國家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作廣東中心 翟紫伶

?

基于高斯尺度空間理論的ORB特征點(diǎn)檢測(cè)

國家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作廣東中心 翟紫伶

【摘要】針對(duì)當(dāng)前具有尺度不變性的實(shí)時(shí)特征點(diǎn)檢測(cè)效率低的問題，研究了一種基于高斯尺度空間理論的ORB特征點(diǎn)檢測(cè)方法。該方法在保持ORB算子具有旋轉(zhuǎn)不變性和檢測(cè)速度快的同時(shí)，還能檢測(cè)出多尺度下的特征點(diǎn)。通過實(shí)驗(yàn)驗(yàn)證該方法保證速度快的同時(shí)又具有尺度不變性，適用于尺度變化較大且要求實(shí)時(shí)性高的視頻拼接。

【關(guān)鍵詞】ORB算子；尺度空間；圖像拼接；尺度不變性

引言

特征點(diǎn)檢測(cè)一直是機(jī)器視覺和圖像處理活躍的研究領(lǐng)域，如圖像、視頻拼接等都是基于特征點(diǎn)的提取，特征點(diǎn)提取算法的速度快慢、特征點(diǎn)質(zhì)量好壞與具備的特性直接影響后期的處理效果。

文獻(xiàn)［1］［2］描述了SIFT、SURF算子提取特征點(diǎn)具備了上述不變性，但同時(shí)也損耗了速度，不適用于要求實(shí)時(shí)性高的視覺系統(tǒng)。ORB［3］算法比SIFT算法效率高兩個(gè)數(shù)量級(jí)，比SURF算法高一個(gè)數(shù)量級(jí)，基本上可以滿足實(shí)時(shí)性。ORB算法成功的解決了速度問題且具有旋轉(zhuǎn)不變性，但沒有解決尺度不變性，對(duì)于有較大尺度變化的圖像拼接產(chǎn)生瑕疵。

在此，研究一種將高斯尺度空間理論與ORB算子相結(jié)合的多尺度檢測(cè)方法。該方法利用不同尺度參數(shù)建立的高斯核與圖像卷積，得到不同尺度的高斯圖像，建立ORB的尺度空間表示，正確檢測(cè)圖像內(nèi)發(fā)生在各個(gè)尺度水平上的特征點(diǎn)。

1　多尺度下的ORB角點(diǎn)檢測(cè)算子

ORB（oriented FAST and rotated BRIEF）是基于FAST特征檢測(cè)和BRIEF描述子的改進(jìn)，是oFAST和rBRIEF的組合。

算法的尺度不變性主要靠不同尺度下尋找感興趣點(diǎn)。尺度空間通常做法是用圖像金字塔來實(shí)現(xiàn)，就是通過用不同尺度因子的尺度高斯核與圖像作卷積，并通過對(duì)原始圖像做降采樣處理，獲得更高階的圖像，即從底層向高層構(gòu)建的金字塔。Lowe在其SIFT算法中是這樣構(gòu)造尺度空間的：對(duì)原圖像不斷地進(jìn)行高斯平滑+降采樣，高斯核大小不變，圖像的大小改變，得到金字塔圖像。SURF則恰恰相反：圖像大小保持不變，改變的是高斯核的大小。

本文研究了一種新型的不同于SIFT和SURF的金字塔構(gòu)建方法，先改變圖像大小構(gòu)建單圖像金字塔，再對(duì)每階的單圖像經(jīng)過不同尺度的高斯核卷積得到一系列的圖像構(gòu)成尺度空間表示，即先搭建后擴(kuò)展的金字塔構(gòu)建方法。如圖1所示：

圖1　構(gòu)造一個(gè)4階3層新型的金字塔

這種方法使構(gòu)建簡單，即使高斯核模板大小不變，但圖像的大小改變、高斯尺度的參數(shù)改變，也間接的使金字塔中每一幅圖像具有不同尺度，進(jìn)而提取的特征點(diǎn)也具有不同的位置，不同的尺度。改進(jìn)的ORB算法實(shí)驗(yàn)流程：

Step 3） 建立尺度空間表示：構(gòu)造一個(gè)具有N階M層的尺度空間表示的圖像金字塔。利用金字塔的每階圖像與高斯核卷積得到一系列的圖像，i代表階次，j代表層次。

Step 4） 對(duì)金字塔的每幅圖像用FAST算法找特征點(diǎn)的位置。并計(jì)算每個(gè)特征點(diǎn)的方向。

Step 5） 將特征點(diǎn)方向作為BRIEF的方向，進(jìn)行旋轉(zhuǎn)，利用BRIEF計(jì)算特征點(diǎn)的特征描述子。

2　實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)測(cè)試平臺(tái)為Visual Studio 2008， CPU Intel（R） Core（TM）2 Duo， 內(nèi)存為2.2GB。

2.1驗(yàn)證基于尺度空間理論的ORB算子的優(yōu)越性

對(duì)兩幅原始圖像A，B分別構(gòu)建金字塔，設(shè)為4階3層。利用ORB算法提取特征點(diǎn)為FA和FB，采用K最近鄰（K-Nearest Neighbor，KNN）分類算法的歐氏距離匹配，K=2，計(jì)算最鄰近匹配對(duì)距離m0和次鄰近匹配對(duì)距離m1。為了提高匹配率，設(shè)置一個(gè)距離比系數(shù)match_conf（這里match_conf=0.3），當(dāng)滿足公式（1）時(shí)，則最近距離匹配對(duì)保留，否則剔除。

圖2　尺度變化下的特征點(diǎn)匹配

圖2（a）、（b）分別是原ORB算法和基于尺度空間的ORB算法提取的特征點(diǎn)，經(jīng)過錯(cuò)誤匹配對(duì)剔除之后得到的最佳匹配對(duì)。由實(shí)驗(yàn)結(jié)果可見，在尺度變化大的情況下，基于尺度空間的ORB比原ORB算法具有更多有效的匹配對(duì)，在尺度不變性方面魯棒性更強(qiáng)，使得后期建立圖像之間的對(duì)應(yīng)關(guān)系更精確。即使改進(jìn)的ORB算法與原ORB相比降低了速度，但與速度比SURF更快，并保持尺度不變特性。因此該方法提高了ORB特征點(diǎn)檢測(cè)性能，適用于要求實(shí)時(shí)性相對(duì)高，尺度變化相對(duì)大的視覺系統(tǒng)。

2.2基于尺度空間理論的ORB算子的評(píng)價(jià)

某一角點(diǎn)檢測(cè)算法的優(yōu)劣可通過穩(wěn)定性準(zhǔn)則、可靠性準(zhǔn)則和抗噪性能準(zhǔn)則來評(píng)價(jià)。這3個(gè)準(zhǔn)則依靠改變參數(shù)、閾值或增加噪聲后檢測(cè)出的角點(diǎn)與初始檢測(cè)出的角點(diǎn)的重復(fù)率決定。為了能夠?qū)μ卣鼽c(diǎn)在不同尺度下提取的效果進(jìn)行定量評(píng)價(jià)，使用以下公式

利用重復(fù)率來檢驗(yàn)該基于尺度空間理論的ORB角點(diǎn)檢測(cè)算法的穩(wěn)定性和可靠性。對(duì)圖2的初始圖像進(jìn)行不同尺度下的角點(diǎn)檢測(cè)

圖3　不同尺度下的兩種ORB算法的重復(fù)率比較

由圖3可以看出，當(dāng)尺度變化時(shí)，該基于尺度空間理論的ORB角點(diǎn)檢測(cè)方法比原ORB特征點(diǎn)檢測(cè)更穩(wěn)定和可靠，即更具尺度不變性。

3　結(jié)論

通過建立高斯尺度空間表示的圖像金字塔，利用ORB算子檢測(cè)每個(gè)尺度水平上的角點(diǎn)，從而得到特征點(diǎn)的位置和尺度的特征點(diǎn)檢測(cè)方法，簡稱為基于高斯尺度空間理論的ORB算子。實(shí)驗(yàn)驗(yàn)證該方法具有尺度不變性、速度較快，且比原ORB特征點(diǎn)檢測(cè)更穩(wěn)定和可靠。該方法的創(chuàng)新點(diǎn)：

（1）構(gòu)建金字塔型的高斯尺度空間表示，得到不同尺度的圖像，利用ORB算法檢測(cè)每一尺度下的圖像，使得因尺度變化而被埋沒的特征點(diǎn)能夠檢測(cè)出來，從而得到不同位置和尺度的特征點(diǎn)。

（2）一種新型的不同于以往的金字塔構(gòu)建方法：先對(duì)原圖像進(jìn)行相鄰階相同大小比例的縮放，構(gòu)建單層的金字塔，其次，每階圖像與不同尺度參數(shù)的高斯核卷積得到多層圖像，即完成N階M層的金字塔。

參考文獻(xiàn)

［1］Zhu，Xufeng；Ma，Caiwen.Target classification using SIFT sequence scale invariants［J］.Journal of Systems Engineering and Electronics. 2012，23（5）：633-639.

［2］BAYH，TUYTELAARST，Van GOOLIL.Speeded up robust features （SURF）［J］.Computer Vision and Iamge Understanding， 2008， 110（3）：346-389.

［3］RUBLEE E，RABAUD V，KONOLIGE K，et al.ORB：an efficient alternative to SIFT or SURF ［C］//Proc of IEEE International Conference on Computer Vision.2011：2564-2571.