ORB中Steer BREIF特征點描述算法改進

孫智中

ORB算法主要由Fast檢測與BRIEF特征描述構成，為了使ORB算法具有旋轉不變的特性，引入Steer BREIF算法，但Steer BREIF算法的方差很小、相關性差.本文設計了一個學習算法，用于從二進制測試子集當中，選取出一個好的子集，可以使steered BRIEF的損失方差里面恢復出來，并且減少二進制測試的相關性。

【關鍵詞】關鍵詞 ORB算法 BREIF特征描述 steered BRIEF算法 學習算法

ORB算法是圖像配準中的重要算法，主要由Fast檢測與BRIEF特征描述構成。圖像配準在圖像處理領域有著十分重要的地位，其廣泛應用于圖像醫學、遙感、工業控制、監控系統中。近年來，在機器人技術領域都廣泛運用到了局部不變的特征。早之前已經有人提出灰度圖像尺度不變特征的變換算法以及提出了以二進制的魯棒性為基礎的獨立特征，同時，存儲空間的需求也得到降低。但是，其對特征點進行檢測不具有旋轉和尺度的不變形。以此為基礎，ORB算法逐漸被開發，運算的適應性在ORB算法中得到提高，運算速度更快。但ORB算法中Steer BREIF算法存在的方差很小、相關性差的缺點。根據上述情況，本文設計了一個學習算法，來恢復損失方差和減少二進制測試的相關性。

1 ORB介紹

1.1 FAST檢測符

以中心像素P作為參考，在圍繞P的半徑為3的圓內，如果有連續12個像素的灰度比P大，則將P選為我們感興趣的關鍵點。

1.2 BRIEF算法

2 steered BRIE算法改進

為了從steered BRIEF的損失方差里面恢復出來，并且減少二進制測試的相關性，我們設計了一個學習算法，用于從二進制測試子集當中，選取出一個好的子集。

方法如下：我們首先建立其中一些關鍵點的訓練集。從31×31的像素塊中提取出所有可能的二進制測試，并將它們一一列舉出來。測試對象是圖像塊的一對5×5的子窗口。如果我們將圖像塊的寬度定義為ωp=31，并且將測試子窗口的寬度定義為ωt=5，然后我們就得到了N=（ωp-ωt）2個可能的子窗口。我們從這些子窗口中兩個一對地進行選取，這樣我們就有（2N）個二進制測試。我們剔除掉那些重復的測試，然后我們得到了M=205590個測試項。算法如下：

（1）對所有的訓練塊進行測試。

（2）依據偏離平均值0.5的程度來對所有測試進行排序，形成向量T。

（3）貪婪搜索：

①將第一個測試放入結果向量R中，并在T中將其剔除。

②從T中選取出下一個測試，并將其與R中的所有測試進行比較。如果它的絕對相似系數比閾值大，剔除；否則，將它加入到R當中。

③重復之前的步驟直到在R中有256個測試。如果少于256，則提高閾值重試。

該算法從平均值接近0.5的一系列無關測試中進行貪婪搜索。搜索結果稱為rBRIEF。在方差和相關性方面，rBRIEF比steered BRIEF有了明顯的改進。

這樣，對于每個關鍵點，我們得到了一個256位的描述符。圖像上所有關鍵點的描述符共同構成圖像的ORB特征值。

3 結語

本文在研究ORB算法中FAST檢測符和BRIEF算法的基礎上，提出的學習算法，首先建立關鍵點訓練集，然后剔除重復測試。采用這種學習方法可以有效的改進steered BRIE算法中存在的弊端。

參考文獻

[1]ZhizhongSun，Multi-scale Edge Detection of Digital Image Based on Improved Mallat Wavelet Decomposition Algorithm，Sensors &. Transducers[J]，2013，25（special），239-243.

[2]任景明.注塑機模具圖像監測系統的研究[D].浙江大學，2013.

[3]毛鋒，張樹有，黃長林.圖像散布圖和小波多分辨分析的模具異物檢測[J].浙江大學學報（工學版），2009（10）：174-175.

作者單位

河南財政金融學院 河南省鄭州市 45000