基于高斯尺度空間理論的ORB特征點檢測

國家知識產權局專利局專利審查協作廣東中心 翟紫伶

?

基于高斯尺度空間理論的ORB特征點檢測

國家知識產權局專利局專利審查協作廣東中心 翟紫伶

【摘要】針對當前具有尺度不變性的實時特征點檢測效率低的問題，研究了一種基于高斯尺度空間理論的ORB特征點檢測方法。該方法在保持ORB算子具有旋轉不變性和檢測速度快的同時，還能檢測出多尺度下的特征點。通過實驗驗證該方法保證速度快的同時又具有尺度不變性，適用于尺度變化較大且要求實時性高的視頻拼接。

【關鍵詞】ORB算子；尺度空間；圖像拼接；尺度不變性

引言

特征點檢測一直是機器視覺和圖像處理活躍的研究領域，如圖像、視頻拼接等都是基于特征點的提取，特征點提取算法的速度快慢、特征點質量好壞與具備的特性直接影響后期的處理效果。

文獻［1］［2］描述了SIFT、SURF算子提取特征點具備了上述不變性，但同時也損耗了速度，不適用于要求實時性高的視覺系統。ORB［3］算法比SIFT算法效率高兩個數量級，比SURF算法高一個數量級，基本上可以滿足實時性。ORB算法成功的解決了速度問題且具有旋轉不變性，但沒有解決尺度不變性，對于有較大尺度變化的圖像拼接產生瑕疵。

在此，研究一種將高斯尺度空間理論與ORB算子相結合的多尺度檢測方法。該方法利用不同尺度參數建立的高斯核與圖像卷積，得到不同尺度的高斯圖像，建立ORB的尺度空間表示，正確檢測圖像內發(fā)生在各個尺度水平上的特征點。

1　多尺度下的ORB角點檢測算子

ORB（oriented FAST and rotated BRIEF）是基于FAST特征檢測和BRIEF描述子的改進，是oFAST和rBRIEF的組合。

算法的尺度不變性主要靠不同尺度下尋找感興趣點。尺度空間通常做法是用圖像金字塔來實現，就是通過用不同尺度因子的尺度高斯核與圖像作卷積，并通過對原始圖像做降采樣處理，獲得更高階的圖像，即從底層向高層構建的金字塔。Lowe在其SIFT算法中是這樣構造尺度空間的：對原圖像不斷地進行高斯平滑+降采樣，高斯核大小不變，圖像的大小改變，得到金字塔圖像。SURF則恰恰相反：圖像大小保持不變，改變的是高斯核的大小。

本文研究了一種新型的不同于SIFT和SURF的金字塔構建方法，先改變圖像大小構建單圖像金字塔，再對每階的單圖像經過不同尺度的高斯核卷積得到一系列的圖像構成尺度空間表示，即先搭建后擴展的金字塔構建方法。如圖1所示：

圖1　構造一個4階3層新型的金字塔

這種方法使構建簡單，即使高斯核模板大小不變，但圖像的大小改變、高斯尺度的參數改變，也間接的使金字塔中每一幅圖像具有不同尺度，進而提取的特征點也具有不同的位置，不同的尺度。改進的ORB算法實驗流程：

Step 3） 建立尺度空間表示：構造一個具有N階M層的尺度空間表示的圖像金字塔。利用金字塔的每階圖像與高斯核卷積得到一系列的圖像，i代表階次，j代表層次。

Step 4） 對金字塔的每幅圖像用FAST算法找特征點的位置。并計算每個特征點的方向。

Step 5） 將特征點方向作為BRIEF的方向，進行旋轉，利用BRIEF計算特征點的特征描述子。

2　實驗結果及分析

實驗測試平臺為Visual Studio 2008， CPU Intel（R） Core（TM）2 Duo， 內存為2.2GB。

2.1驗證基于尺度空間理論的ORB算子的優(yōu)越性

對兩幅原始圖像A，B分別構建金字塔，設為4階3層。利用ORB算法提取特征點為FA和FB，采用K最近鄰（K-Nearest Neighbor，KNN）分類算法的歐氏距離匹配，K=2，計算最鄰近匹配對距離m0和次鄰近匹配對距離m1。為了提高匹配率，設置一個距離比系數match_conf（這里match_conf=0.3），當滿足公式（1）時，則最近距離匹配對保留，否則剔除。

圖2　尺度變化下的特征點匹配

圖2（a）、（b）分別是原ORB算法和基于尺度空間的ORB算法提取的特征點，經過錯誤匹配對剔除之后得到的最佳匹配對。由實驗結果可見，在尺度變化大的情況下，基于尺度空間的ORB比原ORB算法具有更多有效的匹配對，在尺度不變性方面魯棒性更強，使得后期建立圖像之間的對應關系更精確。即使改進的ORB算法與原ORB相比降低了速度，但與速度比SURF更快，并保持尺度不變特性。因此該方法提高了ORB特征點檢測性能，適用于要求實時性相對高，尺度變化相對大的視覺系統。

2.2基于尺度空間理論的ORB算子的評價

某一角點檢測算法的優(yōu)劣可通過穩(wěn)定性準則、可靠性準則和抗噪性能準則來評價。這3個準則依靠改變參數、閾值或增加噪聲后檢測出的角點與初始檢測出的角點的重復率決定。為了能夠對特征點在不同尺度下提取的效果進行定量評價，使用以下公式

利用重復率來檢驗該基于尺度空間理論的ORB角點檢測算法的穩(wěn)定性和可靠性。對圖2的初始圖像進行不同尺度下的角點檢測

圖3　不同尺度下的兩種ORB算法的重復率比較

由圖3可以看出，當尺度變化時，該基于尺度空間理論的ORB角點檢測方法比原ORB特征點檢測更穩(wěn)定和可靠，即更具尺度不變性。

3　結論

通過建立高斯尺度空間表示的圖像金字塔，利用ORB算子檢測每個尺度水平上的角點，從而得到特征點的位置和尺度的特征點檢測方法，簡稱為基于高斯尺度空間理論的ORB算子。實驗驗證該方法具有尺度不變性、速度較快，且比原ORB特征點檢測更穩(wěn)定和可靠。該方法的創(chuàng)新點：

（1）構建金字塔型的高斯尺度空間表示，得到不同尺度的圖像，利用ORB算法檢測每一尺度下的圖像，使得因尺度變化而被埋沒的特征點能夠檢測出來，從而得到不同位置和尺度的特征點。

（2）一種新型的不同于以往的金字塔構建方法：先對原圖像進行相鄰階相同大小比例的縮放，構建單層的金字塔，其次，每階圖像與不同尺度參數的高斯核卷積得到多層圖像，即完成N階M層的金字塔。

參考文獻

［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.