摘 要： 對(duì)近年來出現(xiàn)的點(diǎn)特征提取、特征描述符和特征匹配3方面的新思路和新方法進(jìn)行了綜述，并對(duì)各個(gè)算法的性能進(jìn)行了分析，提出了實(shí)際應(yīng)用中有待進(jìn)一步研究的內(nèi)容。通過深度測(cè)量的準(zhǔn)確性對(duì)點(diǎn)特征提取及匹配算法進(jìn)行了綜合評(píng)估。
關(guān)鍵詞： 雙目視覺測(cè)量; 特征點(diǎn)提取； 特征匹配； 性能評(píng)估
雙目視覺測(cè)量是三維重建、即時(shí)定位與地圖構(gòu)建(SLAM)、視覺導(dǎo)航和視覺里程計(jì)等系統(tǒng)的重要組成部分，測(cè)量的準(zhǔn)確性直接影響著這些系統(tǒng)的性能。選取魯棒、高效和準(zhǔn)確的點(diǎn)特征提取及匹配算法是提高雙目視覺測(cè)量準(zhǔn)確性的有效途徑。
鑒于點(diǎn)特征提取及匹配廣泛的應(yīng)用需求，國內(nèi)外學(xué)者對(duì)其研究的腳步從未放緩,尤其最近10年間，該領(lǐng)域的研究非常活躍，提出了大量性能優(yōu)越的算子，為人們的應(yīng)用提供了更多選擇。理想的點(diǎn)特征提取及匹配算子應(yīng)具有定位準(zhǔn)確、可區(qū)分性強(qiáng)、抗光照變化、匹配準(zhǔn)確和速度快等特點(diǎn)，但這些特性往往存在互斥性，因此，在實(shí)際應(yīng)用中需根據(jù)系統(tǒng)特點(diǎn)和需求選擇合適的算子。
本文從關(guān)鍵點(diǎn)檢測(cè)、特征描述符和描述符匹配3方面對(duì)點(diǎn)特征提取及匹配算法進(jìn)行了綜述。針對(duì)雙目視覺測(cè)量系統(tǒng)的應(yīng)用需求,分別對(duì)點(diǎn)特征提取及匹配算法的定位精度、檢測(cè)數(shù)目和計(jì)算速度3個(gè)方面進(jìn)行了性能比較。
1 點(diǎn)特征提取及匹配
點(diǎn)特征是圖像最基本的特征，它是指灰度信號(hào)在二維方向上都有明顯變化的點(diǎn)，如角點(diǎn)、原點(diǎn)、暗區(qū)域的亮點(diǎn)和亮區(qū)域的暗點(diǎn)等，它具有旋轉(zhuǎn)不變性、尺度不變性和抗光照變化等優(yōu)點(diǎn)。使用點(diǎn)特征進(jìn)行圖像處理，可大大減少參與計(jì)算的數(shù)據(jù)量，提高運(yùn)算速度，同時(shí)又不損壞圖像的重要灰度信息[1]。
點(diǎn)特征提取及匹配包括關(guān)鍵點(diǎn)檢測(cè)、特征描述符生成和描述符匹配3部分。
1.1 關(guān)鍵點(diǎn)檢測(cè)
確定點(diǎn)特征的位置，即關(guān)鍵點(diǎn)檢測(cè)，目前已有的檢測(cè)算法大致可以歸為兩大類:一類是基于模板的算法,另一類是基于幾何特征的提取算法。
關(guān)鍵點(diǎn)檢測(cè)的判定依據(jù)通常為梯度信息、灰度統(tǒng)計(jì)信息以及二者的結(jié)合。僅基于梯度信息進(jìn)行關(guān)鍵點(diǎn)檢測(cè)的算法有Moravec[2]、Harris[3]、Shi-Tomasi[4]和Forstner[5]等。其中，Harris、Shi-Tomasi和Forstner 3種算法均通過Hessian矩陣的特征值構(gòu)建關(guān)鍵點(diǎn)響應(yīng)函數(shù)，區(qū)別在于它們構(gòu)建的響應(yīng)函數(shù)不同。
2 實(shí)驗(yàn)結(jié)果與分析
本文對(duì)各階段幾種代表性的關(guān)鍵點(diǎn)特征提取算法進(jìn)行了實(shí)驗(yàn)分析。算法評(píng)估的實(shí)驗(yàn)平臺(tái)為裝有OpenCV 2.4.3、VS 2010的PC。利用PointGrey公司生產(chǎn)的雙目攝像Bumblebee2，共采集100幅640×480的圖像，焦距為6 mm，橫向視場(chǎng)角為43°，基線距離為0.12 m。分別選取不同的環(huán)境，采集深度范圍為0.5 m~5 m的實(shí)驗(yàn)圖像，部分實(shí)驗(yàn)圖像如圖1所示。
2.1 點(diǎn)特征提取算法性能比較
本文主要對(duì)Harris、Shi-Tomasi、SIFT、SUFT和ORB 5種算法的計(jì)算效率、旋轉(zhuǎn)不變性、尺度不變性和魯棒性等性能進(jìn)行比較與分析。
圖2直觀地顯示了各算法對(duì)同一幅圖像進(jìn)行關(guān)鍵點(diǎn)檢測(cè)的結(jié)果。由圖2可知，Harris和SIFT算法提取的關(guān)鍵點(diǎn)較少，SURF、Shi-Tomasi算法提取的相對(duì)較多，而ORB算法提取的最多。從分布上看，各算法檢測(cè)出的關(guān)鍵點(diǎn)分布都較均勻，但ORB存在許多位置非常接近的關(guān)鍵點(diǎn)。
圖3為改變圖像旋轉(zhuǎn)角度和尺度的情況下，平均一幅圖像關(guān)鍵點(diǎn)檢測(cè)數(shù)目的結(jié)果。從圖3可知，改變圖像的旋轉(zhuǎn)角度，各算法的關(guān)鍵點(diǎn)檢測(cè)數(shù)目在45°處呈現(xiàn)對(duì)稱性。在0~20°和70°~90°之間，檢測(cè)數(shù)目變化相對(duì)較大；在20°~65°之間穩(wěn)定性較好。當(dāng)尺度變化時(shí)，除SIFT算法的穩(wěn)定性變化不大外，其余各算法都較敏感。當(dāng)尺度逐漸增大時(shí)，Shi-Tomasi算法敏感性越來越強(qiáng)，主要在于Shi-Tomasi算法對(duì)邊緣響應(yīng)強(qiáng)烈。而ORB算法在尺度小于1時(shí)，敏感逐漸增強(qiáng)；尺度大于1時(shí)，敏感度明顯減小。
表1為各關(guān)鍵點(diǎn)檢測(cè)算法的平均檢測(cè)時(shí)間和檢測(cè)數(shù)目的結(jié)果。實(shí)驗(yàn)結(jié)果表明，ORB算法的檢測(cè)速度最快，Harris、Shi-Tomasi和SUFT算法的檢測(cè)速度次之，而SIFT算法檢測(cè)時(shí)間最長。從檢測(cè)數(shù)目來看，ORB算法提取的關(guān)鍵點(diǎn)數(shù)最多，Shi-Tomasi算法和SUFT算法的關(guān)鍵點(diǎn)檢測(cè)數(shù)次之，Harris算法提取的關(guān)鍵點(diǎn)相對(duì)較少。
特征匹配算法比較結(jié)果如表3所示。其中，內(nèi)點(diǎn)率為準(zhǔn)確匹配點(diǎn)對(duì)占總匹配點(diǎn)對(duì)的比率，平均準(zhǔn)確匹配數(shù)為誤匹配去除后每幀圖像(即左右圖像)獲取的準(zhǔn)確匹配數(shù)，平均匹配時(shí)間為平均每對(duì)描述符完成匹配過程所需時(shí)間。實(shí)驗(yàn)結(jié)果表明，兩種匹配方法的內(nèi)點(diǎn)率基本一致，SURF+歐式距離的平均準(zhǔn)確匹配數(shù)比ORB+海明距離更大，但其所需的匹配時(shí)間卻大得多，在實(shí)時(shí)應(yīng)用系統(tǒng)中，較難有效應(yīng)用。
本文首先對(duì)目前性能較好的點(diǎn)特征提取算法的基本原理、屬性、性能及優(yōu)缺點(diǎn)進(jìn)行了分析。理想的關(guān)鍵點(diǎn)特征提取算子應(yīng)具有定位準(zhǔn)確、檢測(cè)數(shù)目多、計(jì)算速度快、魯棒性強(qiáng)、可區(qū)分性大和不變性等優(yōu)點(diǎn)。通過實(shí)驗(yàn)對(duì)各種點(diǎn)特征提取算法和匹配算法的性能進(jìn)行分析與比較，對(duì)關(guān)鍵點(diǎn)特征提取算法的選擇具有重大的理論研究和實(shí)踐意義。
參考文獻(xiàn)
[1] 黃艷.點(diǎn)特征提取算法探討[J].現(xiàn)代商貿(mào)工業(yè), 2009(12):302.
[2] MORAVEC H. Obstacle avoidance and navigation in the real world by a seeing robot rover[D]. Ph.D. dissertation, Stanford University, 1980.
[3] HARRIS C, PIKE J. 3D positional Integration from Image Sequences[C]. In Alvey Vision Conference, 1988.
[4] TOMASI C, SHI J. Good features to rrack[C]. CVPR’94, 1994:593-600.
[5] FORSTNER W. A feature based correspondence algorithm for image matching[J]. International Archives of Photogrammetry,1986(26):150-166.
[6] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SURF[C]. ICCVII Proceedings of the 2011 International Conference on Computer vision, 2011:2564-2571.
[7] LOWE D. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision,2003(20):91-110.
[8] BAY H, TUYTELAARS T, GOOL L V. SURF:speeded up robust features[C]. ECCV, 2006:404-417.
[9] AGRAWAL M, KONOLIGE K, BLAS M. Censure: center surround extremas for real time feature detection and matching[C]. European Conference on Computer Vision, 2008.
[10] CALONDER M, LEPETIT V, STRECHA C, et al. Brief: binary robust independent elementary features[C]. European Conference on Computer Vision, 2010:1-14.