丁一

（無錫城市職業(yè)技術學院 江蘇省無錫市 214000）

隨著線上教學資源的日益豐富。各大高校都普遍采用通過線上與線下教學結合授課，并以過程化的分數考核替代傳統(tǒng)的卷面考核。相對于傳統(tǒng)的著重于文字的重復率的查重，關鍵的信息載體圖像以圖像識別匹配技術作為基礎的圖像查重算法的建立就尤為重要。本相對傳統(tǒng)的考核方式，過程化考核能夠充分發(fā)揮學生的主觀能動性，更充分的把學生在課程學習中的知識發(fā)揮到實踐應用當中，并能更好地反映學生實踐實際操作水平。但在學生的分數評價方面更主觀、更需要人工評判。因此，希望更客觀地反映分數的同時，勢必帶來更多的更復雜的工作量。而且，由此帶來的抄襲等問題的分析與判斷也是需要注意的要點之一。在圖像處理技術日益發(fā)展的今天，將這種大量重復性很強的工作交給人來做是不合適的，文將ORB 算法應用于圖片相似度匹配中，并且結合了RANSAC 算法提高了匹配的精確度。圖像匹配算法可以針對學生實驗報告中的特征點加以提取，識別并分析重復率。給人工判斷目標作品是否抄襲提供了參考判斷依據，這種算法在時效性方面大大減少了人工匹配消耗的時間，并能夠依靠計算機圖像匹配技術有效地提高了準確率。這不僅能夠提高教師在教學過程中批改的客觀性和效率，更能夠使得學生更加尊重考核的嚴肅性。同時，該算法屬于圖像處理方面的基礎算法，同時在人工智能學習方面的基礎數據標記處理上也有很重要的意義。

ORB 算法[1]作者Ethan Rublee 在2011年發(fā)表于ICCV，該算法提取并根據該特征點的方向，采用改進之后的BRIEF 算法的Rotated BRIEF 算法對該特征點進行數學分析。該算法可以進行特征提取和特征描述，有效性和效率很高，而且也具有旋轉不變性。該算法所解決的問題是SIFT 算法方面的大量算法復雜度方面的代價以及BRIEF 特征算法本身缺乏旋轉、尺度等幾何方面的不變性，以及受噪點影響非常大。首先該算法使用FAST 對圖圖片的進行特征點提取之后生成ORB 算法的描述子，在進行BRIEF 點特征匹配從而實現快速精確匹配。FAST 的特征檢測算法中沒有特征描述與匹配從而達到快速而有效。而BRIEF 特征不具備旋轉、尺度等幾何方面的不變性，對噪點方面有效性也不高，以上的缺陷在steer BRIEF 和rBRIEF 改進之后的描述特征子方面基于統(tǒng)計規(guī)律利用貪心選擇對算法進行了優(yōu)化。因此，ORB 算法在FAST 算法的基礎上在特征點的檢測和描述方面具有幾何特征比如尺度與旋轉方面的不變性，對于噪點的處理也十分有效。從而使得ORB 算法實現有效匹配的基礎上，在時間方面遠比SIFT 算法和SURF 算法有效，比SIFT 有效100 倍，比SURF 有效10 倍。

1 算法應用案例及優(yōu)勢分析

邢藝馨等在基于ORB 與K-means 聚類的圖像匹配算法[1]一文中在雙目視覺領域圖像匹配的高精準、高時效性匹配技術方面進一步探索。為了提高匹配特征點的檢測準確要求，該文采用K-means即K 均值聚類的圖像匹配算法。在減少時間復雜度方面的基礎上，提高了雙目圖像特征匹配的精確度，從而實現了更優(yōu)秀的性能。李小紅等在基于ORB 特征的快速目標檢測算法[2]描述了一種新的動態(tài)運動場景下目標檢測匹配特征算法，采用八參數旋轉模型并且與最小二乘法相結合，從而實現對全局性的運動參數進行求解以達到動態(tài)補償，該文利用PROSAC 算法去除不必要的特征點，性能上與SURF 的相比不相上下，檢測速度提高很多。從而實現精準實時的檢測目標。白雪冰等結合快速魯棒性特征改進ORB 的特征點匹配算法[3]通過SURF 算法和ORB 算法改進結合。利用Hessian 矩陣檢測特征點從而實現幾何方面的尺度不變性，利用ORB 算法快速生成特征點，該算法提高了ORB 的匹配精度和SURF 算法速度。雖然時間效率方面低于ORB 算法，但保持了SURF 算法在幾何尺度和旋轉方面的不變性，而且提高了匹配精度。

在本文中提出了ORB 和RANSAC 算法的圖像匹配查重算法為基礎，實現了學生論文、作業(yè)和實驗報告等圖片的匹配，通過匹配實現對作品進行查重分析。通過對學生畢業(yè)論文、實驗、實訓報告以及作業(yè)中的圖片數據整理篩選之后作為數據集。通過ORB 算法進行特征點快速提取，以及利用RANSAC 算法的優(yōu)勢去除并篩選出正確的匹配特征點，利用優(yōu)化之后ORB 算法充分考慮參數的設定和現實可能出現的多樣性之后，優(yōu)化并實現匹配查重算法。

ORB 算法在本文的實踐當中可以分解為如下幾個步驟：

1.1 通過FAST算法尋找特征點

ORB 首先需要進行的是特征檢測，這個步驟采用的FAST 快速選擇關鍵點算法，選定特征點閾值參數，對于某一個像素點該點周圍16 個像素來說，該點灰度值在該參數差值范圍內則該點就是需要尋找的關鍵特征點。

1.2 通過BRIEF算法產生圖像特征描述

其次要進行創(chuàng)建二進制特征向量，在對于給定圖像平滑處理之后以關鍵特征點為中心根據高斯分布抽取一個像素。再以這個像素點為中心再根據高斯分布抽取一個像素，比較以上兩個像素點的灰度值，亮度高的賦值1，亮度低的賦值0。重復循環(huán)以上步驟產生一定長度的特征描述符。

1.3 針對幾何不變性的改進

根據上一步驟產生的特征描述符并不具有縮放和旋轉等幾何方面的不變性，構建圖像金字塔以解決縮放不變性，通過為關鍵特征點分配方向以解決旋轉不變性。

1.4 FLANN匹配與RANSAC剔除

圖1：特征點示例

圖2：特征點匹配結果（類似但無抄襲）

圖3：特征點匹配結果（類似且抄襲明顯）

以上步驟中找到的特征點通過FLANN 特征匹配，根據上面的特征描述產生的特征點的特征量進行比較、篩選，最終得到匹配點集合。隨機一致性采樣方法RANSAC 剔除無效數據點剔除錯誤匹配。

2 ORB算法應用及優(yōu)化

在廣泛的學生畢業(yè)論文、作業(yè)、實驗實訓報告中選取有代表性的圖像作為實驗案例，如圖1 所示，根據原始試驗資料取得特征點。根據具體實際情況不同分為若干可能性的實驗組，例如圖2 結果中實驗結果類似但兩幅圖之間并無抄襲現象。但一旦有圖像類似且已出現抄襲等行為，可以根據算法篩選出，例如圖3 所示結果。通過以上結果可以看出，相似圖像之間匹配特征點結果符合預期，且實驗中獲取結果算法效率較高，匹配速度快速有效。

3 結論

本文將ORB以及RANSAC算法融合以實現圖像匹配查重算法，以實現對學生的論文、實驗實訓報告、作業(yè)等出現的圖像進行查重處理。該實驗改進了傳統(tǒng)查重中針對文字查重的不足，通過人工智能這一新技術應用ORB 算法解放了教師在大量圖片審核批改的精力。嘗試ORB 技術在特征點尋找中的應用，采用教學中學生實驗實訓報告作為數據，實驗結果表明，經過優(yōu)化后的圖像匹配查重算法是高速而且有效的。在今后的研究中會進一步探討ORB 算法在其他層面應用中優(yōu)化和改進的可能。