一種改進的ORB算法在圖像匹配中的應用

陳 玉

(廣東理工學院 信息工程學院，廣東 肇慶 526114)

一種改進的ORB算法在圖像匹配中的應用

陳 玉

(廣東理工學院 信息工程學院，廣東 肇慶 526114)

針對ORB算法提取的特征點閾值的選取存在人為干涉且對不同對比度的圖像缺乏魯棒性的問題，提出一種改進的ORB算法。本算法對FAST算法提取特征點進行了改進，首先對圖像進行直方圖均衡化實現對圖像的增強，然后采用自適應閾值的方法，分別設置動態全局和局部閾值提取特征點，通過引用海森矩陣去除不穩定的邊緣點。實驗結果表明，該改進的算法能夠實現特征點的精準定位，具有較強的抗噪能力，在實現圖像配準應用中明顯優于傳統ORB算法。

ORB；FAST特征點；圖像匹配

0 引言

圖像匹配是當今機器視覺和圖像處理中的重要研究方向之一，廣泛地被應用于目標跟蹤、圖像拼接和模式識別等領域。其原理為，根據圖像的特征信息，在圖像之間找到有效的匹配點對。當前常見的特征點匹配算法有SITF[1]、SURF[2]及ORB(Oriented FAST and Rotated BRIEF)。

ORB算法由ROBLEE E等人于2011年在ICCV(IEEE International Conference on Computer Vision)提出[3]，該算法通過FAST(Features From Accelerated Segment Test)算法提取特征點，通過BRIEF(Binary Robust Independent Elementary Features)算法獲得二進制局部特征描述子，并對其進行了適當的改進。ORB作為一種局部不變的特征描述子，在計算速度上，ORB占有絕對的優勢，其速度是SIFT的兩個數量級，是SURF的一個數量級。人們對ORB的關注主要集中在計算速度上，而往往忽略了其在圖像匹配過程中的準確度。因此，本文在深入研究ORB算法的基礎上，對ORB算法做了改進，以期在保證ORB計算速度的同時，提高其圖像匹配的精確度。

1 ORB特征匹配算法

1.1 FAST提取特征點

ORB算法通過FAST[4-5]算法提取候選特征點，FAST算法的基本原理如下：

在圖像中以候選像素點p為中心，以4個像素為半徑的圓上的16個點來進行判斷,如果在該16個像素點上存在連續的n像素點都比Ip+t還亮，或者都比Ip-t還暗，則判定P為一個特征點。這里IP為點的亮度，t為閾值，對于n,一般取所有像素點個數的3/4，即12，如圖1所示。

圖1 FAST角點檢測模板示意圖

為了簡化判斷，對IP與圖1中的十字方向的1，5，9，13像素點的值一一比較。如果這四個點中大于Ip+t或小于Ip-t的點的個數大于等于3，則需要再對其他的12個像素點值作比較，否則判定是非候選點。通過這樣的判斷獲得三個點集，如式(1)所示：

(1)

在ORB中，為了得到更好的效果，采用FAST-9。同時，采用灰度質心法確定FAST的方向信息，彌補FAST方向敏感性的問題。該方法假設角點的灰度和質心存在一個角度的偏移，將該偏移的方向定義為特征點的方向。定義領域矩如公式(2)所示：

(2)

其中，r為圓形鄰域半徑。

得到質心C：

(3)

特征點的方向定義為：

(4)

1.2 BRIEF特征描述子

ORB中的特征描述子采用BRIEF描述子[6]，而且針對BRIEF的旋轉不變性提出了解決方案。BRIEF描述子通過直接對圖像求取二進制串特征來減少計算量。BRIEF算法的主要思想是從特征點周圍隨機選取特征點對，將這些點對的灰度值排序，形成一個二進制串，然后用該二進制串來描述該特征點。在大小為S×S的圖像塊P上進行式(5)所示計算：

(5)

其中p(x)為x處的灰度值。選擇一個有Nd個點對的集合作為一個二進制測試，將BRIEF算子描述成一個Nd維的二進制特征集如式(6)所示：

(6)

由于隨機選取點生成的描述子對噪聲比較敏感，因此ORB在FAST特征點采用31×31像素領域的5×5子窗口作為積分圖像進行圖像平滑，這樣能夠有效地降低隨機噪聲的干擾。

為解決BRIEF缺乏方向性的問題，給ORB添加一個方向Steered BRIEF。在位置(xi,yi)處，針對n個二進制特征集任意一個，定義一個2×n的矩陣，如式(7)：

(7)

定義一個旋轉矩陣R，則R和塊方向之間存在這樣的關系：

Sθ=RθS

(8)

其中特征點的主方向Rθ為其對應的旋轉矩陣，Rθ的表達式為式(9)：

(9)

另外，ORB對Steered BRIEF作了改進，其目的是減少方差的虧損和描述子之間的相關性。ORB采取的一種學習的方法rBRIEF：從所有二進制測試中找到滿足以下兩個特性的點集：(1)高方差，(2)非相關性的測試集。具體如下：

(1)建立關鍵點測試集，大小取300 k；

(2)在31×31的窗口中，取5×5的子窗口，可能出現的窗口數為(Wp-Wt)2(Wp=31，Wt=5)；

(3)從N中任中選擇2對，刪除重復的二進制測試；

(4)對得到所有測試集執行貪婪搜索，找到256個相關性最低的像素塊對，即得到最終的rBRIEF。

1.3 ORB特征的匹配

對于ORB描述子的匹配，采用最近鄰漢明距離，并對其設定一定的閾值初步濾除錯誤的匹配。對于ORB的256 bit的特征描述子，假設有兩個描述子分別為K1,K2：

K1=X1，X2，X3，…，X255

(10)

K2=Y1，Y2，Y3，…，Y255

(11)

利用式(12)計算出K1與K2的漢明距離，從而得到它們的相似程度。

(12)

DisHam(K1,K2)越小代表相似程度越高，反之，相似程度越低。

2 ORB算法改進

2.1 改進的角點檢測算法

為提高圖像的清晰度，便于計算機對圖像的處理，本文對角點檢測算法進行了改進。該算法首先采用直方圖均衡化對圖像進行增強，再對圖像進行高斯平滑操作，增強圖像邊緣，實現對噪聲的最大化抑制。在使用FAST算子檢測角點時，閾值的選取是固定的，如閾值取得過低，會產生大量的虛角點，從而降低檢測效率；如閾值過高，則會造成一定程度的漏檢，合理選取閾值能夠適應對不同對比度的圖像的特征檢測，本文采用自適應的方法選取閾值。

2.2 角點檢測改進的步驟

對ORB中角點檢測改進的具體步驟如下：

(1)對圖像進行預處理。圖像增強，用直方圖均衡化實現?；趨⒖嘉墨I[7]的方法，將信息熵可調直方圖均衡化方法用于圖像增強，對正則項系數作最優選取，利用可調直方圖均衡化正則項系數自動選取的先驗方法進行系數選取，具體為：對于大小為M×N的圖像G，其像素灰度值大小為g(x,y)(1≤x≤M,1≤y≤N)，各級灰度出現概率為h(i)(0≤i≤L-1)：

可調直方圖所對應的灰度直方圖為：

(13)

取正則項系數λ為：

i=0,1,…,L-1

(14)

其中，參數k取10。

采用約束項準則為：

(15)

另外，考慮到應用中普遍存在高斯噪聲，采用拉普拉斯-高斯(LOG)算子實現對圖像噪聲的最大抑制。

(2)采用自適應閾值方法，初步選取候選點。閾值選取的好壞直接影響角點提取的效果，檢測到的焦點個數隨著閾值大小的變化而變化[8-10]。采用固定閾值計算簡單，但缺乏靈活性，難以提取出滿意的角點，本文首先采用設置動態全局閾值T1和動態局部閾值T2的方法提取特征點。在獲取動態全局閾值T1時，采用KSW熵方法。該方法用灰度直方圖近似估計灰度值的概率分布，使得閾值的變化更加合理，更加靈活，適應不同圖像特征點提取的需要。

(16)

(17)

圖像的熵為兩部分熵S1、S2之和。分別求出使得圖像的熵最大的灰度級TMAX和最小的灰度級TMIN，最佳全局閾值T1設定為：

(18)

采用KSW熵方法忽略了圖像局部的灰度變化而不能兼顧圖像各種變化情況的影響，如圖像中的陰影、光照不均、突發噪聲和背景突變等因素。因此對動態全局閾值T1得到的候選點采用動態局部閾值T2進一步進行篩選。設圖像上(xo，yo)點為候選特征點，以(xo，yo)為中心取矩形的邊長為L，定義動態局部閾值T2為：

(19)

式中，Iimax和Iimin分別代表方形區域L中最大的n個灰度值和最小的n個灰度值，Iiaver為方形區域中的灰度平均值。k一般取值為2～4。

(3)去除不穩定邊緣點

通過上述步驟后，還有一些不穩定的邊緣點，這里引入海森矩陣。一個2×2的海森矩陣如式(20)所示：

(20)

通過計算該矩陣的特征值，得到一個比值γ:

3 實驗效果分析

本文實驗平臺采用Windows 7 64位操作系統，Core i7-4770 3.4 GHz CPU，8 GB RAM，Visual Studio 2010,OpenCV 2.4.10。圖2(a)和(b)分別為用傳統的ORB方法和本文改進的ORB方法提取特征點的效果圖。

圖2 傳統ORB與改進ORB提取特征點效果對比圖

從圖2(a)、(b)可以看出，采用改進的ORB算法，去除了大量的冗余特征點和孤立的非前景特征點，大大地提高了特征點地提取精度，為圖像的準確匹配奠定了基礎。

為了驗證特征點的有效性，取兩幅圖，分別為原圖和待匹配圖，采用傳統ORB算法和改進的ORB算法實現圖像的匹配，匹配效果如圖3所示。

圖3 傳統和改進ORB算法圖像匹配效果對比圖

[1] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SUR[C]. IEEE International Conference on Computer Vision, 2011, 58(11):2564-2571.

[2] ROSTEN E , DRUMMOND T. Machine learing for high speed corer detection[C]. Eurpean Conference on Computer Vision,2006, 3951:430-443.

[3] ROSTEN E, PORTER R, DRUMMOND T. Faster and better: a machine learing approach to corer detection[J]. Analysis and Machine Intelligence, 2008, 32(1):105-119.

[4] 燕鵬,安如. 基于FAST改進的快速角點探測算法[J].紅外激光與工程,2009，38(6):1104-1108.

[5] 梁艷菊,李慶,陳大鵬,等. 一種快速魯棒的LOG-FAST角點算法[J].計算機科學,2012,39(6):251-254.

[6] MICHAEL C, VINCENT L, CHRISTOPH S, et al. BRIEF_ binary robust independent elementary features[C]. European Conference on Computer Vision, 2011, 6134:778-792.

[7] 吳成茂. 可調直方圖均衡化的正則解釋及其改進[J].電子學報,2011,39(6):1278-1824.

[8] 劉波,仲思東.一種基于自適應閾值的SUSAN角點提取算法[J].紅外技術,2006,28(6):331-333.

[9] 包正睿,楊任爾.基于閾值的數字圖像去噪的算法研究[J].微型機與應用, 2015, 34(1):47-49.

[10] 劉洲峰,王九各,趙全軍,等.基于改進自適應閾值的織物疵點檢測算法研究[J].微型機與應用, 2013, 32(10):38-40.

Application of an improved ORB algorithm in image matching

Chen Yu

(School of Information Engineering, Guangdong Polytechnic College, Zhaoqing 526114, China)

The threshold of feature point in ORB algorithm exists problems of human intervention and lack of robustness in different contrast images. Focusing on the problems, this article presents an improved algorithm of ORB. This algorithm improves FAST algorithm. Firstly, histogram equalization is used to realize the image enhancement. Then a method of adaptive threshold is introduced to set up a dynamic global threshold and a local threshold to extract the feature points respectively. At last, unstable feature points of edge are removed by haze-matrix. Experiment shows that the improved algorithm can realize the accurate positioning of feature points, and performances stronger anti-noise ability, it is superior to the traditional algorithms of the ORB in the realization of image matching.

ORB; FAST feature points; image matching

TP391.413

A

10.19358/j.issn.1674- 7720.2017.16.011

陳玉.一種改進的ORB算法在圖像匹配中的應用[J].微型機與應用，2017,36(16)：37-40.

2017-03-16)

陳玉(1987-)，通信作者，女，碩士，助教，主要研究方向：圖像處理、模式識別、物聯網。E-mail：137561245@qq.com。