馬正見，文志誠(chéng)，尹歡一

（湖南工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖南 株洲 412007）

0 引 言

圖像匹配是計(jì)算機(jī)視覺的一個(gè)重要研究方向，在人臉識(shí)別[1]、遙感圖像[2]以及圖像分類[3]等方面具有重要作用?，F(xiàn)有的圖像匹配技術(shù)按匹配對(duì)象可以分為基于像素、基于特征和基于頻域三類[4]。這三類方法中，基于像素的配準(zhǔn)方法存在處理效率低、對(duì)重疊區(qū)域要求高的不足，基于頻域的配準(zhǔn)方法在面對(duì)圖像噪聲時(shí)匹配質(zhì)量又較差。因此目前主要的研究方向還是基于特征的匹配方式。

在國(guó)內(nèi)外學(xué)者的不斷研究下，目前已經(jīng)提出許多基于特征的圖像匹配算法。其中由Lowe 提出的SIFT 算法通過(guò)構(gòu)建空間金字塔的方式檢測(cè)穩(wěn)定的特征像素點(diǎn)，以特征像素點(diǎn)鄰域的梯度直方圖為基準(zhǔn)對(duì)特征像素點(diǎn)進(jìn)行描述，所形成的特征像素點(diǎn)描述子對(duì)圖像的尺度以及旋轉(zhuǎn)變化適應(yīng)性很強(qiáng)，但計(jì)算量過(guò)大也使該算法在效率上略顯不足。為了獲得效率上的提升，Bay 等人提出一種利用圖像積分檢測(cè)特征像素點(diǎn)的SURF 算法。該算法相對(duì)SIFT 算法在效率上有所提升，在遙感圖像[5-6]上也獲得了應(yīng)用。

隨著對(duì)算法實(shí)時(shí)性要求的提高，研究者對(duì)之前的算法進(jìn)行了優(yōu)化[7-9]。同時(shí)，Rublee 等人提出更具效率的ORB 算法，算法在實(shí)時(shí)性上得到進(jìn)一步提升，但也出現(xiàn)了特征像素點(diǎn)誤匹配率高的問題。為剔除誤匹配，許多優(yōu)秀的篩選算法[10-12]被提了出來(lái)，其還是基于RANSAC算法的思想，通過(guò)不斷迭代求解像素點(diǎn)對(duì)間最優(yōu)的線性變換矩陣，再用該矩陣重新對(duì)所有像素點(diǎn)對(duì)進(jìn)行篩選。RANSAC 算法在處理平移以及模糊這一類特征像素點(diǎn)滿足線性關(guān)系的圖像時(shí)，篩選效果比較好，但對(duì)像素點(diǎn)間位置發(fā)生偏移的視角變化類圖像魯棒性不強(qiáng)，此外，迭代次數(shù)過(guò)多也使得篩選過(guò)程效率略低。

針對(duì)以上兩方面的不足，本文通過(guò)對(duì)非極大值抑制算法進(jìn)行優(yōu)化來(lái)降低初始誤匹配率，并在此基礎(chǔ)上提出一種基于局部相似性的篩選算法。通過(guò)待篩選像素點(diǎn)局部區(qū)域內(nèi)其他像素點(diǎn)的相似性分布實(shí)現(xiàn)對(duì)誤匹配的篩選，降低了算法對(duì)像素點(diǎn)的線性要求，對(duì)視角變化的圖像具有更高的魯棒性。同時(shí)由于不需要過(guò)多的迭代，篩選過(guò)程中的效率也得到了提升。

1 ORB 算法

1.1 特征檢測(cè)

ORB 算法通過(guò)比較像素點(diǎn)與其鄰域內(nèi)其他像素點(diǎn)的灰度值來(lái)檢測(cè)特征像素點(diǎn)。對(duì)任意位置的一個(gè)像素點(diǎn)P，選擇以該像素點(diǎn)為圓心，半徑為3 的圓上的像素點(diǎn)作為比較像素點(diǎn)。當(dāng)存在連續(xù)的n個(gè)像素點(diǎn)的灰度值都大于或小于P點(diǎn)的灰度值時(shí)，就認(rèn)為像素點(diǎn)P為特征像素點(diǎn)。當(dāng)n取值為12 時(shí)，可以先與4 個(gè)頂點(diǎn)的像素灰度值相比較。當(dāng)滿足條件的頂點(diǎn)少于3 個(gè)時(shí)，直接判定中心像素點(diǎn)P不是特征像素點(diǎn)。

此時(shí)檢測(cè)到的特征像素點(diǎn)還不具備方向?qū)傩?，因此還需要為特征像素點(diǎn)計(jì)算方向。這里使用像素的灰度質(zhì)心描述當(dāng)前特征像素點(diǎn)的方向，特征像素點(diǎn)的p+q階幾何矩定義為：

其中f(i,j)為圖像在坐標(biāo)點(diǎn)(i,j)處的灰度值。幾何矩的質(zhì)心為：

向量PC的方向即為特征像素點(diǎn)的方向，其值為：

1.2 特征描述子

對(duì)特征像素點(diǎn)進(jìn)行描述時(shí)選擇一種改進(jìn)的RBRIEF 算法，改進(jìn)后算法生成的特征描述子具備旋轉(zhuǎn)不變性。算法以待描述特征像素點(diǎn)為中心，在S×S的鄰域窗口內(nèi)按高斯分布選擇256 對(duì)像素點(diǎn)對(duì)，每對(duì)選擇的特征像素點(diǎn)對(duì)按式（4）進(jìn)行描述。將所有描述按順序組合成最終256 維的特征描述子。

生成描述子時(shí)選擇的坐標(biāo)系是以被描述的特征像素點(diǎn)為原點(diǎn)，向量PC的方向作為參考坐標(biāo)系中x軸的正向。為了保證特征像素點(diǎn)描述子的旋轉(zhuǎn)不變性，需要將特征像素點(diǎn)在生成描述子坐標(biāo)系中的坐標(biāo)轉(zhuǎn)化至原圖像的坐標(biāo)系中。兩個(gè)坐標(biāo)系中的坐標(biāo)轉(zhuǎn)換公式如式（5）所示：

將式（5）化簡(jiǎn)有：

進(jìn)行坐標(biāo)轉(zhuǎn)換后的特征描述子就具備了旋轉(zhuǎn)不變性。

1.3 特征像素點(diǎn)的匹配

目前特征像素點(diǎn)的匹配主要采用暴力匹配方式，依據(jù)特征像素點(diǎn)描述子之間的Hamming 距離進(jìn)行匹配。對(duì)待匹配圖像中的任意特征像素點(diǎn)，匹配圖像中與它距離最小的特征像素點(diǎn)即為它的匹配點(diǎn)。2 個(gè)匹配的特征像素點(diǎn)一起就組成了一對(duì)特征像素點(diǎn)對(duì)。

1.4 特征像素點(diǎn)對(duì)的篩選

特征像素點(diǎn)進(jìn)行匹配后存在許多錯(cuò)誤匹配，這里需要對(duì)匹配的特征像素點(diǎn)對(duì)進(jìn)行篩選，剔除那些錯(cuò)誤匹配的特征像素點(diǎn)對(duì)。傳統(tǒng)方法采用RANSAC 算法進(jìn)行篩選，RANSAC 篩選算法步驟為：

1）隨機(jī)選取多對(duì)特征像素點(diǎn)對(duì)，這里一般選擇4 對(duì)；

2）用選出的特征像素點(diǎn)對(duì)計(jì)算H矩陣；

3）用H矩陣對(duì)其他的特征像素點(diǎn)對(duì)進(jìn)行校驗(yàn)，計(jì)算其誤差，并將誤差范圍內(nèi)的點(diǎn)記為內(nèi)點(diǎn)；

4）統(tǒng)計(jì)本次計(jì)算中內(nèi)點(diǎn)的數(shù)目；

5）重復(fù)以上過(guò)程，選取內(nèi)點(diǎn)數(shù)目最多的一次的H矩陣，剔除不滿足該H矩陣的特征像素點(diǎn)對(duì)。

2 改進(jìn)算法

2.1 優(yōu)化非極大值抑制算法

引起特征像素點(diǎn)對(duì)誤匹配的原因主要有兩種：一種是圖像噪聲之類的外部條件影響，導(dǎo)致特征像素點(diǎn)生成描述子時(shí)鄰域內(nèi)有部分像素點(diǎn)對(duì)取值錯(cuò)誤，使暴力匹配時(shí)的距離計(jì)算產(chǎn)生誤差引起誤匹配，這種誤匹配難以避免；另一種是對(duì)特征像素點(diǎn)進(jìn)行非極大值抑制時(shí)抑制過(guò)度引起，這種情況可以通過(guò)優(yōu)化非極大值抑制算法來(lái)降低誤匹配率。

進(jìn)行非極大值抑制算法（NMS）的目的是減少特征像素點(diǎn)的數(shù)目和讓特征像素點(diǎn)分布得更均勻。通過(guò)比較特征像素點(diǎn)與范圍內(nèi)其他特征像素點(diǎn)的響應(yīng)強(qiáng)度值進(jìn)行抑制。保留的特征像素點(diǎn)Pi需要滿足：

式中：f是特征像素點(diǎn)的響應(yīng)強(qiáng)度函數(shù)；U是滿足條件的特征像素點(diǎn)集合，它是由以Pi為圓心，r為半徑的圓內(nèi)所有的特征像素點(diǎn)組成代表Pi與P的歐氏距離。

過(guò)度抑制指的是準(zhǔn)確匹配的特征像素點(diǎn)對(duì)中的某一個(gè)被錯(cuò)誤地抑制。由于檢測(cè)到的特征像素點(diǎn)大多集中在紋理變化大的地方，因此抑制半徑大時(shí)就容易發(fā)生。過(guò)度抑制使留下的那個(gè)特征像素點(diǎn)進(jìn)行暴力匹配時(shí)誤匹配至其他特征像素點(diǎn)，從而引起連鎖反應(yīng)，增加了初始的誤匹配率。

為了盡可能地降低誤匹配率，本文對(duì)傳統(tǒng)非極大值抑制方法進(jìn)行優(yōu)化，優(yōu)化為一種自適應(yīng)的非極大值抑制方法（SA-NMS）。以生成描述子時(shí)的鄰域半徑作為抑制半徑，通過(guò)計(jì)算范圍內(nèi)特征像素點(diǎn)的數(shù)目自動(dòng)調(diào)節(jié)抑制的數(shù)目，減少過(guò)度抑制的出現(xiàn)。此時(shí)對(duì)于能夠保留下來(lái)的特征像素點(diǎn)需要滿足：

式中NUM(Pi)是抑制區(qū)域內(nèi)特征像素點(diǎn)響應(yīng)強(qiáng)度值大于中心特征像素點(diǎn)的數(shù)目；Pj_NUM 表示抑制區(qū)域內(nèi)除中心外其他特征像素點(diǎn)Pj的總數(shù)；V是抑制范圍內(nèi)Pj的集合。

在尋找特征像素點(diǎn)抑制區(qū)域即ROI 區(qū)域（感興趣區(qū)域）內(nèi)其他特征像素點(diǎn)時(shí)，需要計(jì)算它與其他特征像素點(diǎn)之間的歐氏距離。但在ROI 區(qū)域內(nèi)的數(shù)目?jī)H占總數(shù)很小的比例，這使得每一次確定ROI 區(qū)域時(shí)有過(guò)多無(wú)效的距離計(jì)算。為了提升抑制算法的效率，這里對(duì)查找方法進(jìn)行優(yōu)化。

優(yōu)化后ROI 區(qū)域查找過(guò)程如圖1 所示。將檢測(cè)到的特征像素點(diǎn)集合映射至x軸，按由小到大的順序進(jìn)行排序。對(duì)計(jì)算的特征像素點(diǎn)按圖1b）所示在x軸上尋找ROI 區(qū)域，由于已經(jīng)進(jìn)行排序，因此可以直接判定邊界外的其他像素點(diǎn)不在抑制范圍內(nèi)，減少了無(wú)效距離計(jì)算。在對(duì)下一個(gè)特征像素點(diǎn)抑制時(shí)，僅需在x軸上進(jìn)行圖1c）這樣的邊界移動(dòng)，排序后特征像素點(diǎn)在x軸上靠得很近，因此每次邊界移動(dòng)僅有少數(shù)特征像素點(diǎn)變化。確定x軸的界限后計(jì)算一次特征像素點(diǎn)在x軸的上下限即可確定如圖1d）所示的最終抑制區(qū)域，最后將抑制范圍內(nèi)的特征像素點(diǎn)按式（8）進(jìn)行抑制即可。

由于每次對(duì)新的特征像素點(diǎn)進(jìn)行抑制時(shí)僅需要移動(dòng)x軸邊界以及一次y軸的上下限計(jì)算，因此相較于傳統(tǒng)抑制方法減少了大量的無(wú)意義距離計(jì)算。同時(shí)自動(dòng)調(diào)節(jié)抑制數(shù)目的方式也減少了因過(guò)度抑制引起的高誤匹配率問題。優(yōu)化后算法的偽代碼如算法1 所示。

算法1 自適應(yīng)非極大值抑制算法

圖1 抑制區(qū)域查找

2.2 基于局部相似性的匹配篩選算法

實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于準(zhǔn)確匹配的特征像素點(diǎn)，它們?cè)趫D像中的位置都相對(duì)固定，在局部范圍內(nèi)與其他準(zhǔn)確匹配的特征像素點(diǎn)之間距離遠(yuǎn)近關(guān)系也保持高度相似。而那些誤匹配的特征像素點(diǎn)卻與它對(duì)應(yīng)的位置相隔較遠(yuǎn)，因此誤匹配的兩個(gè)特征像素點(diǎn)局部范圍內(nèi)的其他特征像素點(diǎn)幾乎完全不同。

基于以上特性，本文提出以特征像素點(diǎn)局部范圍內(nèi)其他特征像素點(diǎn)分布的相似程度作為篩選標(biāo)準(zhǔn)的LSD篩選算法。算法分為兩個(gè)階段：第一階段從粗匹配中提取準(zhǔn)確率高的點(diǎn)對(duì)作為參照對(duì)象，并通過(guò)局部相似性驗(yàn)證從而確保準(zhǔn)確性；第二階段利用反向局部相似性篩選剩余匹配點(diǎn)對(duì)。

首先定義特征像素點(diǎn)P的K近鄰特征像素點(diǎn)Pk為：

式中d(P,k)為特征像素點(diǎn)P和Pk的歐氏距離。定義特征像素點(diǎn)P的局部區(qū)域NNk(P)為：

將特征像素點(diǎn)P到局部區(qū)域內(nèi)其他特征像素點(diǎn)的距離按由小到大的順序組成距離向量DP：

通過(guò)距離向量就可以計(jì)算特征像素點(diǎn)對(duì)的局部相似度。對(duì)某特征像素點(diǎn)對(duì)進(jìn)行計(jì)算時(shí)，對(duì)于兩個(gè)距離向量?jī)?nèi)匹配的距離項(xiàng)，計(jì)算這兩個(gè)距離項(xiàng)在距離向量里的索引差值。在這里匹配的距離項(xiàng)指的是這兩個(gè)距離項(xiàng)對(duì)應(yīng)的另一對(duì)匹配的特征像素點(diǎn)的距離。對(duì)不存在匹配距離項(xiàng)的，則默認(rèn)索引差值為距離向量的總項(xiàng)數(shù)。將單個(gè)距離向量計(jì)算出的所有索引差值相加即為特征像素點(diǎn)對(duì)的局部相似性度S，越小說(shuō)明這兩個(gè)特征像素點(diǎn)局部范圍內(nèi)特征像素點(diǎn)的分布越相似，該像素點(diǎn)對(duì)準(zhǔn)確匹配的幾率越高。

算法的第一階段需要從粗匹配中提取匹配準(zhǔn)確率高的特征像素點(diǎn)對(duì)。實(shí)驗(yàn)發(fā)現(xiàn)，粗匹配中Hamming 距離越小的特征像素點(diǎn)對(duì)的匹配準(zhǔn)確率越高。因此第一個(gè)階段將粗匹配按距離由小到大的順序進(jìn)行排序，挑出排列靠前的n對(duì)特征像素點(diǎn)對(duì)。這里n的取值依據(jù)粗匹配的數(shù)目確定。

為了確保挑出特征像素點(diǎn)對(duì)的準(zhǔn)確率，需要對(duì)它們進(jìn)行校驗(yàn)。如圖2 所示，以正確匹配的T1，T2和誤匹配的F1為例，當(dāng)局部范圍的k取值為3 時(shí)，T1的局部相似度計(jì)算的值為5（1+1+3），T2計(jì)算的值為0（0+0+0），而F1的值為9（3+3+3）。誤匹配的特征像素點(diǎn)對(duì)計(jì)算出的局部相似度值明顯要高于準(zhǔn)確匹配，此時(shí)設(shè)定一個(gè)閾值就可以輕松地區(qū)分誤匹配。用以上方法對(duì)所有挑出的特征像素點(diǎn)對(duì)進(jìn)行校驗(yàn)，剔除超過(guò)閾值的誤匹配像素點(diǎn)對(duì)。雖然這一階段挑出的像素點(diǎn)對(duì)本身就有很高的準(zhǔn)確率，但進(jìn)行一次校驗(yàn)仍是非常有必要的。

圖2 特征像素點(diǎn)對(duì)校驗(yàn)

在完成第一階段特征像素點(diǎn)對(duì)的挑選后，接下來(lái)就要對(duì)剩余部分進(jìn)行第二階段的篩選。由于第一階段經(jīng)過(guò)校驗(yàn)的特征像素點(diǎn)對(duì)的準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于第二階段，因此這一階段選擇反向局部相似性的篩選方法。同時(shí)考慮到距離對(duì)篩選結(jié)果的影響，在計(jì)算反向局部相似度時(shí)設(shè)定如下影響權(quán)重：

正在篩選特征像素點(diǎn)對(duì)局部區(qū)域內(nèi)的特征像素點(diǎn)Pj的反向相似度因子為代表Pj認(rèn)為正在篩選的特征像素點(diǎn)P準(zhǔn)確匹配的程度，它的值為Pj距離向量里特征像素點(diǎn)P與Pj距離的索引差值。此時(shí)反向局部相似度RSP的計(jì)算公式如下：

按距離由小到大的順序每次選擇一對(duì)剩余的特征像素點(diǎn)對(duì)進(jìn)行篩選。每次篩選進(jìn)行以下操作：

按距離由小到大的順序每次選擇一對(duì)剩余的特征像素對(duì)進(jìn)行篩選。每次篩選進(jìn)行以下操作：

1）計(jì)算兩個(gè)特征像素點(diǎn)的局部區(qū)域；

2）計(jì)算局部區(qū)域內(nèi)其他特征像素點(diǎn)的距離向量；

3）依據(jù)距離向量計(jì)算每個(gè)特征像素點(diǎn)的反向相似度因子；

4）將計(jì)算得到的所有相似度因子相加得到反局部相似度；

5）反局部相似度低于閾值則保留，否則剔除。

基于局部相似性篩選算法偽代碼如算法2 所示。

算法2 基于局部相似性篩選算法

3 實(shí)驗(yàn)分析與比較

本文采用K.Mikolajczyk 和C.Schmid 所創(chuàng)建的標(biāo)準(zhǔn)開源數(shù)據(jù)集中的圖像進(jìn)行測(cè)試。測(cè)試數(shù)據(jù)集包含圖像模糊、旋轉(zhuǎn)以及光照變化等8個(gè)系列，每個(gè)系列各含有6張圖像，對(duì)應(yīng)同一場(chǎng)景受影響程度不同的圖像。在測(cè)試圖像集上進(jìn)行仿真實(shí)驗(yàn)，并將本文算法與傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析。

3.1 實(shí)驗(yàn)環(huán)境

筆記本電腦處理器為Intel?CoreTMI5-4200U，主頻1.60 GHz，內(nèi) 存 4 GB，64 位 Win7 操 作 系 統(tǒng) ，Visual Studio 2015 和 OpenCV 3.1.0。

3.2 自適應(yīng)非極大值抑制實(shí)驗(yàn)分析

為驗(yàn)證優(yōu)化后的自適應(yīng)非極大值抑制算法與傳統(tǒng)非極大值抑制算法在抑制效果和效率上的差異，在相同的實(shí)驗(yàn)環(huán)境下，分別使用兩種算法對(duì)測(cè)試圖像集進(jìn)行實(shí)驗(yàn)。

表1 是兩種非極大值抑制算法的運(yùn)行結(jié)果。通過(guò)表1 比較可以看出，優(yōu)化后的自適應(yīng)非極大值算法相較于傳統(tǒng)算法能保留更多的特征像素點(diǎn)，有利于特征像素點(diǎn)的匹配。從效率上來(lái)看，傳統(tǒng)方法每處理500 個(gè)特征像素點(diǎn)平均用時(shí)35 ms，而優(yōu)化后算法僅需18 ms，總體上提升了50%左右。這也證明左右界限標(biāo)記的方式能夠有效地減少距離計(jì)算，在效率上優(yōu)化后的算法更佳。

表1 非極大值抑制結(jié)果

圖3 展現(xiàn)的是測(cè)試圖像經(jīng)過(guò)傳統(tǒng)非極大值抑制算法與本文抑制算法后的特征像素點(diǎn)匹配時(shí)的誤匹配率?？梢钥吹接脙?yōu)化后的非極大值抑制算法所產(chǎn)生的誤匹配率均略低于傳統(tǒng)方法。尤其是在bikes、leuven 這一類紋理變化比較大的圖像上效果更為明顯。

圖3 非極大值抑制后的誤匹配率

3.3 基于局部相似性篩選實(shí)驗(yàn)

為對(duì)比本文提出的LSD 篩選算法與RANSAC 算法對(duì)誤匹配特征像素點(diǎn)對(duì)的篩選性能，用圖像測(cè)試集中光照變化、模糊變化、視角傾斜以及旋轉(zhuǎn)變化系列進(jìn)行4組特征像素點(diǎn)對(duì)篩選實(shí)驗(yàn)，以剔除的特征像素點(diǎn)對(duì)的數(shù)目衡量算法篩選能力，同時(shí)記錄篩選算法的運(yùn)行時(shí)間。

特征像素點(diǎn)對(duì)數(shù)目在篩選過(guò)程中的變化如表2 所示。其中由于wall、boat 圖像有方向上的旋轉(zhuǎn)，因此許多特征像素點(diǎn)對(duì)不能很好地滿足RANSAC 計(jì)算的H矩陣，所以在這兩組實(shí)驗(yàn)中RANSAC 算法剔除的特征像素點(diǎn)對(duì)數(shù)目較多。而本文提出的LSD 算法減弱了特征點(diǎn)坐標(biāo)的線性要求，因此方向旋轉(zhuǎn)對(duì)剔除的數(shù)目影響不大，并且由于本文提出的LSD 算法避免了過(guò)多的迭代，故在效率上也更高。

表2 匹配篩選實(shí)驗(yàn)結(jié)果

3.4 對(duì)視角變化圖像魯棒性實(shí)驗(yàn)

由于本文提出的篩選算法主要考慮匹配點(diǎn)對(duì)的局部相似性，因此可以用于視角變化這類圖像的篩選。以基準(zhǔn)開源數(shù)據(jù)集中6 個(gè)不同視角拍攝的涂鴉（graf）圖像作為測(cè)試圖像，將測(cè)試圖像集中每2 張圖像分為一組，用LSD 算法進(jìn)行實(shí)驗(yàn)，得到的結(jié)果如表3 所示。

表3 視角變化圖像匹配篩選結(jié)果

由表3 分析可以得到以下兩個(gè)結(jié)論：一是視角變化下圖像的粗匹配產(chǎn)生的誤匹配比其他類型多，這點(diǎn)可以從被篩選的數(shù)目看出來(lái)；二是用本文提出的篩選算法對(duì)小視角變化圖像仍具備良好的篩選效果，篩選的效率以及篩選后的準(zhǔn)確率都能達(dá)到其他類型圖像的標(biāo)準(zhǔn)，對(duì)視角變化的圖像具有魯棒性。

部分視角變化圖像篩選后的結(jié)果如圖4 所示。

可以看到：圖4 兩幅圖像中匹配的特征像素點(diǎn)并不滿足線性關(guān)系，此時(shí)用RANSAC 算法并不能計(jì)算出特征像素點(diǎn)間的線性變化H矩陣；而使用本文提出的篩選方法對(duì)視角有變化的圖像篩選后仍能保留大量準(zhǔn)確匹配的特征點(diǎn)對(duì)，這也驗(yàn)證了本文提出的LSD 篩選算法對(duì)視角變化的圖像的魯棒性。

圖4 視角變化圖像匹配篩選

當(dāng)視角變化的程度不斷增大時(shí)，特征像素點(diǎn)的檢測(cè)也變得越來(lái)越難，同時(shí)描述特征像素點(diǎn)時(shí)它鄰域內(nèi)的像素也發(fā)生了變化，使得特征像素點(diǎn)間變得難以匹配。對(duì)graf 圖像系列不同程度視角變化圖像進(jìn)行實(shí)驗(yàn)的結(jié)果如圖5 所示。

圖5 視角變化程度對(duì)算法的影響

可以看到，隨著視角變化的程度增大，圖像間匹配到的特征像素點(diǎn)對(duì)越來(lái)越少。在變化較小時(shí)還能保留較多的特征像素點(diǎn)對(duì)。一旦變化程度加大，特征像素點(diǎn)的描述子描述的信息區(qū)域發(fā)生改變，導(dǎo)致粗匹配能匹配到的特征點(diǎn)對(duì)迅速減少，雖然用本文提出的篩選算法還能保留少量匹配的點(diǎn)對(duì)，但篩選的效果也并不夠好。經(jīng)過(guò)兩次的視角變化后，再進(jìn)行篩選效果也不明顯。

4 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)ORB 算法誤匹配率高、迭代速度慢的缺點(diǎn)，本文提出了一種基于局部相似性的特征篩選算法。為降低特征點(diǎn)粗匹配的誤匹配率，本文還對(duì)傳統(tǒng)的非極大值抑制方法進(jìn)行了優(yōu)化。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的自適應(yīng)非極大值算法有更高的效率和更低的誤匹配率。此外，本文提出的特征篩選算法在保持高準(zhǔn)確率的同時(shí)還減少了迭代計(jì)算，對(duì)視角變化的圖像也展示出了更強(qiáng)的魯棒性。