANSAC，對(duì)比原始AKAZE、G-AKAZE的算法運(yùn)行耗時(shí)平均降低36.86%；對(duì)比于用RANSAC對(duì)AKAZE進(jìn)行誤匹配剔除，算法耗時(shí)平均降低76.32%。

3種算法匹配對(duì)結(jié)果見(jiàn)表2。RANSAC在誤匹配點(diǎn)剔除時(shí)，造成了大量的誤剔除，匹配點(diǎn)對(duì)的平均保留率為4.66%，使得實(shí)驗(yàn)結(jié)果不理想，而G-AKAZE在實(shí)驗(yàn)中表現(xiàn)良好，在剔除誤匹配點(diǎn)的同時(shí)保留正確的點(diǎn)，平均保留率為19.64%。

表2 3種算法匹配對(duì)結(jié)果 對(duì)

圖17為2種算法的F值。從精確度和召回率兩方面計(jì)算F值，結(jié)果表明G-AKAZE的實(shí)驗(yàn)結(jié)果優(yōu)于AKAZE＋RANSAC，F(xiàn)值的平均提高率為14.62%。

圖17 2種算法的F值比較

4 總結(jié)

針對(duì)徽派建筑群的構(gòu)件造型區(qū)別難以辨別，細(xì)節(jié)特征差別繁雜，且數(shù)據(jù)量龐大的特征點(diǎn)匹配問(wèn)題，G-AKAZE算法很好地實(shí)現(xiàn)了匹配，通過(guò)實(shí)驗(yàn)驗(yàn)證其相比原始AKAZE和RANSAC可以更好地剔除誤匹配點(diǎn)，算法耗時(shí)平均降低76.32%，且加權(quán)調(diào)和平均值F值提升了14.62%。實(shí)驗(yàn)中發(fā)現(xiàn)G-AKAZE的匹配速度以及誤匹配點(diǎn)剔除精度仍然有改進(jìn)空間，在后續(xù)的研究中希望進(jìn)一步改進(jìn)，并能將新算法應(yīng)用于點(diǎn)云數(shù)據(jù)的匹配中。