李艷山，劉智，李攀，周玉軒，王世凱

（長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，長(zhǎng)春 130022）

SLAM技術(shù)是實(shí)現(xiàn)移動(dòng)機(jī)器人在未知環(huán)境中自主定位和導(dǎo)航的關(guān)鍵技術(shù)，V-SLAM技術(shù)則使用移動(dòng)機(jī)器人搭載的相機(jī)采集的圖像作為唯一的觀測(cè)信息于運(yùn)動(dòng)過程中估計(jì)自身的軌跡，同時(shí)構(gòu)建出環(huán)境的模型［1］。一個(gè)完整的V-SLAM算法框架包括圖像的采集、局部相機(jī)軌跡和地圖的估計(jì)、全局相機(jī)軌跡和地圖的優(yōu)化三部分。其中局部相機(jī)軌跡和地圖的估計(jì)主要采用圖像特征點(diǎn)法和直接法來實(shí)現(xiàn)。由于圖像特征點(diǎn)法具有運(yùn)行穩(wěn)定、對(duì)外界干擾（光照、噪聲、旋轉(zhuǎn)、尺度等）具有良好的穩(wěn)定性［2］。因此，越來越多的V-SLAM研究者采用基于圖像的特征點(diǎn)的方法來完成圖像的預(yù)處理。最早，Lowe提出了尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）算法［3］，該算法充分考慮了特征點(diǎn)在圖像尺度變化過程中的魯棒性，保證了特征點(diǎn)在圖像尺度變化過程中配準(zhǔn)的準(zhǔn)確率。完文韜等人在2018年提出了一種改進(jìn)的SIFT算法［4］，該算法有效的剔除圖像配準(zhǔn)過程中的誤匹配點(diǎn)對(duì)。但是，以上算法均很難滿足V-SLAM的實(shí)時(shí)性要求。Bay等人在2016年提出了加速魯棒特征（Speed-Up Robust Feature，SU-RF）算法［5］，該算法主要解決SIFT算法中存在的計(jì)算量過大問題。張鳳晶等人在2016年提出了改進(jìn)的SURF算法［6］，該算法在不增加配準(zhǔn)的時(shí)間前提下，提高了配準(zhǔn)的精確度。夏巖等人在2017年提出了改進(jìn)的SURF算法［7］，該算法提升了圖像配準(zhǔn)的成功率，同時(shí)縮短了配準(zhǔn)的時(shí)間。但是，SIFT和SURF算法在V-SLAM中仍然需要一定的計(jì)算量，目前普通PC機(jī)的CPU難以進(jìn)行實(shí)時(shí)的定位與建圖，可以通過GPU進(jìn)行加速計(jì)算，但是引入GPU將帶來整個(gè)SLAM成本的提高。Rublee等人在2011年ICCV的論文中提出了基于FAST（Feature from Accelerated Segment Test）［8-9］特征點(diǎn)提取和BRIEF（Binary Robust Independent Elementary Feature）［10］特征描述，稱之為ORB（Oriented FAST and Rotated BRIEF）算法［11］，該算法和SURF、SIFT算法相比，其計(jì)算速度具有大幅度的提升。

ORB算法改進(jìn)了FAST特征點(diǎn)提取算法，在原版FAST的基礎(chǔ)上計(jì)算了特征點(diǎn)的主方向，使提取出來的特征點(diǎn)增加了旋轉(zhuǎn)不變性。ORB算法主要通過檢測(cè)局部像素灰度差異值來提取特征點(diǎn)，同時(shí)對(duì)特征點(diǎn)增加了的二進(jìn)制描述子BRIEF，目前廣泛的應(yīng)用于實(shí)時(shí)性較高的V-SLAM系統(tǒng)中。然而，針對(duì)ORB算法在特征點(diǎn)提取時(shí)存在效率低下、隨機(jī)采樣一致性（Random Sample Consensus，RANSAC）［12］在特征點(diǎn)配準(zhǔn)中存在耗時(shí)過長(zhǎng)的問題，將導(dǎo)致V-SLAM系統(tǒng)的實(shí)時(shí)性及準(zhǔn)確性大幅度下降。因此，本文在對(duì)ORB配準(zhǔn)算法進(jìn)行理論分析的基礎(chǔ)上提出了一種改進(jìn)版的ORB配準(zhǔn)算法。首先，將介紹V-SLAM算法的整體流程及原ORB算法，包括特征點(diǎn)的提取及描述子計(jì)算方法。然后，分別提出了ORB和RANSAC的改進(jìn)算法。最后，通過實(shí)驗(yàn)驗(yàn)證，改進(jìn)的ORB配準(zhǔn)算法比原算法更加高效、魯棒。

1 V-SLAM整體流程及ORB配準(zhǔn)算法

1.1 V-SLAM整體流程

在基于特征點(diǎn)法的整個(gè)V-SLAM過程中，首先對(duì)采集到的圖像進(jìn)行預(yù)處理，主要為圖像的特征點(diǎn)提取與配準(zhǔn)。然后，根據(jù)相鄰圖像之間的配準(zhǔn)點(diǎn)來估計(jì)局部相機(jī)的運(yùn)動(dòng)軌跡及構(gòu)建局部地圖，然而僅僅通過累加原理來構(gòu)建出全局的相機(jī)運(yùn)動(dòng)軌跡及全局地圖，將不可避免出現(xiàn)累計(jì)誤差。非線性優(yōu)化部分采用Bundle adjustment（BA）算法［13］對(duì)相機(jī)位姿估計(jì)值、局部地圖和閉環(huán)檢測(cè)結(jié)果進(jìn)行優(yōu)化，從而得到全局一致的相機(jī)位姿軌跡和地圖?；谔卣鼽c(diǎn)法的V-SLAM總體算法框架如圖1所示。

圖1 基于特征點(diǎn)法的V-SLAM總體算法框架

基于ORB算法的圖像預(yù)處理的過程主要包括以下三個(gè)階段：FAST特征點(diǎn)的提取過程，提取圖像中的特征點(diǎn)位于什么位置；BRIEF描述子計(jì)算過程，對(duì)特征點(diǎn)周圍的像素信息進(jìn)行描述；特征點(diǎn)的配準(zhǔn)過程，根據(jù)相近的特征點(diǎn)具有相近的描述子的原則，采用漢明距離結(jié)合RANSAC算法對(duì)所提取到的特征點(diǎn)進(jìn)行精確的配準(zhǔn)?；贠RB算法的圖像預(yù)處理過程如圖2所示。

圖2 基于ORB算法的圖像預(yù)處理過程

1.2 ORB特征點(diǎn)提取

在ORB算法中，使用FAST對(duì)特征點(diǎn)進(jìn)行提取。由于FAST不具有旋轉(zhuǎn)不變性，因此在ORB算法中對(duì)FAST檢測(cè)子進(jìn)行改進(jìn)增加了旋轉(zhuǎn)不變性，稱為（Oriented FAST，oFAST）。FAST特征點(diǎn)提取思想：若圖像中局部區(qū)域像素灰度出現(xiàn)明顯變化（過亮或者過暗），則將該像素點(diǎn)定義為候選特征點(diǎn)，F(xiàn)AST特征點(diǎn)提取示意圖如圖3所示。

圖3 FAST特征點(diǎn)提取示意圖

FAST算法檢測(cè)特征點(diǎn)過程如下：

（1）圖像特征點(diǎn)提取。在圖像中選取任意一個(gè)像素P，它的灰度值為Ip。設(shè)定一個(gè)合適的閾值。以像素P為中心，設(shè)置半徑為3的一個(gè)離散化Bresenham圓，選取圓周上的16個(gè)像素點(diǎn)。如果圓上序號(hào)為1，5，9，13的像素亮度有3個(gè)同時(shí)都大于Ip+t或者小于Ip-t，則判定P可能為一個(gè)特征點(diǎn)，進(jìn)行第2步，否則丟棄該點(diǎn)P。

（2）進(jìn)一步判定圓上的12個(gè)連續(xù)的像素亮度值是否都大于Ip+t或者小于Ip-t，如成立則判定P為一個(gè)特征點(diǎn)，進(jìn)行第3步，否則丟棄該點(diǎn)P。

（3）計(jì)算提取到特征點(diǎn)的Harris響應(yīng)值并排序，選擇前N個(gè)最大響應(yīng)值作為最終特征點(diǎn)的集合。

（4）采用灰度質(zhì)心法對(duì)提取到的特征點(diǎn)進(jìn)行描述，增加特征點(diǎn)的旋轉(zhuǎn)不變性。首先，圖像塊的矩定義如式（1）所示：

其中，I(x,y)為點(diǎn)(x,y)處的灰度值，p+q為灰度矩的階數(shù)。要求x和y都在半徑為r的圓形區(qū)域內(nèi)，即x,y∈[-r,r].

通過圖像塊的矩，求出圖像塊的質(zhì)心如式（2）所示：

連接圖像塊的幾何中心O與質(zhì)心C，得到一個(gè)方向向量，特征點(diǎn)的方向定義如式（3）所示：

（5）循環(huán)以上5步，對(duì)每一個(gè)像素執(zhí)行相同的操作。

1.3 特征點(diǎn)描述子

ORB算法采用BRIEF描述子對(duì)提取到的特征點(diǎn)像素信息進(jìn)行描述。BRIEF描述子描述方法為在特征點(diǎn)周圍挑選指定數(shù)量的像素點(diǎn)對(duì)，通過比較相應(yīng)的灰度值，利用一系列的0和1組合編碼成以二進(jìn)制形式描述特征。

對(duì)于一個(gè)光滑圖像領(lǐng)域p的準(zhǔn)則τ定義如式（4）所示：

其中，p(x)為平滑后的圖像領(lǐng)域p在x處的灰度值，則特征可以被定義為n維二進(jìn)制向量如式（5）所示：

其中，n可以為128、256、521等。n值大小的選取可以根據(jù)存儲(chǔ)效率、識(shí)別率和速度的要求進(jìn)行相應(yīng)的選擇。

由于BRIEF描述子不具有旋轉(zhuǎn)不變性，因此對(duì)其進(jìn)行改進(jìn)并添加一個(gè)方向信息，稱為rBRIEF。在位置(xi,yi)處，對(duì)任意的n個(gè)二進(jìn)制特征，定義矩陣S如式（6）所示：

利用此區(qū)域的旋轉(zhuǎn)方向θ和對(duì)應(yīng)的旋轉(zhuǎn)矩陣Rθ，對(duì)S進(jìn)行變換如式（7）所示：

于是矯正后的BRIEF描述子為如式（8）所示：

得到校正的BRIEF之后，再進(jìn)行貪婪搜索，在像素塊中找出相關(guān)性最低的256個(gè)像素塊對(duì)，作為最終的BRIEF。

2 ORB配準(zhǔn)算法改進(jìn)

2.1 ORB配準(zhǔn)算法改進(jìn)的總體思想

本文對(duì)ORB特征點(diǎn)的提取及配準(zhǔn)算法分別進(jìn)行改進(jìn)，首先對(duì)待檢測(cè)的圖像采用區(qū)域二分法加速判斷特征點(diǎn)在圖像中的位置，然后對(duì)檢測(cè)出來的特征點(diǎn)依次構(gòu)建圖像金字塔及引入灰度質(zhì)心法以增加特征點(diǎn)的尺度不變性以及旋轉(zhuǎn)不變性，最后采用改進(jìn)的RANSAC配準(zhǔn)算法剔除誤匹配點(diǎn)對(duì)。改進(jìn)的ORB配準(zhǔn)算法整體流程如圖4所示。

圖4 改進(jìn)的ORB配準(zhǔn)算法整體流程圖

2.2 FAST特征點(diǎn)提取算法改進(jìn)方法

在特征點(diǎn)配準(zhǔn)過程中，將相鄰兩張圖像的非重疊區(qū)域視為無效區(qū)域，在無效區(qū)域中進(jìn)行特征點(diǎn)的提取及配準(zhǔn)是不正確的。如果在提取特征點(diǎn)時(shí)去除在無效區(qū)域的特征點(diǎn)提取、計(jì)算描述子及特征點(diǎn)匹配的時(shí)間，可以大大加速ORB算法的配準(zhǔn)時(shí)間，從而提升V-SLAM算法框架的實(shí)時(shí)性?；谝陨纤枷?，提出FAST特征點(diǎn)提取的改進(jìn)方法。首先，在特征點(diǎn)提取時(shí)對(duì)待提取的圖像區(qū)域進(jìn)行劃分，將待提取特征點(diǎn)的圖像均勻分成2個(gè)區(qū)域，并且進(jìn)行分組編號(hào)。例如使用ORB算法提取一幀圖像特征點(diǎn)的時(shí)間為T，則使用區(qū)域二分處理之后每塊區(qū)域的特征點(diǎn)提取時(shí)間為t=T2，完成整幀圖像的特征點(diǎn)配準(zhǔn)所需要的時(shí)間t1為：

因?yàn)閠1＜2T，即提取每幀圖像特征點(diǎn)的時(shí)間減少了25%。假設(shè)兩幀圖像的重疊率為x，可提高的效率為y，則：

所以不管x取值是多少，y的值總是不小于50%。即在ORB特征點(diǎn)提取過程中，采用區(qū)域二分法，特征點(diǎn)提取至少提高效率50%以上。

2.3 RANSAC算法改進(jìn)方法

傳統(tǒng)的RANSAC算法在剔除ORB特征點(diǎn)誤匹配時(shí)沒有考慮配準(zhǔn)點(diǎn)的質(zhì)量好壞便隨機(jī)抽取，將提取出來的所有特征點(diǎn)都進(jìn)行了迭代計(jì)算，導(dǎo)致特征點(diǎn)在配準(zhǔn)過程中消耗了大量的時(shí)間?；诖藛栴}，提出改進(jìn)算法，將隨機(jī)抽樣的樣本進(jìn)行一次篩選，把明顯錯(cuò)誤的匹配對(duì)剔除，減少RANSAC的迭代次數(shù)。改進(jìn)的RANSAC算法流程圖如圖5所示。

改進(jìn)的RANSAC算法步驟如下：

（1）左圖中提取到的特征點(diǎn)記作集合X={xi|xi∈X,i=1,2,...,n}，與之對(duì)應(yīng)的右圖提取到的特征點(diǎn)記作集合Y={yi|yi∈Y,i=1,2,...,n}

（2）對(duì)集合X，Y中提取的特征點(diǎn)采用雙向匹配交叉過濾方法對(duì)配準(zhǔn)對(duì)進(jìn)行篩選，過程如下：對(duì)集合X中的每個(gè)特征點(diǎn)xi找到集合Y中與之對(duì)應(yīng)的特征點(diǎn)yi，同理，對(duì)集合Y中的每個(gè)特征點(diǎn)yi找到集合中X與之對(duì)應(yīng)的特征點(diǎn)xi；同時(shí)引入逆向匹配機(jī)制，如果X中的特征點(diǎn)xi在Y中的匹配點(diǎn)為yi，且Y中的特征點(diǎn)yi在X中的匹配點(diǎn)為xi，則認(rèn)為這對(duì)匹配對(duì)是正確的，如果匹配不成功，則直接剔除掉。

（3）設(shè)置一個(gè)描述子漢明距離的閾值，對(duì)篩選之后的配準(zhǔn)點(diǎn)對(duì)進(jìn)行漢明距離計(jì)算并排序，對(duì)漢明距離值大于設(shè)置的閾值的配準(zhǔn)點(diǎn)對(duì)剔除。

（4）經(jīng)過以上兩步剔除誤匹配之后，再使用RANSAC算法進(jìn)行迭代配準(zhǔn)特征點(diǎn)，從而得到更加準(zhǔn)確的配準(zhǔn)點(diǎn)對(duì)。

圖5 改進(jìn)的RANSAC算法流程圖

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)安排

本節(jié)將改進(jìn)的算法和原算法進(jìn)行實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)環(huán)境：Ubuntu16.04操作系統(tǒng)，安裝了OpenCV 3.1.0［14］。主要實(shí)驗(yàn)為：改進(jìn)的FAST特征點(diǎn)提取算法對(duì)比實(shí)驗(yàn)和改進(jìn)的RANSAC算法對(duì)比實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較和分析。為了驗(yàn)證本文提出的改進(jìn)算法對(duì)環(huán)境具有普遍性、通用性，分別選取了室外場(chǎng)景和室內(nèi)場(chǎng)景圖片進(jìn)行實(shí)驗(yàn)驗(yàn)證。

3.2 FAST特征點(diǎn)提取改進(jìn)算法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的改進(jìn)的FAST特征點(diǎn)提取算法的高效性，將分別選取像素大小為800×500的兩幅室外和室內(nèi)圖片進(jìn)行實(shí)驗(yàn)。首先，使用改進(jìn)的FAST算法對(duì)采集到的圖像進(jìn)行特征點(diǎn)提取。然后，將改進(jìn)算法與原算法提取到同一幀圖像的特征點(diǎn)所用時(shí)間進(jìn)行對(duì)比。圖6所示為改進(jìn)的FAST算法特征點(diǎn)提取室外場(chǎng)景圖，圖7所示為改進(jìn)的FAST算法特征點(diǎn)提取室內(nèi)場(chǎng)景圖。

圖6 改進(jìn)FAST算法特征點(diǎn)提取室外場(chǎng)景圖

圖7 改進(jìn)FAST算法特征點(diǎn)提取室內(nèi)場(chǎng)景圖

表1 FAST特征點(diǎn)提取算法耗時(shí)對(duì)比

表1為原FAST特征點(diǎn)提取算法和本文改進(jìn)的FAST特征點(diǎn)提取算法處理同一幀圖像特征點(diǎn)所用的時(shí)間對(duì)比?？梢园l(fā)現(xiàn)，使用改進(jìn)的算法進(jìn)行特征點(diǎn)提取時(shí)，處理的時(shí)間明顯縮短，特征點(diǎn)提取效率提升40%左右。按照理論部分的結(jié)論，使用改進(jìn)的算法提取特征點(diǎn)時(shí)，提取效率至少能提高50%，其主要原因在改進(jìn)的FAST特征點(diǎn)提取算法中構(gòu)建了圖像金字塔以增加特征點(diǎn)的尺度不變性，浪費(fèi)了一定的時(shí)間。實(shí)驗(yàn)表明，使用改進(jìn)的FAST特征點(diǎn)提取算法可以大大提升特征點(diǎn)提取的速度。

3.3 RANSAC改進(jìn)算法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的RANSAC改進(jìn)算法對(duì)圖像配準(zhǔn)的高效性及準(zhǔn)確性。選取像素大小為410×320的四幅室外和室內(nèi)圖片分別進(jìn)行配準(zhǔn)實(shí)驗(yàn)。首先，對(duì)待配準(zhǔn)圖像進(jìn)行采集。圖8（a）為待配準(zhǔn)室外場(chǎng)景的左幀圖像，圖8（b）為待配準(zhǔn)室外場(chǎng)景的右?guī)瑘D像。圖9（a）為待配準(zhǔn)室內(nèi)場(chǎng)景的左幀圖像，圖9（b）為待配準(zhǔn)室內(nèi)場(chǎng)景的右?guī)瑘D像。其次，使用原FAST特征提取算法結(jié)合暴力匹配算法對(duì)采集到的室外和室內(nèi)相鄰場(chǎng)景圖像分別進(jìn)行特征點(diǎn)提取與配準(zhǔn)。圖10所示為原FAST算法結(jié)合暴力匹配算法的室外場(chǎng)景配準(zhǔn)圖，圖11所示為原FAST算法結(jié)合暴力匹配算法的室內(nèi)場(chǎng)景配準(zhǔn)圖?？梢园l(fā)現(xiàn)，暴力匹配算法將導(dǎo)致圖像配準(zhǔn)過程中出現(xiàn)大量的誤匹配。然后，引入RANSAC算法剔除圖像配準(zhǔn)過程中出現(xiàn)的大量誤匹配。圖12所示為引入RANSAC算法的室外場(chǎng)景配準(zhǔn)圖，圖13所示為引入RANSAC算法的室內(nèi)場(chǎng)景配準(zhǔn)圖?？梢园l(fā)現(xiàn)，RANSAC算法可以有效的剔除暴力匹配中出現(xiàn)的大量的誤匹配，但是還會(huì)存在少量的誤匹配。最后，使用改進(jìn)的FAST特征提取算法結(jié)合改進(jìn)的RANSAC算法對(duì)采集到的室外和室內(nèi)相鄰場(chǎng)景圖像分別進(jìn)行特征點(diǎn)提取與配準(zhǔn)。圖14所示為改進(jìn)的FAST算法結(jié)合改進(jìn)的RANSAC算法的室外場(chǎng)景配準(zhǔn)圖，圖15所示為改進(jìn)的FAST算法結(jié)合改進(jìn)的RANSAC算法的室內(nèi)場(chǎng)景配準(zhǔn)圖?？梢园l(fā)現(xiàn)，使用改進(jìn)的RANSAC算法可以進(jìn)一步剔除原RANSAC算法遺留的誤匹配對(duì)，進(jìn)一步提升圖像配準(zhǔn)的準(zhǔn)確性。同時(shí)，將改進(jìn)的算法與原算法處理同一對(duì)圖像的配準(zhǔn)點(diǎn)集對(duì)數(shù)、剔誤率、配準(zhǔn)時(shí)間進(jìn)行對(duì)比。

圖8 室外場(chǎng)景待配準(zhǔn)原始圖像

圖9 室內(nèi)場(chǎng)景待配準(zhǔn)原始圖像

圖10 FAST+暴力匹配算法室外場(chǎng)景準(zhǔn)圖

圖11 FAST+暴力匹配算法室內(nèi)場(chǎng)景準(zhǔn)圖

圖12 FAST+RANSAC算法室外場(chǎng)景配準(zhǔn)圖

圖13 FAST+RANSAC算法室內(nèi)場(chǎng)景配準(zhǔn)圖

圖14 改進(jìn)FAST+改進(jìn)RANSAC算法室外場(chǎng)景配準(zhǔn)圖

圖15 改進(jìn)FAST+改進(jìn)RANSAC算法室內(nèi)場(chǎng)景配準(zhǔn)圖

表2 室外場(chǎng)景配準(zhǔn)算法結(jié)果對(duì)比

表3 室內(nèi)場(chǎng)景配準(zhǔn)算法結(jié)果對(duì)比

表2為FAST特征點(diǎn)提取算法結(jié)合暴力匹配算法、FAST特征點(diǎn)提取算法結(jié)合RANSAC算法、本文改進(jìn)的FAST特征點(diǎn)提取算法結(jié)合改進(jìn)RANSAC算法對(duì)采集到的室外場(chǎng)景圖像進(jìn)行配準(zhǔn)結(jié)果的對(duì)比。表3為暴力匹配算法、FAST特征點(diǎn)提取算法結(jié)合原始RANSAC算法、本文改進(jìn)FAST特征點(diǎn)提取算法結(jié)合改進(jìn)RANSAC算法對(duì)采集到的室內(nèi)場(chǎng)景圖像進(jìn)行配準(zhǔn)的結(jié)果對(duì)比?？梢园l(fā)現(xiàn)，使用改進(jìn)的FAST特征點(diǎn)提取算法結(jié)合改進(jìn)的RANSAC算法進(jìn)行圖像配準(zhǔn)時(shí)，雖然最終得到的配準(zhǔn)點(diǎn)集個(gè)數(shù)略有減少，但是更有效地剔除了配準(zhǔn)過程中出現(xiàn)的誤匹配。在提升配準(zhǔn)速度的同時(shí)，大大提升了配準(zhǔn)的精確度。實(shí)驗(yàn)表明，使用改進(jìn)的FAST特征點(diǎn)提取算法結(jié)合改進(jìn)RANSAC的算法進(jìn)行圖像配準(zhǔn)時(shí)，可以提升配準(zhǔn)速度，同時(shí)能夠有效地剔除誤匹配，保證了配準(zhǔn)點(diǎn)對(duì)的準(zhǔn)確性。

4 結(jié)論

本文提出了一種改進(jìn)的ORB圖像配準(zhǔn)算法。在原有算法的基礎(chǔ)上，首先采用二分區(qū)域法對(duì)提取圖像特征點(diǎn)時(shí)進(jìn)行預(yù)處理，之后使用改進(jìn)的RANSAC迭代算法完成特征點(diǎn)匹配。通過實(shí)驗(yàn)結(jié)果表明，改進(jìn)的ORB配準(zhǔn)算法在保證配準(zhǔn)特征點(diǎn)數(shù)量相當(dāng)?shù)耐瑫r(shí)可以有效地剔除誤匹配，保證了配準(zhǔn)點(diǎn)集之間的準(zhǔn)確性，同時(shí)提升了配準(zhǔn)的速度。其改進(jìn)的ORB算法給V-SLAM中的位姿估計(jì)算法提供了良好的初始值，其結(jié)果有助于提升V-SLAM系統(tǒng)的實(shí)時(shí)性和位姿估計(jì)及建圖的準(zhǔn)確性。ORB配準(zhǔn)算法仍有許多難點(diǎn)，如特征點(diǎn)較少圖像之間的配準(zhǔn)、尺度變化圖像之間的配準(zhǔn)、旋轉(zhuǎn)變化圖像之間的配準(zhǔn)等，這些難點(diǎn)還有待深入研究。