一种改进的ORB算法在图像匹配中的应用

陈 玉

(广东理工学院 信息工程学院，广东 肇庆 526114)

一种改进的ORB算法在图像匹配中的应用

陈 玉

(广东理工学院 信息工程学院，广东 肇庆 526114)

针对ORB算法提取的特征点阈值的选取存在人为干涉且对不同对比度的图像缺乏鲁棒性的问题，提出一种改进的ORB算法。本算法对FAST算法提取特征点进行了改进，首先对图像进行直方图均衡化实现对图像的增强，然后采用自适应阈值的方法，分别设置动态全局和局部阈值提取特征点，通过引用海森矩阵去除不稳定的边缘点。实验结果表明，该改进的算法能够实现特征点的精准定位，具有较强的抗噪能力，在实现图像配准应用中明显优于传统ORB算法。

ORB；FAST特征点；图像匹配

0 引言

图像匹配是当今机器视觉和图像处理中的重要研究方向之一，广泛地被应用于目标跟踪、图像拼接和模式识别等领域。其原理为，根据图像的特征信息，在图像之间找到有效的匹配点对。当前常见的特征点匹配算法有SITF[1]、SURF[2]及ORB(Oriented FAST and Rotated BRIEF)。

ORB算法由ROBLEE E等人于2011年在ICCV(IEEE International Conference on Computer Vision)提出[3]，该算法通过FAST(Features From Accelerated Segment Test)算法提取特征点，通过BRIEF(Binary Robust Independent Elementary Features)算法获得二进制局部特征描述子，并对其进行了适当的改进。ORB作为一种局部不变的特征描述子，在计算速度上，ORB占有绝对的优势，其速度是SIFT的两个数量级，是SURF的一个数量级。人们对ORB的关注主要集中在计算速度上，而往往忽略了其在图像匹配过程中的准确度。因此，本文在深入研究ORB算法的基础上，对ORB算法做了改进，以期在保证ORB计算速度的同时，提高其图像匹配的精确度。

1 ORB特征匹配算法

1.1 FAST提取特征点

ORB算法通过FAST[4-5]算法提取候选特征点，FAST算法的基本原理如下：

在图像中以候选像素点p为中心，以4个像素为半径的圆上的16个点来进行判断,如果在该16个像素点上存在连续的n像素点都比Ip+t还亮，或者都比Ip-t还暗，则判定P为一个特征点。这里IP为点的亮度，t为阈值，对于n,一般取所有像素点个数的3/4，即12，如图1所示。

图1 FAST角点检测模板示意图

为了简化判断，对IP与图1中的十字方向的1，5，9，13像素点的值一一比较。如果这四个点中大于Ip+t或小于Ip-t的点的个数大于等于3，则需要再对其他的12个像素点值作比较，否则判定是非候选点。通过这样的判断获得三个点集，如式(1)所示：

(1)

在ORB中，为了得到更好的效果，采用FAST-9。同时，采用灰度质心法确定FAST的方向信息，弥补FAST方向敏感性的问题。该方法假设角点的灰度和质心存在一个角度的偏移，将该偏移的方向定义为特征点的方向。定义领域矩如公式(2)所示：

(2)

其中，r为圆形邻域半径。

得到质心C：

(3)

特征点的方向定义为：

(4)

1.2 BRIEF特征描述子

ORB中的特征描述子采用BRIEF描述子[6]，而且针对BRIEF的旋转不变性提出了解决方案。BRIEF描述子通过直接对图像求取二进制串特征来减少计算量。BRIEF算法的主要思想是从特征点周围随机选取特征点对，将这些点对的灰度值排序，形成一个二进制串，然后用该二进制串来描述该特征点。在大小为S×S的图像块P上进行式(5)所示计算：

(5)

其中p(x)为x处的灰度值。选择一个有Nd个点对的集合作为一个二进制测试，将BRIEF算子描述成一个Nd维的二进制特征集如式(6)所示：

(6)

由于随机选取点生成的描述子对噪声比较敏感，因此ORB在FAST特征点采用31×31像素领域的5×5子窗口作为积分图像进行图像平滑，这样能够有效地降低随机噪声的干扰。

为解决BRIEF缺乏方向性的问题，给ORB添加一个方向Steered BRIEF。在位置(xi,yi)处，针对n个二进制特征集任意一个，定义一个2×n的矩阵，如式(7)：

(7)

定义一个旋转矩阵R，则R和块方向之间存在这样的关系：

Sθ=RθS

(8)

其中特征点的主方向Rθ为其对应的旋转矩阵，Rθ的表达式为式(9)：

(9)

另外，ORB对Steered BRIEF作了改进，其目的是减少方差的亏损和描述子之间的相关性。ORB采取的一种学习的方法rBRIEF：从所有二进制测试中找到满足以下两个特性的点集：(1)高方差，(2)非相关性的测试集。具体如下：

(1)建立关键点测试集，大小取300 k；

(2)在31×31的窗口中，取5×5的子窗口，可能出现的窗口数为(Wp-Wt)2(Wp=31，Wt=5)；

(3)从N中任中选择2对，删除重复的二进制测试；

(4)对得到所有测试集执行贪婪搜索，找到256个相关性最低的像素块对，即得到最终的rBRIEF。

1.3 ORB特征的匹配

对于ORB描述子的匹配，采用最近邻汉明距离，并对其设定一定的阈值初步滤除错误的匹配。对于ORB的256 bit的特征描述子，假设有两个描述子分别为K1,K2：

K1=X1，X2，X3，…，X255

(10)

K2=Y1，Y2，Y3，…，Y255

(11)

利用式(12)计算出K1与K2的汉明距离，从而得到它们的相似程度。

(12)

DisHam(K1,K2)越小代表相似程度越高，反之，相似程度越低。

2 ORB算法改进

2.1 改进的角点检测算法

为提高图像的清晰度，便于计算机对图像的处理，本文对角点检测算法进行了改进。该算法首先采用直方图均衡化对图像进行增强，再对图像进行高斯平滑操作，增强图像边缘，实现对噪声的最大化抑制。在使用FAST算子检测角点时，阈值的选取是固定的，如阈值取得过低，会产生大量的虚角点，从而降低检测效率；如阈值过高，则会造成一定程度的漏检，合理选取阈值能够适应对不同对比度的图像的特征检测，本文采用自适应的方法选取阈值。

2.2 角点检测改进的步骤

对ORB中角点检测改进的具体步骤如下：

(1)对图像进行预处理。图像增强，用直方图均衡化实现。基于参考文献[7]的方法，将信息熵可调直方图均衡化方法用于图像增强，对正则项系数作最优选取，利用可调直方图均衡化正则项系数自动选取的先验方法进行系数选取，具体为：对于大小为M×N的图像G，其像素灰度值大小为g(x,y)(1≤x≤M,1≤y≤N)，各级灰度出现概率为h(i)(0≤i≤L-1)：

可调直方图所对应的灰度直方图为：

(13)

取正则项系数λ为：

i=0,1,…,L-1

(14)

其中，参数k取10。

采用约束项准则为：

(15)

另外，考虑到应用中普遍存在高斯噪声，采用拉普拉斯-高斯(LOG)算子实现对图像噪声的最大抑制。

(2)采用自适应阈值方法，初步选取候选点。阈值选取的好坏直接影响角点提取的效果，检测到的焦点个数随着阈值大小的变化而变化[8-10]。采用固定阈值计算简单，但缺乏灵活性，难以提取出满意的角点，本文首先采用设置动态全局阈值T1和动态局部阈值T2的方法提取特征点。在获取动态全局阈值T1时，采用KSW熵方法。该方法用灰度直方图近似估计灰度值的概率分布，使得阈值的变化更加合理，更加灵活，适应不同图像特征点提取的需要。

(16)

(17)

图像的熵为两部分熵S1、S2之和。分别求出使得图像的熵最大的灰度级TMAX和最小的灰度级TMIN，最佳全局阈值T1设定为：

(18)

采用KSW熵方法忽略了图像局部的灰度变化而不能兼顾图像各种变化情况的影响，如图像中的阴影、光照不均、突发噪声和背景突变等因素。因此对动态全局阈值T1得到的候选点采用动态局部阈值T2进一步进行筛选。设图像上(xo，yo)点为候选特征点，以(xo，yo)为中心取矩形的边长为L，定义动态局部阈值T2为：

(19)

式中，Iimax和Iimin分别代表方形区域L中最大的n个灰度值和最小的n个灰度值，Iiaver为方形区域中的灰度平均值。k一般取值为2～4。

(3)去除不稳定边缘点

通过上述步骤后，还有一些不稳定的边缘点，这里引入海森矩阵。一个2×2的海森矩阵如式(20)所示：

(20)

通过计算该矩阵的特征值，得到一个比值γ:

3 实验效果分析

本文实验平台采用Windows 7 64位操作系统，Core i7-4770 3.4 GHz CPU，8 GB RAM，Visual Studio 2010,OpenCV 2.4.10。图2(a)和(b)分别为用传统的ORB方法和本文改进的ORB方法提取特征点的效果图。

图2 传统ORB与改进ORB提取特征点效果对比图

从图2(a)、(b)可以看出，采用改进的ORB算法，去除了大量的冗余特征点和孤立的非前景特征点，大大地提高了特征点地提取精度，为图像的准确匹配奠定了基础。

为了验证特征点的有效性，取两幅图，分别为原图和待匹配图，采用传统ORB算法和改进的ORB算法实现图像的匹配，匹配效果如图3所示。

图3 传统和改进ORB算法图像匹配效果对比图

[1] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SUR[C]. IEEE International Conference on Computer Vision, 2011, 58(11):2564-2571.

[2] ROSTEN E , DRUMMOND T. Machine learing for high speed corer detection[C]. Eurpean Conference on Computer Vision,2006, 3951:430-443.

[3] ROSTEN E, PORTER R, DRUMMOND T. Faster and better: a machine learing approach to corer detection[J]. Analysis and Machine Intelligence, 2008, 32(1):105-119.

[4] 燕鹏,安如. 基于FAST改进的快速角点探测算法[J].红外激光与工程,2009，38(6):1104-1108.

[5] 梁艳菊,李庆,陈大鹏,等. 一种快速鲁棒的LOG-FAST角点算法[J].计算机科学,2012,39(6):251-254.

[6] MICHAEL C, VINCENT L, CHRISTOPH S, et al. BRIEF_ binary robust independent elementary features[C]. European Conference on Computer Vision, 2011, 6134:778-792.

[7] 吴成茂. 可调直方图均衡化的正则解释及其改进[J].电子学报,2011,39(6):1278-1824.

[8] 刘波,仲思东.一种基于自适应阈值的SUSAN角点提取算法[J].红外技术,2006,28(6):331-333.

[9] 包正睿,杨任尔.基于阈值的数字图像去噪的算法研究[J].微型机与应用, 2015, 34(1):47-49.

[10] 刘洲峰,王九各,赵全军,等.基于改进自适应阈值的织物疵点检测算法研究[J].微型机与应用, 2013, 32(10):38-40.

Application of an improved ORB algorithm in image matching

Chen Yu

(School of Information Engineering, Guangdong Polytechnic College, Zhaoqing 526114, China)

The threshold of feature point in ORB algorithm exists problems of human intervention and lack of robustness in different contrast images. Focusing on the problems, this article presents an improved algorithm of ORB. This algorithm improves FAST algorithm. Firstly, histogram equalization is used to realize the image enhancement. Then a method of adaptive threshold is introduced to set up a dynamic global threshold and a local threshold to extract the feature points respectively. At last, unstable feature points of edge are removed by haze-matrix. Experiment shows that the improved algorithm can realize the accurate positioning of feature points, and performances stronger anti-noise ability, it is superior to the traditional algorithms of the ORB in the realization of image matching.

ORB; FAST feature points; image matching

TP391.413

A

10.19358/j.issn.1674- 7720.2017.16.011

陈玉.一种改进的ORB算法在图像匹配中的应用[J].微型机与应用，2017,36(16)：37-40.

2017-03-16)

陈玉(1987-)，通信作者，女，硕士，助教，主要研究方向：图像处理、模式识别、物联网。E-mail：137561245@qq.com。