駱開慶， 楊 坤， 張 健， 肖 化

(華南師范大學(xué)物理與電信工程學(xué)院，廣州 510006)

特征點(diǎn)指的是圖像灰度值發(fā)生劇烈變化的點(diǎn)或者在圖像2個(gè)邊緣上的交點(diǎn)，是圖像中重要的局部特征，其提取效果的好壞將直接影響應(yīng)用的結(jié)果.

原則上，優(yōu)秀的算法不僅保證在嚴(yán)格要求下的實(shí)驗(yàn)精度，也要考慮其計(jì)算速度. 目前已有許多特征提取的算法. 如：SIFT(Scale-Invariant Feature Transform)算法[1]，該算法具有良好尺度、旋轉(zhuǎn)和亮度的不變性，但存在計(jì)算量大、運(yùn)算時(shí)間長的問題；SURF(Speeded Up Robust Features)算法[2]，該算法利用積分圖像和盒狀濾波來近似高斯濾波的方法對(duì)SIFT算法進(jìn)行改進(jìn)，雖然比SIFT算法提取速度更快，但是仍需要較長時(shí)間構(gòu)建描述子；ORB(Oriented FAST and Rotated BRIEF)算法[3]，該算法最大的優(yōu)勢在于計(jì)算速度非?？?，但是當(dāng)圖像變化較大時(shí)效果不好；BRISK特征提取算法[4]，該算法平衡了高質(zhì)量的描述子和低計(jì)算需求這2個(gè)相互矛盾的目標(biāo). 為了提高BRISK特征點(diǎn)的性能，近些年來，學(xué)者們做了大量的研究. 如：黃鈺雯等[5]提出了改進(jìn)的SURF-BRISK的算法；趙婷等[6]提出了結(jié)合區(qū)域分塊的改進(jìn)BRISK算法；CEN等[7]提出了基于GMS算法的改進(jìn)BRISK算法. 這些改進(jìn)的BRISK算法均提高了特征匹配的精度，但提取到的特征點(diǎn)都存在分布不均勻的現(xiàn)象，導(dǎo)致圖像局部信息丟失. 2015年，MUR-ARTAL等[8]首次指出使用四叉樹的方法來改善這種特征點(diǎn)分布不均勻的現(xiàn)象.

基于上述分析，為提取均勻分布的特征點(diǎn)、提高特征點(diǎn)匹配精度和降低算法的運(yùn)行時(shí)間，本文提出了基于四叉樹的改進(jìn)BRISK特征提取算法(Quad-BRISK算法)，并選取3個(gè)具有代表性的算法(SIFT、ORB、BRISK算法)與Quad-BRISK算法進(jìn)行測試對(duì)比實(shí)驗(yàn).

1 Quad-BRISK特征提取算法

Quad-BRISK特征提取算法采用四叉樹均勻化FAST(Features from Accelerated Segment Test)算法[9]在圖像金字塔[10]上提取的特征點(diǎn);運(yùn)用灰度質(zhì)心法[11]替換傳統(tǒng)BRISK算法，采用長距離點(diǎn)集計(jì)算特征點(diǎn)的方向；通過在圖像局部區(qū)域內(nèi)建立BRISK特征描述符，最終用于圖像匹配.

1.1 提取特征點(diǎn)

FAST特征點(diǎn)檢測主要檢測局部像素灰度變化明顯的地方(圖1):取圖像中的某個(gè)像素點(diǎn)K，并以點(diǎn)K為圓心選取半徑為3的Bresenham圓上的16個(gè)像素點(diǎn)，如果這16個(gè)點(diǎn)中有連續(xù)12個(gè)點(diǎn)的灰度值I(x)與點(diǎn)K的灰度值I(K)的灰度距離大于設(shè)定的閾值T，那么點(diǎn)K為特征點(diǎn). 如果圖像中每個(gè)像素點(diǎn)都與其Bresenham圓上的12個(gè)點(diǎn)的灰度值比較，會(huì)耗時(shí)較多. 因此，可以增加一個(gè)預(yù)測試步驟，以快速剔除大多數(shù)不是角點(diǎn)的像素：對(duì)每一個(gè)像素，先計(jì)算圓上序號(hào)為 1、5、9、13的4個(gè)像素點(diǎn)與像素點(diǎn)K的灰度值差的絕對(duì)值，其中至少要有3個(gè)點(diǎn)的結(jié)果大于閾值T，才接著檢測圓上其他像素點(diǎn)，否則舍棄點(diǎn)K.

圖1 FAST特征點(diǎn)檢測[9]

但是，特征點(diǎn)是具有尺度的，在不同尺度下對(duì)同一個(gè)點(diǎn)進(jìn)行檢測，檢測的結(jié)果可能有所不同. 所以，需要構(gòu)建圖像金字塔，在圖像金字塔的每層圖像上進(jìn)行FAST特征點(diǎn)檢測，從而得到具有尺度的特征點(diǎn).

1.2 劃分特征點(diǎn)

使用FAST算法提取的特征點(diǎn)存在扎堆的情況[12]，為了將圖像中提取的特征點(diǎn)均勻化，需要采用四叉樹對(duì)特征點(diǎn)進(jìn)行劃分:在圖像二維空間上利用四叉樹的結(jié)構(gòu)，將這個(gè)二維空間按特征點(diǎn)的分布情況進(jìn)行分塊，再對(duì)每個(gè)塊中的特征點(diǎn)進(jìn)行處理. 其處理步驟如下：第一步，設(shè)整幅圖像為一個(gè)大塊，則其為初始節(jié)點(diǎn)，可得到初始的四叉樹結(jié)構(gòu). 第二步，對(duì)圖像中所有的節(jié)點(diǎn)進(jìn)行劃分操作：如果節(jié)點(diǎn)里面的特征點(diǎn)數(shù)為0，則刪去這個(gè)節(jié)點(diǎn)；否則，將這個(gè)節(jié)點(diǎn)分成4個(gè)子節(jié)點(diǎn). 第三步，重復(fù)進(jìn)行第二步，直到最終生成的節(jié)點(diǎn)個(gè)數(shù)不小于設(shè)置提取特征點(diǎn)的個(gè)數(shù)或者達(dá)到最大的節(jié)點(diǎn)個(gè)數(shù)，則結(jié)束劃分節(jié)點(diǎn). 第四步，從每個(gè)節(jié)點(diǎn)中選取Harris響應(yīng)值[13]最高的特征點(diǎn).

對(duì)已經(jīng)提取FAST特征點(diǎn)的圖像，采用四叉樹方法劃分特征點(diǎn)，劃分前圖像中提取出的特征點(diǎn)明顯分布不均勻(圖2A). 按照上述步驟對(duì)圖像中的特征點(diǎn)進(jìn)行四叉樹劃分后(圖2C)，每個(gè)節(jié)點(diǎn)中特征點(diǎn)至少大于1個(gè)，在節(jié)點(diǎn)中選取1個(gè)特征點(diǎn)作為該節(jié)點(diǎn)下的特征點(diǎn)，使得圖像中的特征點(diǎn)均勻分布(圖2D).

圖2 四叉樹方法劃分特征點(diǎn)

1.3 計(jì)算特征點(diǎn)的方向

FAST特征點(diǎn)檢測出來的特征點(diǎn)不具備旋轉(zhuǎn)不變性，當(dāng)圖像發(fā)生旋轉(zhuǎn)時(shí)檢測效果較差. 為了使圖像發(fā)生旋轉(zhuǎn)后還能檢測出是同一個(gè)特征點(diǎn)，使用灰度質(zhì)心法將提取到的特征點(diǎn)設(shè)置為帶方向的特征點(diǎn)，具體步驟如下：

(1)以特征點(diǎn)為中心的圖像塊B的矩為：

(1)

其中，p,q={0,1}，mpq為圖像塊的矩，qp為矩的階數(shù)的系數(shù)，x和y為圖像塊B中像素點(diǎn)的坐標(biāo)值，I(x,y)為像素點(diǎn)(x,y)處的灰度值；

(2)通過以下公式計(jì)算該圖像塊的質(zhì)心：

(2)

其中，m00是圖像塊的0階矩，m01和m10是圖像塊的1階矩；

(3)將圖像塊的幾何中心O與質(zhì)心C相連，得到方向向量OC，于是特征點(diǎn)的方向定義為：

(3)

通過以上步驟，計(jì)算出特征點(diǎn)的方向. 在建立該特征點(diǎn)描述符的時(shí)候，采用此處計(jì)算的方向?qū)⒃撎卣鼽c(diǎn)進(jìn)行旋轉(zhuǎn)，使該點(diǎn)具有旋轉(zhuǎn)的描述，從而提高了在不同圖像之間表達(dá)的穩(wěn)定性.

1.4 建立BRISK特征點(diǎn)描述符

通過FAST算法檢測確定了特征點(diǎn)在圖像中位置信息之后，為了能夠與另外一張圖片進(jìn)行特征點(diǎn)匹配，需要提取特征點(diǎn)周圍的環(huán)境信息，即建立BRISK特征點(diǎn)描述符. 通過對(duì)比2張圖片中特征點(diǎn)的周圍環(huán)境信息的相似度來判定是否為同一個(gè)特征點(diǎn).

1.4.1 采樣模式 BRISK特征點(diǎn)描述符是利用關(guān)鍵點(diǎn)的鄰域進(jìn)行采樣，其采樣模式如圖3所示，一共采樣N個(gè)點(diǎn).

為了避免混疊效果，對(duì)采樣模式中的采樣點(diǎn)Pi進(jìn)行高斯平滑，標(biāo)準(zhǔn)差σi正比于每個(gè)采樣點(diǎn)對(duì)應(yīng)于各自中心的距離，定位和擴(kuò)展模式在圖像中相應(yīng)地為關(guān)鍵點(diǎn)K模式化，考慮一個(gè)N(N-1)/2個(gè)采樣點(diǎn)對(duì)，用集合(Pi,Pj)表示. 這些點(diǎn)的平滑像素值分別為I(Pi,σi)和I(Pj,σj)，用于估計(jì)局部梯度值g(Pi,Pj)的公式為：

(4)

所有組合方式的集合稱為采樣點(diǎn)對(duì)：

A={(Pi,Pj)2×2|i

(5)

短距離點(diǎn)對(duì)子集S為：

(6)

其中，閾值距離設(shè)置為：δmax=9.75t，t是特征點(diǎn)K所在的尺度.

(7)

1.5 描述符匹配

將采樣的短距離子集中的512個(gè)點(diǎn)對(duì)，根據(jù)式(7)得到該特征點(diǎn)的512 Bit的二進(jìn)制描述符. 在匹配2個(gè)BRISK特征點(diǎn)時(shí)，通過2個(gè)特征點(diǎn)描述符之間的漢明距離來表示這2個(gè)特征點(diǎn)周圍的環(huán)境信息的相似性：漢明距離越小，相似性越高.

1.6 Quad-BRISK算法步驟

Quad-BRISK算法與傳統(tǒng)BRISK算法的不同之處在于：提取BRISK特征點(diǎn)時(shí)采用四叉樹方法劃分特征點(diǎn),使特征點(diǎn)均勻分布；特征匹配時(shí)采用分塊區(qū)域匹配，減小了匹配范圍，提高了匹配的精度；使用灰度質(zhì)心法給每個(gè)特征點(diǎn)計(jì)算方向；使用旋轉(zhuǎn)一致性原則剔除部分誤匹配點(diǎn)，進(jìn)一步提高了特征點(diǎn)的匹配精度. 主要步驟如下：

(1)將圖像構(gòu)造8層尺度為1.2的圖像金字塔，設(shè)置圖像金字塔中每層圖像要提取的特征點(diǎn)數(shù)量；

(2)將圖像金字塔的每一層圖像劃分為N個(gè)邊長為30像素的矩形區(qū)域(圖像邊緣進(jìn)行融合處理)，分別在這N個(gè)區(qū)域中做FAST關(guān)鍵點(diǎn)提取，當(dāng)檢測到FAST關(guān)鍵點(diǎn)的數(shù)量為0時(shí)，降低算法閾值并重新進(jìn)行關(guān)鍵點(diǎn)提取，使得在弱紋理區(qū)域也能提取到關(guān)鍵點(diǎn)；

(3)將圖像金字塔的每層圖像中提取到的特征點(diǎn)按層進(jìn)行四叉樹劃分；

(4)剔除每個(gè)節(jié)點(diǎn)中Harris響應(yīng)值非極大值的特征點(diǎn)；

(5)采用灰度質(zhì)心法計(jì)算每個(gè)特征點(diǎn)的方向；

(6)計(jì)算特征點(diǎn)的BRISK描述符；

(7)將特征點(diǎn)劃分在圖像中對(duì)應(yīng)的網(wǎng)格區(qū)域內(nèi)，并在2幅圖像對(duì)應(yīng)的網(wǎng)格區(qū)域內(nèi)做特征點(diǎn)匹配；

(8)根據(jù)勞氏算法[1]，使用比較最近鄰距離與次近鄰距離的方法剔除誤匹配點(diǎn)，最后采用RANSAC算法[14]，得到精匹配圖像.

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法(Quad-BRISK算法)匹配精度的優(yōu)越性，選取3個(gè)近期具有代表性的算法(SIFT、ORB、BRISK算法)與Quad-BRISK算法進(jìn)行測試對(duì)比，比較各種算法在不同圖像上的處理時(shí)間.

2.1 實(shí)驗(yàn)數(shù)據(jù)

選擇Mikolajczyk和Schmid的特征對(duì)比試驗(yàn)圖集[15]中的5組圖像(圖4)，每組6幅圖像. 其中：利用Graf圖像組測試各算法在仿射變化下的匹配效果；利用Boat圖像組測試各算法在尺度和旋轉(zhuǎn)變化下的匹配效果；利用Trees圖像組測試各算法在模糊變化下的匹配效果；利用Leuven圖像組測試各算法在光照變化下的匹配效果；利用UBC圖像組測試各算法在不同壓縮程度下的匹配效果.

圖4 Oxford標(biāo)準(zhǔn)圖集

2.2 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)標(biāo)準(zhǔn)

本文的實(shí)驗(yàn)平臺(tái)為：操作系統(tǒng)為Linux 16.04 64位的臺(tái)式電腦，Intel(R) Core(TM)i7-7700 CPU@3.60 GHz 8 GB內(nèi)存，運(yùn)行環(huán)境為CLion 2.0和Opencv2.4.9.

本文的實(shí)驗(yàn)評(píng)價(jià)指標(biāo)為：(1)算法消耗的時(shí)間. 用此指標(biāo)來評(píng)價(jià)算法進(jìn)行特征檢測和匹配的速度,消耗的時(shí)間越短表明其速度越快. (2)特征點(diǎn)匹配正確率(Correct Matching Rate，CMR)[16]. 其計(jì)算公式為：

(8)

其中，mc為RANSAC之后正確匹配個(gè)數(shù)，m為最近鄰與次近鄰距離和旋轉(zhuǎn)一致性篩選后匹配個(gè)數(shù). CMR值越大，表示該算法的匹配效果越好.

2.3 結(jié)果分析

本文選擇5組測試圖像對(duì)各算法進(jìn)行測試，以第1幅圖為標(biāo)準(zhǔn)圖像，后面5幅圖像為待匹配圖像. 以下各表中，組號(hào)1表示第1幅圖與第2幅圖的匹配結(jié)果，組號(hào)2表示第1幅圖與第3幅圖的匹配結(jié)果，以此類推. 其中，SIFT、ORB、Quad-BRISK算法提取每張圖像中的1 000個(gè)特征點(diǎn)，BRISK算法提取每張圖像中的所有特征點(diǎn).

2.3.1 仿射不變性實(shí)驗(yàn) Graf圖像組的每個(gè)圖像具有不同的視角，故用于測試SIFT、ORB、BRISK、Quad-BRISK算法對(duì)于仿射變化的適應(yīng)性.

從實(shí)驗(yàn)結(jié)果(表1)可以看出：在第1組和第2組實(shí)驗(yàn)中，Quad-BRISK算法的匹配率高于其他算法；在第3～5組的這些仿射變換較大的實(shí)驗(yàn)組中，各種算法的魯棒性都不是很好. 由Graf圖像組中第1幅圖和第2幅圖的特征點(diǎn)匹配效果(圖5)可以看出：SIFT、ORB、Quad-BRISK算法同時(shí)提取相同個(gè)數(shù)的點(diǎn)，由于Quad-BRISK算法采取更加嚴(yán)格地剔除誤匹配點(diǎn)的方式，所以匹配點(diǎn)也減少了；雖然，BRISK算法提取的特征點(diǎn)較多，最終匹配的特征點(diǎn)也較多，但其匹配正確率最低.

表1 4種算法在圖像仿射變化下特征點(diǎn)的匹配正確率

Table 1 The correct matching rate of feature points in four algorithms under image affine changes %

組號(hào)SIFTORBBRISKQuad-BRISK182.3990.7582.0392.78267.1872.8266.4591.433----4----5----

注：“-”表示特征點(diǎn)匹配正確率過低或者算法失效，無意義.

2.3.2 尺度和旋轉(zhuǎn)不變性實(shí)驗(yàn) Boat圖像組的每個(gè)圖像具有不同的尺度和旋轉(zhuǎn)變換，故用于測試SIFT、ORB、BRISK、Quad-BRISK算法對(duì)于尺度和旋轉(zhuǎn)變化的適應(yīng)性.

圖5 4種算法在Graf圖像中的特征點(diǎn)匹配效果

Figure 5 The feature point matching effect images of four algorithms in Graf images

由測試結(jié)果(表2)可以看出：在第1組和第2組實(shí)驗(yàn)中，Quad-BRISK算法對(duì)尺度和旋轉(zhuǎn)不變性實(shí)驗(yàn)圖像的匹配正確率分別為91.57%和100%，除在第1組實(shí)驗(yàn)中略低于ORB算法，均高于其他算法；其他尺度和旋轉(zhuǎn)變化較大的實(shí)驗(yàn)中，各種算法的魯棒性都不是很好. 由Boat圖像組中第1幅圖和第2幅圖的特征點(diǎn)匹配效果(圖6)可看出：Quad-BRISK算法提取的體征點(diǎn)分布更加均勻，不存在明顯的扎堆現(xiàn)象；其他3種算法提取的特征點(diǎn)均存在聚集的現(xiàn)象，且ORB算法提取的特征點(diǎn)的扎堆現(xiàn)象最明顯.

表2 4種算法在圖像尺度和旋轉(zhuǎn)變化下特征點(diǎn)的匹配正確率

Table 2 The correct matching rate of feature points in four algorithms under image scale and rotation changes

%

注：“-”表示特征點(diǎn)匹配正確率過低或者算法失效，無意義.

圖6 4種算法在Boat圖像中的特征點(diǎn)匹配效果

Figure 6 The feature point matching effect images of four algorithms in Boat images

2.3.3 光照不變性實(shí)驗(yàn) Leuven圖像組的每個(gè)圖像具有不同的光照強(qiáng)度，故用于測試SIFT、ORB、BRISK、Quad-BRISK算法對(duì)于光照變化的適應(yīng)性.

由測試結(jié)果(表3)可以看出：SIFT、ORB、Quad-BRISK算法在不同光照的情況下都可以正常運(yùn)行；Quad-BRISK算法的匹配正確率最高，其次為ORB算法. 由Leuven圖像組中第1幅圖和第2幅圖的特征點(diǎn)匹配效果(圖7)可以看出：Quad-BRISK算法提取的特征點(diǎn)分布更加均勻，不存在明顯的扎堆現(xiàn)象；SIFT算法和ORB算法在圖片的下方提取的特征點(diǎn)很少，都在圖片的上方提取，扎堆現(xiàn)象較明顯.

表3 4種算法在圖像光照變化下特征點(diǎn)的匹配正確率

Table 3 The correct matching rate of feature points in four algorithms under image lighting changes

%

注：“-”表示特征點(diǎn)匹配正確率過低或者算法失效，無意義.

圖7 4種算法在Leuven圖像中的特征點(diǎn)匹配效果

Figure 7 The feature point matching effect images of four algorithms in Leuven images

2.3.4 模糊不變性實(shí)驗(yàn) Trees圖像組的每個(gè)圖像具有不同的模糊程度，故用于測試SIFT、ORB、BRISK、Quad-BRISK算法對(duì)于模糊程度變化的適應(yīng)性.

由測試結(jié)果(表4)可以看出：Quad-BRISK算法在不同模糊程度的情況下都可以較好地運(yùn)行，特征點(diǎn)的匹配精度大部分時(shí)候高于其他算法. 由Trees圖像組中第1幅圖和第2幅圖的特征點(diǎn)匹配效果(圖8)可以看出：4種算法提取的特征點(diǎn)都沒有較嚴(yán)重的扎堆現(xiàn)象，其中Quad-BRISK算法提取的特征點(diǎn)分布更加均勻.

表4 4種算法在圖像模糊變化下特征點(diǎn)的匹配正確率

Table 4 The correct matching rate of feature points in four algorithms under image blur changes

%

注：“-”表示特征點(diǎn)匹配正確率過低或者算法失效，無意義.

2.3.5 壓縮不變性實(shí)驗(yàn) UBC圖像組的每個(gè)圖像具有不同的壓縮程度，故用于測試SIFT、ORB、BRISK、Quad-BRISK算法對(duì)于不同壓縮程度的適應(yīng)性.

圖8 4種算法在Trees圖像中的特征點(diǎn)匹配效果

Figure 8 The feature point matching effect images of four algorithms in Trees images

由測試結(jié)果(表5)可以看出：在圖像具有不同壓縮程度的情況下，4種算法提取的特征點(diǎn)的匹配精度都較好，其中Quad-BRISK算法的匹配精度高于BRISK算法和SIFT算法，與ORB算法的匹配精度相似. 由UBC圖像組中第1幅圖和第2幅圖的特征點(diǎn)匹配效果(圖9)可以看出：SIFT算法和ORB算法提取的特征點(diǎn)存在明顯的聚集現(xiàn)象，而Quad-BRISK算法提取的特征點(diǎn)分布較均勻，不存在明顯的扎堆現(xiàn)象.

表5 4種算法在圖像壓縮下特征點(diǎn)的匹配正確率

Table 5 The correct matching rate of feature points in four algorithms under image compression %

組號(hào)SIFTORBBRISKQuad-BRISK185.6899.6797.5099.46280.2699.4495.3498.97375.6298.3191.0198.12465.3295.5780.5297.43557.7893.1759.2793.37

圖9 4種算法在UBC圖像中的特征點(diǎn)匹配效果

Figure 9 The feature point matching effect images of four algorithms in UBC images

2.3.6 運(yùn)行時(shí)間分析 為評(píng)估Quad-BRISK算法與SIFT、ORB、BRISK算法的時(shí)間復(fù)雜度，選取Graf、Boat、Trees、Leuven和UBC圖像組的第1、2幅圖像(即第1組)，統(tǒng)計(jì)分析使用4種算法在每張圖片中提取1 000個(gè)特征點(diǎn)需消耗的平均時(shí)間. 由結(jié)果(表6)可知：SIFT算法耗時(shí)最多；ORB算法耗時(shí)最少；Quad-BRISK算法相比于傳統(tǒng)的BRISK算法耗時(shí)更少，因?yàn)镼uad-BRISK算法是先將特征點(diǎn)劃分到圖像中相應(yīng)的網(wǎng)格區(qū)域內(nèi)，然后再對(duì)2幅圖像對(duì)應(yīng)區(qū)域內(nèi)的特征點(diǎn)做匹配，加速了特征點(diǎn)的匹配效率，所以，Quad-BRISK算法在提高精度的同時(shí)也減少了運(yùn)行時(shí)間. 此外，對(duì)每個(gè)圖像組中的其他圖像的消耗時(shí)間也進(jìn)行了對(duì)比分析實(shí)驗(yàn)，最終的時(shí)間對(duì)比分析趨勢與此類似，不一一贅述.

表6 4種算法的運(yùn)行時(shí)間分析

Table 6 The analysis of the running time of four algorithms ms

圖集SIFTORBBRISKQuad-BRISKGraf469.929.16121.983.89Boat564.439.38144.0113.80Trees746.656.16224.7154.90Leuven495.227.12118.076.47UBC498.232.82120.698.95

3 結(jié)論

本文提出了基于四叉樹的BRISK特征提取算法(Quad-BRISK算法)：針對(duì)原始BRISK算法提取的圖像特征點(diǎn)分布不均勻的缺點(diǎn)，采用了四叉樹方法劃分特征點(diǎn)；使用灰度質(zhì)心法替換傳統(tǒng)BRISK采用長距離點(diǎn)集計(jì)算主方向的方法，提高了旋轉(zhuǎn)一致性的穩(wěn)定性；在粗匹配結(jié)果中采用旋轉(zhuǎn)一致性剔除誤匹配點(diǎn)，進(jìn)一步提高特征匹配的精度. 在Mikolajczyk和Schmid的5組特征對(duì)比試驗(yàn)圖集上，使用Quad-BRISK算法與SIFT、ORB、BRISK算法分別進(jìn)行了5種不同變化場景下的對(duì)比實(shí)驗(yàn)，并且分析了運(yùn)行時(shí)間. 實(shí)驗(yàn)結(jié)果表明：Quad-BRISK算法性能優(yōu)于其他算法，不僅能夠提取更加穩(wěn)定的特征點(diǎn)，同時(shí)提高了特征點(diǎn)匹配精度和計(jì)算速度. Quad-BRISK算法可進(jìn)一步應(yīng)用于更復(fù)雜或者更高一級(jí)的算法中，如圖像拼接算法、三維重建算法及SLAM算法.