基于局部一致性的特征匹配算法

姚晉晉 張鵬超 王永鑫 王彥

摘要：針對特征匹配對尺度、光照變化敏感的問題，提出一種改進ORB特征提取方法，并采用基于局部一致性的方法進行匹配。首先采用改進ORB算法提取魯棒性更強的特征點，并計算特征點的方向與描述子，接著采用暴力匹配進行粗匹配，最后根據(jù)運動平滑性的條件使用基于網(wǎng)格運動統(tǒng)計的方法剔除誤匹配。實驗結(jié)果表明所研究算法在尺度、光照等條件變化時匹配平均精度仍然大于95%，具有較好的匹配準確率和魯棒性。

關(guān)鍵詞：ORB;特征匹配;局部一致性;運動統(tǒng)計

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2019）07-0128-03

0 引言

圖像匹配是計算機視覺領(lǐng)域一個基本問題，目的是為了尋找圖片對應(yīng)的運動關(guān)系，目前常用的匹配方法是基于特征點的匹配，然而該方法由于特征點的固有問題，容易受到光照、尺度、視角等影響，匹配準確率有待提高。隨機采樣一致性（RANSAC）方法是常用的特征匹配算法，但是算法復(fù)雜度較高，無法滿足實時性要求較高的系統(tǒng)。Zhang Songtao[1]等人提出了基于雙向交叉匹配和距離閾值的匹配方法，提高了匹配的準確率，然而正確匹配數(shù)量卻隨之減少了;Yong An[2]等人提出了一種基于k近鄰的用于SIFT特征的匹配算法，根據(jù)特征點周圍的附屬點判斷匹配是否準確，從而實現(xiàn)誤匹配的篩選，具有良好的去誤匹配的能力;Jiawang Bian[3]提出一種基于網(wǎng)格運動統(tǒng)計（GMS）的特征匹配方法，該方法在運動平滑的假設(shè)上，通過計數(shù)鄰域的匹配點個數(shù)判斷匹配是否正確，提高了匹配準取率，但是為了保證效果，需要提取大量的特征點。

為此，本文提出了改進的ORB方法進行特征提取，采用Hessian矩陣計算關(guān)鍵點，并計算關(guān)鍵點的方向，使其具有尺度和旋轉(zhuǎn)不變性，并采用BRIEF描述子對關(guān)鍵點鄰域內(nèi)隨機生成的點對進行灰度值的比較，通過Hamming距離進行暴力匹配得到粗匹配結(jié)果，最后采用基于局部一致性的方法進行誤匹配的去除，從而提高特征匹配的準確率。

1 算法描述

1.1 改進ORB特征提取

傳統(tǒng)ORB算法不具備尺度不變性，為此在OpenCV中的ORB算法構(gòu)建了金字塔，在多尺度上提取特征點，但對于模糊的圖片仍然難以達到較高的匹配效果，本文采用Hessian矩陣[4]為核心的方法提取特征點，具有更強的魯棒性。

2 實驗分析

為驗證本文算法的圖像匹配效果，本實驗主要采用OpenCV視覺庫在牛津大學(xué)圖像匹配數(shù)據(jù)集中進行。實驗在Ubuntu16.04系統(tǒng)下進行，CPU為i5-4258，2.4GHz，8G內(nèi)存。為了驗證匹配算法在不同環(huán)境下的效果，分別在模糊程度不同，光照不同，以及視角不同的條件下，對暴力匹配、基于RANSAC的方法的匹配和本文算法進行對比實驗。

在模糊處理的圖片上匹配結(jié)果如圖1所示，a、b、c分別是暴力匹配、RANSAC匹配和本算算法在模糊處理后的匹配結(jié)果，由實驗分析可知，暴力匹配的效果最差，包含有大量的誤匹配，而后兩種算法的效果較好，但是本文算法的匹配準確率和正確匹配數(shù)量均優(yōu)于基于RANSAC匹配，準確率達96.62%。圖2和圖3分別為光照變化、視角變化條件下三種匹配算法的實驗結(jié)果。

由圖2分析可知，在光照條件變化下，本文算法仍然保持較多的匹配數(shù)量，具體如表一所示，并且仍然保持較高的匹配準確率，而基于RANSAC的方法，則由于其算法的嚴格性刪除了大量的正確匹配。而在視角變化下，如圖3所示，本文算法所得到的匹配數(shù)量少于基于RANSAC的方法，原因是因為本文算法在視角變化較大時，運動平滑性的假設(shè)條件被破壞，導(dǎo)致匹配數(shù)量下降，但是匹配準確率依然維持在較高水平。

匹配結(jié)果的具體數(shù)據(jù)如表1所示，分別對匹配數(shù)量、匹配準確率及匹配時間進行檢測，為不失一般性，每組實驗數(shù)據(jù)均為10次結(jié)果的平均值，其中暴力匹配（BF）算法的匹配時間為特征點匹配所用時間，而為了直接對比基于RANSAC方法的匹配和本文算法的匹配時間，后兩者的匹配時間指的是得到粗匹配后再處理的時間，例如BF+RANSAC算法匹配時間為對粗匹配結(jié)果使用RANSAC方法進一步提純所用的時間。

由表1分析可知直接使用暴力匹配得到的匹配準確率不到60%，遠未達到可以進行位姿估計的要求，而BF+RANSAC和本文算法的匹配準確率均在90%以上，匹配效果良好。并且本文算法在模糊處理和光照條件變化的條件下的正確匹配數(shù)量遠高于BF+RANSAC算法，其中在模糊條件下高出BF+RANSAC方法12.39%，在光照條件變化下高出前者57.14%。但是在視角變化較大的情況下，本文算法的正確匹配數(shù)量下降，是因為本文匹配算法建立在平滑運動的假設(shè)上，當(dāng)視角變化較大時，匹配數(shù)量下降。由匹配時間分析可知，本文算法在匹配對的提純上比RANSAC方法快1～2個數(shù)量級，大幅減少了特征匹配的時間。

為了進一步驗證本文算法在大數(shù)量特征點匹配上的優(yōu)勢，實驗對不同圖像均提取2000個ORB特征點，再對其分別用RANSAC和本文算法進行提純，匹配結(jié)果如表2所示。

從表2分析可知，在環(huán)境變化時，本文算法相對于傳統(tǒng)RANSAC算法可以保持較高的準確率，平均提升3.08%，同時保留的較多的正確匹配，尤其是在光照條件和視角變化時，所得正確匹配數(shù)量大幅提升，對三維重構(gòu)具有重要意義。

3 結(jié)論

實驗結(jié)果表明，本文所提出的算法在圖像亮度變化和模糊情況下，具有較好匹配效果，在保證一定準確率的同時，可以得到更多的正確匹配，有利于位姿估計和三維重建，并且相對于RANSAC方法，本文算法的提純時間減少了1～2個數(shù)量級，大大減小了去除誤匹配的時間，但是在視角變化變大時，匹配數(shù)量有所下降，仍需進行改進。

參考文獻

[1] Songtao Z，Chao L， Liqing L.An improved method for eliminating false matches[C]// International Conference on Image.IEEE，2017.

[2] Yong A，Hong Z.SIFT matching method based on K nearest neighbor support feature points[C]// IEEE International Conference on Signal & Image Processing. IEEE，2017.

[3] Bian J，Lin W Y，Matsushita Y，et al.GMS： Grid-Based Motion Statistics for Fast，Ultra-Robust Feature Correspondence[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2017.

[4] Bay H，Tuytelaars T，Gool L V.SURF：Speeded up robust features[J].Computer Vision & Image Understanding，2006，110（3）：404-417.

[5] Gao X，Zhang T.Robust RGB-D simultaneous localization and mapping using planar point features[J].Robotics& Autonomous Systems，2015，72：1-14.

[6] 王瑜，禹秋民.基于曲率特征與改進的RANSAC策略的圖像匹配算法[J].計算機工程與設(shè)計，2018，39（12）：3791-3796.

[7] 孫瑩.圖像特征點提取與描述算法研究[J].網(wǎng)絡(luò)空間安全，2016，7（2）：18-21.