面向视觉导航的图像特征评价方法研究

慈文彦 袁丽丽 王珏 朱明祥

【摘 要】合理的评价各种特征算法的性能有助于指导人们在构建视觉导航系统时做出正确的选择。本文首先介绍了特征评价方法的产生背景，描述了传统特征评价方法的发展历程，继而阐述了特征评价方法的新趋势，最后展望了特征評价方法未来的发展方向。

【关键词】特征检测；特征描述；评价方法

中图分类号： TG485 文献标识码： A 文章编号： 2095-2457（2018）32-0090-002

DOI：10.19694/j.cnki.issn2095-2457.2018.32.041

【Abstract】Rational evaluation of the performance of various feature algorithms is helpful to guide people to make correct choices in the construction of visual navigation system. Firstly， this paper introduces the background of feature evaluation method， describes the development process of traditional feature evaluation method， then expounds the new trend of feature evaluation method， and finally looks forward to the future development direction of feature evaluation method.

【Key words】Feature detection； Feature description； Evaluation method

0 引言

图像特征的检测和描述是视觉导航系统的一个基本模块。对于特征的评价也是这项研究的重要组成部分。一个理想的特征检测与匹配系统要求能够在典型的图像中检测到大量的有意义的特征，并且从不同的角度观察同一场景时能够稳定的匹配这些特征。所要考虑的问题包括：对光照、旋转、尺度、视角的鲁棒性，特征的数量，误匹配的频率以及计算量等。系统的特征评价理论的产生开始于1998年。本文将特征评价理论的发展分为两个时期：第一个时期是1998年到2004年，这段时期Mikolajczyk和Schmid等学者构建了评价体系的理论框架；第二个时期是2004年至今，特征评价方法呈现出多种趋势，向着更实用的方向发展。

1 传统特征评价方法

1998年，Cordelia Schmid等学者首次对当时流行的一些特征检测算法进行了评价。图像数据库由一些从不同视角拍摄的绘画图像组成。由于所有的场景都是平面的，因此相同场景的图像之间符合单应性变换。他们设计了单应性变换的真实值的获取方法：将一幅带有网格状黑点的图像投影到图画上，计算二者之间的变换关系。他们从图像旋转、尺度变化、光照变化、视角变化和摄像机噪声等方面将Harris角点和文献[1]进行了比较，所使用的评价准则是可重复性。实验结果表明Harris算子的性能是最好的。

2002年Hall等学者提出了尺度变换下显著性的概念，评估了Harris、Harris-Laplace以及Lindeberg角点检测算子。评价结果显示Harris-Laplace算子检测到的特征点较少，但是显著性最高。

2004年，Mikolajczyk等学者对MSER、Harris-Affine、Hessian-Affine等仿射不变特征检测算法进行了深入的研究和评价。数据库中的图像大部分由自然场景组成。然而这些场景有的是平面的，有的是从很远的距离观察到的，其效果也与平面场景类似。因此，他们仍然用单应性为真实变换建立模型。真实值通过人工选择特征点对计算得到。他们认为相对于其它算法，MSER算法最稳定，检测效果最好，但是检测到的特征区域也往往最少，Hessian-Affine仅次于MSER。

2 特征评价方法新趋势

从2004年开始，特征评价方法有了新的发展，主要体现在如下三个方面。

2.1 图像数据库

2004年，Fraundorfer和Bischof[2]在真实场景图像上比较了MSER、Harris、Hessian、DoG、Hessian-Affine和Harris-Affine等特征检测算子。使用从同一场景得到的三幅不同视角的图像计算真实值。首先在两幅图像之间建立特征点对应，然后将这两幅图像上的特征点坐标通过三焦点张量法转换为第三幅图像的坐标。

2006年，Moreels等学者[3]针对3D目标识别领域，比较了多种特征检测算子和描述符。与之前的Mikolajczyk和Schmid等学者的工作不同，他们的数据库由大量的真实场景的3D目标图像组成，在计算真实值方面，也取得了新的进展。他们运用极线约束能够获得高稳定性的真实特征点对应，推进了特征点评估从2D场景向3D场景发展。另外与同样使用了真实场景数据库的文献[2]相比，所得的结果也有很大差异。产生这种差异主要有两点原因。第一，文献[2]图像中包含了大量的表面类似平面的物体，例如，盒子、桌子等；第二，文献[3]使用了纯几何的方式建立真实特征点对应，而文献[2]使用的是匹配的方式。

与文献[2]一样采用纯几何的方式计算真实值的还有Dahl等人的DTU机器人数据库，该数据库包括60个场景，每一个场景都对应119张从不同位置拍摄的图像。值得注意的是，以上图像数据库都是由单个的图像组成的，而不是视频序列。

2.2 特征检测算子和描述符统一评估

在传统的特征评价方法中，有的文献关注特征检测算法，有的文献关注特征描述算法。但是在新的阶段中，特征检测算子和描述符的统一评估受到了一些学者的重视，他们开始关注特征检测算子和描述符结合之后，特征对的整体性能。如Krystian Mikolajczyk等人评估了Harris-Laplace、DoG、Hessian-Laplace、MSER等特征检测算子与SIFT、PCA-SIFT、GLOH等特征描述符之间组合的特性，结果认为Hessian-Laplace与GLOH的组合在目标识别系统中表现了最好的性能。

2.3 面向具体的应用

不同的应用对于特征点性能的要求也不同。如Moreels等学者针对3D目标识别领域，采用实验验证的方式比较了多种特征检测算子和描述符。他们认为误匹配的频率对于目标识别系统非常关键，因為目标识别需要考虑大量的潜在的匹配图像。2009年，Natasha Govender等针对“从运动到结构问题”，采用实践验证的方式比较了Harris、SIFT、SURF以及GFTT等特征算法，结果显示SIFT描述符的重投影误差最小。另外，Bruno Ferrarini等学者还专门研究了各种特征算法在不同场景中的表现。他们为场景贴上了如下标签：室内或室外，简单或复杂，人造或自然，详细分析了特征算法和场景的关系。

3 结束语

综合分析以上这些方法，可以发现这些特征算法还存在以下不足：（1）没有把实验验证和实践验证结合起来。所有不针对某个应用领域的特征评价方法使用的都是实验验证方法。在面向应用的方法中，有的使用的是实验验证方法。有的使用的是实践验证方法。（2）缺少对特征评价结果的系统分析。绝大多数文献都是通过对性能指标的观察得出若干个结论，例如哪个特征表现最好，哪个特征最差等，少有深入的分析。

特征的检测与关联是视觉导航系统的第一个重要模块。因此如何选择一对好的特征检测算子与描述符是视觉导航系统必须面对的问题。迄今为止，文献中出现的特征检测算子与描述符多种多样，所采用的方法也有很大区别。尽管学者们努力弥补已有的算法中的一些不足，但是每一个特征检测算子或者描述符都有各自的优缺点，并没有一种完美的方案能够适应所有的应用。在这种情况下，评价特征检测算子与描述符的特性具有重要的意义。此外，由于新的特征不断的出现，对于这些特征的评价也是一个逐渐更新的过程。

【参考文献】

[1]W. F？觟rstner，"A framework for low level feature extraction，" in Proceedings of the 3rd European Conference on Computer Vision， 1994， pp. 383-394.

[2]F. Fraundorfer and H. Bischof，"Evaluation of local detectors on non-planar scenes，" Proc Workshop of the Austrian Association for Pattern Recognition， pp. 125-132，2004.

[3]P.Moreels and P. Perona， "Evaluation of Features Detectors and Descriptors based on 3D Objects，" International Journal of Computer Vision， vol. 73， no. 3， pp. 263-284， 2006.