基于高斯尺度空间理论的ORB特征点检测

国家知识产权局专利局专利审查协作广东中心 翟紫伶



基于高斯尺度空间理论的ORB特征点检测

国家知识产权局专利局专利审查协作广东中心 翟紫伶

【摘要】针对当前具有尺度不变性的实时特征点检测效率低的问题，研究了一种基于高斯尺度空间理论的ORB特征点检测方法。该方法在保持ORB算子具有旋转不变性和检测速度快的同时，还能检测出多尺度下的特征点。通过实验验证该方法保证速度快的同时又具有尺度不变性，适用于尺度变化较大且要求实时性高的视频拼接。

【关键词】ORB算子；尺度空间；图像拼接；尺度不变性

引言

特征点检测一直是机器视觉和图像处理活跃的研究领域，如图像、视频拼接等都是基于特征点的提取，特征点提取算法的速度快慢、特征点质量好坏与具备的特性直接影响后期的处理效果。

文献［1］［2］描述了SIFT、SURF算子提取特征点具备了上述不变性，但同时也损耗了速度，不适用于要求实时性高的视觉系统。ORB［3］算法比SIFT算法效率高两个数量级，比SURF算法高一个数量级，基本上可以满足实时性。ORB算法成功的解决了速度问题且具有旋转不变性，但没有解决尺度不变性，对于有较大尺度变化的图像拼接产生瑕疵。

在此，研究一种将高斯尺度空间理论与ORB算子相结合的多尺度检测方法。该方法利用不同尺度参数建立的高斯核与图像卷积，得到不同尺度的高斯图像，建立ORB的尺度空间表示，正确检测图像内发生在各个尺度水平上的特征点。

1　多尺度下的ORB角点检测算子

ORB（oriented FAST and rotated BRIEF）是基于FAST特征检测和BRIEF描述子的改进，是oFAST和rBRIEF的组合。

算法的尺度不变性主要靠不同尺度下寻找感兴趣点。尺度空间通常做法是用图像金字塔来实现，就是通过用不同尺度因子的尺度高斯核与图像作卷积，并通过对原始图像做降采样处理，获得更高阶的图像，即从底层向高层构建的金字塔。Lowe在其SIFT算法中是这样构造尺度空间的：对原图像不断地进行高斯平滑+降采样，高斯核大小不变，图像的大小改变，得到金字塔图像。SURF则恰恰相反：图像大小保持不变，改变的是高斯核的大小。

本文研究了一种新型的不同于SIFT和SURF的金字塔构建方法，先改变图像大小构建单图像金字塔，再对每阶的单图像经过不同尺度的高斯核卷积得到一系列的图像构成尺度空间表示，即先搭建后扩展的金字塔构建方法。如图1所示：

图1　构造一个4阶3层新型的金字塔

这种方法使构建简单，即使高斯核模板大小不变，但图像的大小改变、高斯尺度的参数改变，也间接的使金字塔中每一幅图像具有不同尺度，进而提取的特征点也具有不同的位置，不同的尺度。改进的ORB算法实验流程：

Step 3） 建立尺度空间表示：构造一个具有N阶M层的尺度空间表示的图像金字塔。利用金字塔的每阶图像与高斯核卷积得到一系列的图像，i代表阶次，j代表层次。

Step 4） 对金字塔的每幅图像用FAST算法找特征点的位置。并计算每个特征点的方向。

Step 5） 将特征点方向作为BRIEF的方向，进行旋转，利用BRIEF计算特征点的特征描述子。

2　实验结果及分析

实验测试平台为Visual Studio 2008， CPU Intel（R） Core（TM）2 Duo， 内存为2.2GB。

2.1验证基于尺度空间理论的ORB算子的优越性

对两幅原始图像A，B分别构建金字塔，设为4阶3层。利用ORB算法提取特征点为FA和FB，采用K最近邻（K-Nearest Neighbor，KNN）分类算法的欧氏距离匹配，K=2，计算最邻近匹配对距离m0和次邻近匹配对距离m1。为了提高匹配率，设置一个距离比系数match_conf（这里match_conf=0.3），当满足公式（1）时，则最近距离匹配对保留，否则剔除。

图2　尺度变化下的特征点匹配

图2（a）、（b）分别是原ORB算法和基于尺度空间的ORB算法提取的特征点，经过错误匹配对剔除之后得到的最佳匹配对。由实验结果可见，在尺度变化大的情况下，基于尺度空间的ORB比原ORB算法具有更多有效的匹配对，在尺度不变性方面鲁棒性更强，使得后期建立图像之间的对应关系更精确。即使改进的ORB算法与原ORB相比降低了速度，但与速度比SURF更快，并保持尺度不变特性。因此该方法提高了ORB特征点检测性能，适用于要求实时性相对高，尺度变化相对大的视觉系统。

2.2基于尺度空间理论的ORB算子的评价

某一角点检测算法的优劣可通过稳定性准则、可靠性准则和抗噪性能准则来评价。这3个准则依靠改变参数、阈值或增加噪声后检测出的角点与初始检测出的角点的重复率决定。为了能够对特征点在不同尺度下提取的效果进行定量评价，使用以下公式

利用重复率来检验该基于尺度空间理论的ORB角点检测算法的稳定性和可靠性。对图2的初始图像进行不同尺度下的角点检测

图3　不同尺度下的两种ORB算法的重复率比较

由图3可以看出，当尺度变化时，该基于尺度空间理论的ORB角点检测方法比原ORB特征点检测更稳定和可靠，即更具尺度不变性。

3　结论

通过建立高斯尺度空间表示的图像金字塔，利用ORB算子检测每个尺度水平上的角点，从而得到特征点的位置和尺度的特征点检测方法，简称为基于高斯尺度空间理论的ORB算子。实验验证该方法具有尺度不变性、速度较快，且比原ORB特征点检测更稳定和可靠。该方法的创新点：

（1）构建金字塔型的高斯尺度空间表示，得到不同尺度的图像，利用ORB算法检测每一尺度下的图像，使得因尺度变化而被埋没的特征点能够检测出来，从而得到不同位置和尺度的特征点。

（2）一种新型的不同于以往的金字塔构建方法：先对原图像进行相邻阶相同大小比例的缩放，构建单层的金字塔，其次，每阶图像与不同尺度参数的高斯核卷积得到多层图像，即完成N阶M层的金字塔。

参考文献

［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.