李旺 朱文球 楊維 羅哲

摘要：針對FAST特征不具備尺度不變特性和圖像匹配階段耗時(shí)過多的問題，提出了基于多尺度fast和旋轉(zhuǎn)不變LBP算子的快速特征匹配算法。首先提出一種多尺度fast算法，提取出模板圖像和待匹配圖像的穩(wěn)定特征點(diǎn)，然后使用旋轉(zhuǎn)不變的LBP描述符描述特征向量，最后對特征向量使用BBF算法進(jìn)行匹配，尋找最近鄰特征點(diǎn)，采用歐式距離作為特征點(diǎn)匹配的判定標(biāo)準(zhǔn)，如最近的距離與次近的距離比值小于一個(gè)閾值，則是一對匹配點(diǎn)，并使用RANSAC算法剔除誤匹配點(diǎn)。旋轉(zhuǎn)不變的LBP算子的旋轉(zhuǎn)不變性能夠一定程度上克服特征點(diǎn)主方向不準(zhǔn)確的缺點(diǎn)，是提取的特征描述符更加穩(wěn)定，生成更簡單的51維局部不變特征描述符。實(shí)驗(yàn)證明：該算法與SURF算法描述能力相近，光照和旋轉(zhuǎn)條件下比SURF性能更好，并且匹配速度更快。

關(guān)鍵詞：FAST；旋轉(zhuǎn)不變LBP；BBF；K-d樹；RANSAC

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）06-0177-02

圖像匹配作為模式識(shí)別和圖像處理的一種關(guān)鍵技術(shù)，在遙感數(shù)據(jù)分析[1]，醫(yī)學(xué)圖像處理[2]和計(jì)算機(jī)視覺方面[3]已經(jīng)得到了廣泛的應(yīng)用。

LOWE等人提出了SIFT算法[4-5]，這種算法是一種魯棒性好、尺度不變的特征描述方法，但是實(shí)時(shí)性不夠。Bay等[6]提出的SURF算法，在特征點(diǎn)周圍區(qū)域計(jì)算Harr小波，生成特征向量進(jìn)行配準(zhǔn)，是在一定程度上對SIFT算法進(jìn)行的改進(jìn)，最大特點(diǎn)就是快，并且在快的基礎(chǔ)上還保持性能，能滿足實(shí)時(shí)性的要求。Rosten和Drummondden等[7]提出FAST角點(diǎn)檢測算法，一種快速尋找角點(diǎn)的算法。1996年Ojala等在文獻(xiàn)[8]中提出了一種基于局部二值模型的LBP描述子，但該描述子不具備旋轉(zhuǎn)不變性。隨后，Pietikainen等在文獻(xiàn)[9]中對LBP描述子進(jìn)行改進(jìn)，提出了LBPROT描述子，該描述子具備旋轉(zhuǎn)不變性。

本文提出了一種基于多尺度FAST和旋轉(zhuǎn)不變LBP算子的算法。創(chuàng)新點(diǎn)在于：提出多尺度FAST特征點(diǎn)提取算法；提出用旋轉(zhuǎn)不變的LBP算子來描述，生成相對短的51維向量。

1 特征點(diǎn)檢測（Feature Points Detection）

針對FAST檢測算法的不足，本文將FAST算法與尺度空間相結(jié)合，從而使FAST角點(diǎn)檢測算法具有尺度不變性。因?yàn)镕AST算法對于斑點(diǎn)噪聲非常敏感，所以要對圖像進(jìn)行平滑處理來去掉影響。然后建立尺度空間金字塔。

尺度空間金字塔具有n個(gè)內(nèi)層di和n層ci，i=0，1，…，n-1，實(shí)驗(yàn)中n=4。c0是原始圖像，c0降采樣1.5 倍得到d0，di-1隔半采樣得到di，di位于ci+1和ci之間，ci-1隔半采樣得到ci。比如尺度用t來表示，那么ti（di）=2i*1.5，ti（ci）=2i。這樣的方式去掉了SIFT那種的圖像和高斯核卷積的步驟，而建立的金字塔，節(jié)省了很多時(shí)間。然后，在每層中找到FAST特征性點(diǎn)，并在其特征點(diǎn)的當(dāng)前層和相鄰層中，算出3*3領(lǐng)域的高斯差分值。

2 改進(jìn)的LBP特征描述（The Improved LBP Feature Description）

2.1 LBP特征描述（LBPFeature Description）

假設(shè)中心像素點(diǎn)的灰度值為gc，8個(gè)采樣的點(diǎn)的灰度值分別為g0 ， g1 ，… ， g7 ，則中心點(diǎn)的LBP特征計(jì)算公式為：

[]LBP8，1.0 = LBPP=8，R=1.0=其中

改進(jìn)之后， Ojala 等人實(shí)現(xiàn)了具有旋轉(zhuǎn)不變性的LBP 特征. 旋轉(zhuǎn)不變的LBP 特征（ 記為LBP riP， R ） 可以通過LBP 特征數(shù)據(jù)的循環(huán)移位來實(shí)現(xiàn)，計(jì)算公式為

LBP riP ，R = min{ ROR （ LBP P ，R ， k ） | k = 0， 1， ，， P - 1}

其中ROR （ x ， k） 表示對P 位二進(jìn)制數(shù)x 進(jìn)行向右循環(huán)移位k 次（ | k | < P ）。

2.2 改進(jìn)的特征描述向量（The Characteristics of The Improved Description Vector）

假如提取到的特征點(diǎn)為p（x，y，θ，σ），σ是特征點(diǎn)的尺度，θ為特征點(diǎn)的主方向，（x，y）為特征點(diǎn)的坐標(biāo)。然后把坐標(biāo)軸轉(zhuǎn)到特征點(diǎn)的主方向，以3σ、6σ 和10σ作為半徑創(chuàng)建三個(gè)圓，并把這些圓進(jìn)行八等分，算上圓心一起有25個(gè)點(diǎn)。對于中心像素點(diǎn)，計(jì)算、、、3 個(gè)旋轉(zhuǎn)不變LBP值。最靠近中心點(diǎn)的圓上的8 個(gè)采樣點(diǎn)，分別計(jì)算其 、，對于次靠近的8 個(gè)點(diǎn)計(jì)算、，最遠(yuǎn)的8 個(gè) 點(diǎn)，計(jì)算值。

3 特征向量匹配（Feature Matching Vector）

當(dāng)特征點(diǎn)的描述向量生成后，利用BBF算法進(jìn)行快速匹配，尋找最近鄰特征點(diǎn)，采用歐式距離作為特征點(diǎn)匹配的判定標(biāo)準(zhǔn)，如果最近的距離與次近的距離比值小于一個(gè)閾值，則是一對匹配點(diǎn)，并使用RANSAC算法剔除誤匹配點(diǎn)。

4 實(shí)驗(yàn)結(jié)果（Experiment Results）

文中使用多尺度FAST算法對兩幅待配準(zhǔn)圖像進(jìn)行特征點(diǎn)檢測，用旋轉(zhuǎn)不變LBP算子進(jìn)行特征描述，通過BBF算法完成特征匹配，再用RANSAC算法剔除錯(cuò)誤匹配點(diǎn)。軟件環(huán)境是Windows 7操作系統(tǒng)，Visual Studio2010，OpenCV2.4.8。硬件環(huán)境是：CPU Intel（R） Core（TM） i5-4440，3.10GHz主頻，4G內(nèi)存。實(shí)驗(yàn)圖像是標(biāo)準(zhǔn)圖像庫的四種圖片。

由表可知雖然改進(jìn)FAST算法在噪聲干擾的情況下性能較差，但在縮放、旋轉(zhuǎn)和光照變化情況下要優(yōu)于FAST。

5 結(jié)束語（Conclusion）

針對FAST特征不具備尺度不變特性和圖像匹配過程中消耗時(shí)間多的現(xiàn)象，提出了一種新的算法，通過 FAST與尺度空間相結(jié)合檢測特征點(diǎn)，使用旋轉(zhuǎn)不變LBP算子生成51維的特征描述向量。多尺度FAST算法能快速檢測到特征點(diǎn)，旋轉(zhuǎn)不變的LBP和SURF描述符的性能相當(dāng)，在光照和旋轉(zhuǎn)條件下效果更好，并且向量維數(shù)少，速度更快。實(shí)驗(yàn)證明文中提出的算法具有比較好的魯棒性，可以實(shí)現(xiàn)快速的匹配圖像。

參考文獻(xiàn)：

[1] Misra I， Moorthis M， Dhar D，et al.An automatic satellite Image registration technique based on Harris corner detection and random sample consensus outlier rejection model[C]//Proc of the 1st International Conference on Recent Advances in Information Technology， 2012：68-73.

[2] Tian J，Bao S L，Zhou M Q.Medical image process and analysis[M].Beijing： Publishing House of Electronices Industry，2003.

[3] Se S， Lowe D， Little J. Global localization using distinctivevisual features [C]//IEEE/RSJ International Conference on Intelligent Robots and System， 2002： 226-231.

[4] Lowe D G. Object recognition from local scale-invariant features[C]. In international conference on computer vision. Corfu，Greece. 1999， 1150-1157.

[5] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision. 2004，60（2）： 91-110.

[6] Herbert Bay， Andreas Ess， Tinne Tuytelaars， et al.Speeded-up robust features（SURF）[J]. Computer vision and image understanding， 2008， 110（3）： 346-359.