基于LBP的魯棒特征提取與匹配方法研究

蔡秀梅，卞靜偉，吳成茂，王 妍

1.西安郵電大學 自動化學院，西安710121

2.西安郵電大學 電子工程學院，西安710121

圖像匹配技術(shù)是圖像處理以及計算機領(lǐng)域非常重要的一項技術(shù)，目前已在目標識別[1]、圖像拼接[2]、三維立體重建以及醫(yī)學等方面得到了廣泛應(yīng)用[3]。當前常用的匹配算法可分為三大類：基于特征的匹配、基于灰度的匹配和變換域匹配[4-5]。其中基于特征的匹配由于具有對各種變化的魯棒性強、靈活性好的特點而備受眾多學者關(guān)注，是目前應(yīng)用最為廣泛的方法之一[6-9]。

1999年，Lowe提出SIFT（Scale-Invariant Feature Transform，SIFT）算法[10]，十多年來，SIFT算法是應(yīng)用最多的特征匹配算法之一。它具有較好的尺度不變性，以及較強的抗噪聲能力和抗干擾能力，但同時存在維數(shù)高、時效性差等缺點。因此，為了解決SIFT算法的時效性與維數(shù)高的問題，Bay等[11]提出了SURF（Speeded-Up Robust Feature）算法，該算法維數(shù)低，時效性也較好，但存在無法保存大量特征點的問題。而Harris算法[12]是基于圖像灰度值特征提取方法，它解決了這一問題，同時也克服了時效性以及維數(shù)低等不足。近年來，基于機器學習的相關(guān)算法也較為流行。例如，cascadeCNN、MTCNN算法等，它們由于算法新穎、結(jié)果更準確而更受歡迎，但也有不足，例如它們大多更適于人臉識別，主要識別一些靜態(tài)物體或有規(guī)律運動物體的特征[13]。主要原因在于它們對目標樣本集、訓練集、測試集進行大量的測試后得到結(jié)果，使該類算法存在運算過程繁瑣且計算量較大的問題[14]。因此，Harris角點檢測算法，相對于SIFT算法、SURF算法、基于機器學習[15]的算法而言，存在可創(chuàng)新性，可改進點較多，計算過程較簡單，且對常見圖像變換不敏感，易改進且便于結(jié)合其他算法，不足在于不具備較好的尺度不變性以及基本的抗噪能力。本文重點是對局部特征角點進行提取與檢測，考慮到Harris算法適用于角點特征檢測[16]。本文將對Harris算法進行改進，使其具有較好的尺度不變性，同時為了增強Harris算法尺度變換性，本文將魯棒LBP描述子嵌入Harris角點特征提取方法[17]，增強該算法的穩(wěn)定性并具有尺度變換不變性；同時，對目前特征匹配算法存在精度低、抗噪性差和適應(yīng)光照變化能力弱等缺陷進行改進。

因此，本文不僅提出了改進的Harris角點檢測方法，而且將它與新構(gòu)建的魯棒LBP描述子以及圖變換GTM相結(jié)合[18]，設(shè)計了一類具有較強魯棒性的圖像變換匹配算法。首先，在現(xiàn)有的Harris角點檢測算法的基礎(chǔ)上，自適應(yīng)修改自相關(guān)矩陣的閾值，增強了Harris算法角點檢測能力。其次，利用魯棒局部旋轉(zhuǎn)不變二進制模式（Local Rotation Invariant Binary Patterns，LRIBP）代替?zhèn)鹘y(tǒng)LBP描述子，同時對其計算過程進行改進，降低了計算復雜度，增強了穩(wěn)定性，并將改進的LRIBP用于特征點高效描述。最后，在特征點粗匹配所得結(jié)果的基礎(chǔ)上引入圖變換進行部分特征剔除，經(jīng)過反復多次迭代實現(xiàn)精確匹配。實驗結(jié)果表明，本文算法不僅降低了計算時間開銷，而且獲得了滿意的匹配效果。總之，本文算法不僅表現(xiàn)出了良好的匹配性能，而且對尺度變化、旋轉(zhuǎn)變換、噪聲干擾、光照變化等均具有一定的魯棒性和穩(wěn)定性。

1 相關(guān)工作

一般而言，現(xiàn)有大多數(shù)特征匹配算法，例如SIFT、SURF、ORB以及基于機器學習的算法，主要重視算法的準確度和實時性[18]。雖然多數(shù)算法都具有較高的準確性，但是其穩(wěn)定性差，算法復雜，且多數(shù)算法僅能識別簡單圖像或滿足單一要求，對于復雜圖像的匹配不僅準確率低，且穩(wěn)定性較差。為此，本文提出一種魯棒LBP算法作為特征點提取的新方法，同時結(jié)合Harris角點檢測[19]算法，提出新的特征提取與匹配算法，使其克服Harris算法尺度不變性差和魯棒LBP算法抑噪能力差的缺陷；同時，采用規(guī)則分布將特征點為中心的24個鄰域像素點及LBP值相結(jié)合，構(gòu)建一個25維特征向量作為特征區(qū)域的描述子，不僅降低了算法的復雜度，而且可提高其實時性。最后采用圖變換的方法進行誤差匹配的剔除，通過自適應(yīng)設(shè)定閾值進行迭代，直至誤差匹配點全部剔除。魯棒LBP特征匹配過程如圖1所示。對于特征點匹配部分，使用Harris算法對加入噪聲的圖片進行特征值檢測，然后使用改進的LBP進行特征選擇是圖像特征匹配的關(guān)鍵步驟，也是匹配正確率的保證。根據(jù)不同的特征提取方法，得到需要匹配的特征點進行歐式距離匹配，匹配所得結(jié)果再采用GTM算法構(gòu)建KNN圖[20-23]，實現(xiàn)錯誤匹配點的刪除。

圖1 魯棒LBP特征匹配示意圖Fig.1 Schematic diagram of robust LBP feature matching

2 實現(xiàn)過程

2.1 改進的Harris特征檢測

Harris角點檢測算子對圖像進行一階差分，采用自相關(guān)函數(shù)描述鄰域內(nèi)像素點的灰度變化[24]，并通過高斯濾波降低圖像中的噪聲干擾[25]。改進后Harris角點檢測算子的主要步驟如下：

（1）計算圖像I中像素點(x,y)在水平和豎直方向上的度Ix和Iy，計算Ixy=Ix×Iy，即像素點對應(yīng)位置上的元素積。

（2）圖像I與高斯函數(shù)進行卷積運算，分別計算G*Ix,G*Iy,G*Ixy,得到像素點(x,y)處的自相關(guān)矩陣N，表達式如下：

其中，N為自相關(guān)矩陣，U為改進設(shè)定的閾值，通過U值的改變對待測特征點進行檢測，其值根據(jù)提取的角點特征密度而定。

（3）計算圖像點對應(yīng)的角點響應(yīng)函數(shù)得到的對應(yīng)函數(shù)響應(yīng)值[26-27]，如式（1）所示：

其中，det(N)和trace(N)分別是矩陣N的行列式λ1×λ2和跡λ1+λ2,k為常系數(shù)，一般取0.04（也可根據(jù)特征提取的結(jié)果相應(yīng)改變，直至效果變好，確定系數(shù)值）。

（4）在以像素點(x,y)為中心的小鄰域內(nèi)，判斷點(x,y)的CRF值是否是該鄰域內(nèi)的極大值，若是，則將其標記為角點；若不是，則判斷下一點，并在檢測系統(tǒng)中設(shè)置循環(huán)，當檢測到非角點時置0，并重新開始直至所有點全部檢測完成。

對傳統(tǒng)的Harris角點檢測算法進行改進，主要體現(xiàn)在兩點：首先是采用3次高斯濾波，增加其抗噪能力，其次設(shè)置閾值進行局部角點的去除，改變傳統(tǒng)Harris算法存在穩(wěn)定性差、抗噪能弱的問題。同時由于Harris算法本身不具備較好的尺度不變性，可以結(jié)合改進LBP算法進行特征檢測與提取，用于提高特征提取與檢測的速度以及增加尺度不變性。

2.2 魯棒性LBP特征描述

2.2.1 LBP算法的擴展

鑒于LBP簡單高效的特點，各種擴展LBP的方法層出不窮。目前，主要的擴展方法可歸為以下幾類：

（1）從鄰域拓撲結(jié)構(gòu)角度對LBP進行擴展，提高穩(wěn)定性。

（2）從降低噪聲影響角度對LBP進行擴展，增強抗噪能力。

（3）從降維角度對LBP進行擴展，降低維度，減少算法的復雜度。

（4）從編碼方式角度對LBP進行擴展，提高算法的實時性。

（5）從獲取旋轉(zhuǎn)不變性角度對LBP進行擴展[28]，提高算法的尺度變化和旋轉(zhuǎn)變換的不變性。

2.2.2改進的中心局部二值模式（魯棒LBP）

本文提出通過改進鄰域拓撲結(jié)構(gòu)對LBP進行擴展，使其對光照變化、噪聲干擾以及尺度變化等具有較好的匹配效果，同時減少算法的復雜性，增強算法的魯棒性。LBP紋理特征提取效果如圖2所示。其中圖（a）、（b）、（c）、（d）分別是鄰域數(shù)不變情況下，紋理在原圖、半徑為2、半徑為8、半徑為16時的變化；圖（e）、（f）、（g）、（h）分別是半徑不變情況下，紋理在鄰域數(shù)為1、鄰域數(shù)為2、鄰域數(shù)為8、鄰域數(shù)為16時的紋理變化。

圖2 LBP紋理特征提取Fig.2 LBP texture feature extraction

具體方法步驟如下：

（1）對傳統(tǒng)LBP算法進行改進，提出局部旋轉(zhuǎn)不變二進制模式，在一個以特征點為中心的10×10的圖像區(qū)域內(nèi)進行特征描述，采用規(guī)則分布的，在以特征點為中心的24個像素點及LBP值作為特征區(qū)域的24維特征描述符，同時存在兩個近似圓的半徑為R1=2,R2=4。如圖3 所示，該計算方式可以降低特征描述量，同時采用高斯加權(quán)對特征鄰域內(nèi)的信息進行加權(quán)求值。離特征點近的像素點貢獻較大，距離遠的貢獻小。

圖3 子特征點分布Fig.3 Distribution of sub-feature points

（3）搜索區(qū)域估算：設(shè)最優(yōu)的匹配點集合為{

（4）對于局部匹配，匹配區(qū)域的半徑估算如式（3）、（4）所示：

（5）圖2（a）~（d）所示是在鄰域數(shù)目N（Neighbors）不變的條件下，改變半徑，從而使圖像的亮度發(fā)生變化。通過改變半徑R以及鄰域數(shù)N來使圖像的紋理及清晰度發(fā)生變化，從而提取和篩選需要的特征。

（6）圖2（e）~（h）所示是半徑R（Radius）不變，通過改變鄰域數(shù)，使圖像紋理的精細程度得到改正。

2.3 特征匹配

圖像檢索的匹配策略大致可分為兩種，一種是完全匹配，另外一種是相似性匹配。當兩幅圖像的特征間距離小于某一個閾值時，圖像匹配成功，稱之為完全匹配。當兩幅圖像的特征間距離小于或等于某一閾值時，圖像匹配成功，稱之為相似性匹配。

在基于內(nèi)容的圖像檢索中占主導地位的是建立在圖像低層視覺特征對比基礎(chǔ)上的相似性檢索。在提取圖像特征后，可采用對應(yīng)的相似度量策略來進行特征匹配，也就是確定待檢索圖像同數(shù)據(jù)庫目標圖像間的相似性。一個合適的相似性度量方法對圖像檢索結(jié)果影響很大。因此相似性度量方法的好壞會直接影響到圖像檢索的性能。

2.4 誤差匹配剔除

2.4.1誤差匹配準則

（1）相似性準則

根據(jù)上面系統(tǒng)需求分析，筆者確定該系統(tǒng)的實現(xiàn)軟件為客戶機/服務(wù)器模型，又稱為Client/Server體系結(jié)構(gòu)。服務(wù)器Server通常采用高性能的工作站或PC小型機，并采用Client/Server架構(gòu)數(shù)據(jù)庫系統(tǒng)，如Sybase Oracle或SQL Server，負責供多個用戶共享其信息和功能。客戶端Client部分通常負責執(zhí)行前臺功能，如與用戶交互，數(shù)據(jù)處理等。這種架構(gòu)由多臺計算機構(gòu)成，它們有機地組合在一起，協(xié)同完成整個應(yīng)用，并達到使系統(tǒng)中的軟件、硬件資源得到最大限度的利用。

令ε為相似性閾值，若候選點對(Pi,Qj)的相似性度量Sij<ε，則候選點對(Pi,Qj)將被排除。

（2）相容性準則

相容性Gij表示候選點對(Pi,Qj)和它們的鄰近點間的對應(yīng)水平。令M為相似性閾值，若候選點對(Pi,Qj)的相容性度量Gij

為了有效地識別錯誤匹配點，本文選擇使用相似性準則與相容性準則的方法，達到待匹配誤差點去除的目的。因為相似性匹配應(yīng)用于特征點之間的匹配，通常通過距離或者對比匹配點與待匹配點之間的距離是否最近來判斷是否為誤差點。雖然過程簡單，但存在一定的誤差，因此可以先用其進行粗檢測，剔除部分不符合的特征點。而相容性更多是應(yīng)用于圖像之間的拼接，優(yōu)點是誤差小，效果較好，能夠處理特征不明顯的信息，通過識別(Pi,Qj)點的像素對特征鄰域內(nèi)的信息進行加權(quán)求值，得到像素值。然后對匹配點與待匹配點進行像素值比對，設(shè)置相似性閾值，排除特征不明顯的點，且不會丟失多余的信息量。但相容性準則也存在過程復雜、時效性差、僅能處理較小像素點的缺點。為了解決這一不足，本文使用相似性準則與相容性準則相結(jié)合的方法進行誤差點處理，可以對兩者的不足進行互補。如流程圖4所示，通過特征檢測獲得信息量較大的點，并剔除特征不明顯的特征點。然后對匹配圖與待匹配圖之間的特征點進行檢測，當滿足度量量時，完成誤差點剔除，進行下一步。

圖4 誤差匹配特征點流程圖Fig.4 Flow chart of error matching feature points

2.4.2 K最近鄰圖變換誤差剔除法

Aguilar等提出的GTM算法首先根據(jù)模板圖像與待匹配圖像特征點之間一對一的匹配關(guān)系構(gòu)建一個K最近鄰圖（KNN圖），然后對其中的各個頂點進行迭代，達到刪除誤匹配點的目的。本文將以此為基礎(chǔ)，對匹配誤差點進行剔除。GTM假設(shè)兩幅圖像之間存在初始匹配點集M={Mi}和Z={Zi},且匹配點集大小都為W，其中M點與Z點是對應(yīng)的匹配點。該算法主要由兩部分組成：

（1）建立KNN圖。對M中任意一個匹配點定義一個頂點oi，因此Oi=o1,o2,…,oN，當Mi和Mj的最近鄰小于ε，此時存在一個沒有定義的邊e(i,j)，其中ε為匹配點到頂點oi的中值距離，可以定義為：

得到的點記為QN，則得到所有的匹配點KNN為GN=

（2）刪除離群特征。當存在錯誤匹配時，將錯誤的匹配點稱為離群特征，當兩幅圖結(jié)構(gòu)不同時，可以采用誤差準則來判斷是否離群。首先采用相似性準則進行粗判斷，將不符合的點剔除，再使用相容性準則對加噪后的像素點進行識別，減小干擾。最后使用三角誤差準則進行精準的特征剔除，當時為剔除點，設(shè)剔除點為βout，如圖4所示，當離群特征點全部剔除后，符合閾值β時，匹配完成，閾值定義為：

3 實驗步驟

針對本文建議的魯棒特征提取與匹配算法，下面給出詳細描述過程。

步驟1輸入匹配圖和待匹配圖。

步驟2在匹配圖中加入高斯噪聲或椒鹽噪聲（加入高斯和椒鹽、光照、尺度以及旋轉(zhuǎn)變換在匹配圖和待匹配圖中），以增強干擾。

步驟3用Harris角點檢測算法進行特征點檢測和提取。

步驟4選取相應(yīng)大小的區(qū)域作為特征區(qū)域，并確定特征點。

步驟5在區(qū)域內(nèi)對其特征點的像素值求取其LBP特征值。

步驟6對目標特征點采用歐式距離進行匹配。

步驟7進行誤差匹配剔除。

步驟8返回步驟6，重新開始進行新一輪迭代，當θ=0時停止。

4 測試結(jié)果與性能分析

為了驗證本文算法的可行性并檢測本文算法的性能，將本文算法與Harris算法、魯棒LBP算法以及改進的Harris算法進行性能比較，在相同情況下進行數(shù)據(jù)分析，并分別對其魯棒性進行驗證和分析。同時，對本文算法中的特征匹配所對應(yīng)的特征值及像素進行細化，以達到精準匹配的目的。

4.1 特征描述與檢測分析

為了提高特征匹配的穩(wěn)定性、抗干擾能力及對尺度和旋轉(zhuǎn)變換性能的穩(wěn)定性，本文將魯棒LBP（Robust LBP）和改進的Harris算法相融合來提高匹配結(jié)果的穩(wěn)定性。同時提出并對比六種邊緣檢測的方法，如圖5、圖6所示。其中圖5是未加噪聲的特征圖像，圖6是加入噪聲或光照變化的特征圖像。

圖5 六種邊緣特征的特征點分布Fig.5 Distribution of feature points of six edge features

圖6 六種邊緣特征的特征點分布（加入噪聲）Fig.6 Distribution of feature points of six edge features（adding noise）

如圖5所示，分別為Roberts、Harris、Prewitt、Log、改進Harris、Gaussian六種邊緣檢測結(jié)果。通過對比圖5（b）、（e）與圖6（b）、（e）得知，改進的Harris邊緣特征檢測比其他五種檢測效果好，且特征點分布較為明確，紋理分布清晰，覆蓋率較高，檢測到的特征點也較多。Roberts、Harris與Prewitt三種特征檢測方法，特征分布較為分散，效果較差。Gaussian與Log效果較好，因此對比詳細檢測數(shù)據(jù)如表1所示。

由表1數(shù)據(jù)結(jié)果顯示，由檢測時間、覆蓋率以及特征數(shù)的比較可知，改進的Harris特征檢測方法較其他五種方法更優(yōu)。

表1 特征檢測實驗數(shù)據(jù)結(jié)果Table 1 Experimental data results of feature detection

4.2 仿真實驗與結(jié)果分析

如圖7所示，分別為本文算法、魯棒LBP算法、Harris算法以及改進Harris的匹配結(jié)果。采用紋理相同但條件不同的圖像對四種算法進行特征匹配，從匹配類型、特征點數(shù)以及匹配時間三方面來對比四種算法之間的優(yōu)缺點。

表2 、表3、表4和圖7，分別為本文算法、魯棒LBP算法、Harris算法以及改進Harris算法的匹配效果與數(shù)據(jù)測試結(jié)果。

表2 特征匹配實驗結(jié)果（原圖）Table 2 Feature matching experiment results（original image）

表3 特征匹配實驗結(jié)果（加入噪聲）Table 3 Feature matching experiment results（adding noise）

表4 特征匹配實驗結(jié)果（加入噪聲+光照）Table 4 Feature matching experiment results（adding noise+light）

為了證實本文算法所具有的魯棒性和穩(wěn)定性，分別對圖像在噪聲、光照、尺度變化和圖像變換條件下進行測試。本文分別對177×300大小的圖片進行特征匹配，并對本文算法與另外三種對比算法進行對比，并分別從原圖、加噪以及加入噪聲影響和光照變化影響這三種狀況來進行結(jié)果與實驗的對比分析。如圖7所示，驗證了四種算法在不同環(huán)境下的穩(wěn)定性。每幅匹配結(jié)果均由參考圖與待匹配圖匹配完成，并分別對其進行尺度變換以及旋轉(zhuǎn)不變性能的檢測，在經(jīng)過8次成功測試后，記錄并統(tǒng)計數(shù)據(jù)，然后求其均值。（1）對比四種算法在原圖中的匹配正確率可得，本文算法匹配率最優(yōu)為98.24%，且檢測到的特征點較合適，匹配時間也較短，為3.56 s，可得本文算法最優(yōu)且達到精準匹配，具有較好的尺度不變性和旋轉(zhuǎn)變化性能。（2）在加入噪聲情況下，本文算法正確匹配率97.48%，特征點數(shù)為688，匹配時間為4.79 s，均為四種算法中最優(yōu)結(jié)果。（3）當同時加入噪聲以及光照條件下，本文算法的正確匹配率為95.31%，較其他三種情況最高，且檢測時間最短，匹配效果最清晰，特征檢測數(shù)最少。綜合以上四種算法在相同條件下的對比，可以得出本文算法具有較好的抗噪性、抗光照變化、魯棒性，以及較好的尺度與旋轉(zhuǎn)變化性能，達到精準匹配和時效性的目的。

圖7 四種算法的匹配結(jié)果對比Fig.7 Comparison of matching results of four algorithms

4.3 性能對比

本文對Harris算法、魯棒LBP、改進Harris算法以及本文算法進行性能分析和精準性判斷。測試所用的圖像經(jīng)過處理后均符合要求：紋理眾多，圖像復雜度由低到高，每組圖像由匹配圖像和待匹配圖像組成。為了測試四種算法在各種變化和干擾情況下的匹配性能，所選的圖像包含模糊變換（bikes）、尺度和旋轉(zhuǎn)變換（boat）、光照變化匹配性能對比（Leuven1）、算法魯棒性（Robustness）性能對比等圖像變化方式。實驗環(huán)境為：CPU AMDRyzen5、2.5 GHz，Windows10家庭版，MATLAB-2016A。為了對比上述幾類算法的性能，本文采用文獻[13]的查準率-查錯率recall和1-precision對應(yīng)的曲線作為評估標準。recall和1-precision曲線定義如下：

四種算法對模糊圖像和噪聲的匹配結(jié)果如圖8（a）所示，因為本文算法具有較強的抗干擾能力，所以對模糊變換性能的適應(yīng)能力比其他三種算法更好（由圖8（a）可知）。差錯率在0~0.6之間時本文算法的匹配性能更好，整體來看本文算法對模糊圖像以及噪聲的匹配效果更好，優(yōu)于Harris和魯棒LBP算法。圖8（b）是對尺度和旋轉(zhuǎn)變換圖像的匹配結(jié)果對比，可以看出，差錯率在0~0.25之間時，本文算法和魯棒LBP算法的查準率基本相差不大，這是由于本文提出的魯棒LBP算法的尺度和旋轉(zhuǎn)變化性能自身就很強。但差錯率在0.3~0.7之間時，本文算法的查準率明顯優(yōu)于其他三種算法，這是因為本文主要是針對抗干擾提出的方法，所以相比于匹配特征的像素要低得多。在差錯率較高的地方有明顯的匹配效果，同時相比于其他三種算法，本文算法的抗干擾能力更強，效果更優(yōu)。具體結(jié)果如表5所示，本文算法更優(yōu)。

圖8 三種方法的匹配性能對比Fig.8 Comparison of matching performance of three methods

表5 三種算法性能對比Table 5 Performance comparison of three algorithms

5 結(jié)束語

針對SIFT算法計算復雜度高、實時性較差的問題，本文提出一種改進的Harris算法結(jié)合LBP的方法，旨在降低計算復雜度和解決實時性差的問題。并提出了基于局部的中心對稱局部二值模式和圖變換相結(jié)合的匹配算法，分別對圖像在噪聲、光照以及旋轉(zhuǎn)等條件影響下進行匹配。該算法采用子特征點稀疏計算特征區(qū)域的LRLBP值，并采用局部不變坐標系，避免主方向估計和圖像的旋轉(zhuǎn)，在粗匹配后采用GTM算法對匹配點進行剔除，提高了算法的準確率、穩(wěn)定性和尺度不變性。實驗表明，本文算法計算復雜度低，魯棒性好，在確保匹配效果的前提下，算法的運算速度提高，并且匹配效果以及穩(wěn)定性明顯增強。

本文算法較Harris和魯棒LBP算法表現(xiàn)出更好的穩(wěn)定性以及匹配準確率，主要原因是：（1）在特征提取方面本文采用改進的Harris角點檢測算法和魯棒LBP進行特征的提取與檢測，通過改變閾值進行特征提取，減少了信息量較少的特征點提取。（2）通過歐式距離進行特征匹配，然后通過KNN進行誤差匹配點的剔除。

本文算法魯棒性好，主要原因有：（1）利用局部二值法和圖變換的匹配算法相結(jié)合進行特征檢測與提取，從而提高了在光照、噪聲等影響下，對特征進行檢測與提取的穩(wěn)定性。（2）利用歐氏距離進行特征匹配，通過GTM以及KNN進行誤差匹配的剔除，達到精準匹配的目的。

與Harris和魯棒LBP算法對比的測試中，本文算法在光照以及噪聲的情況下，表現(xiàn)出明顯的魯棒性與穩(wěn)定性；在尺度與旋轉(zhuǎn)等情況下也表現(xiàn)出了較強的健壯性。下一步的研究方向主要是對特定物體的特征進行提取與匹配，并提高其魯棒性。