摘 要： 對近年來出現(xiàn)的點特征提取,、特征描述符和特征匹配3方面的新思路和新方法進行了綜述,，并對各個算法的性能進行了分析，提出了實際應(yīng)用中有待進一步研究的內(nèi)容,。通過深度測量的準(zhǔn)確性對點特征提取及匹配算法進行了綜合評估,。
關(guān)鍵詞： 雙目視覺測量; 特征點提取； 特征匹配,； 性能評估
雙目視覺測量是三維重建,、即時定位與地圖構(gòu)建(SLAM)、視覺導(dǎo)航和視覺里程計等系統(tǒng)的重要組成部分，測量的準(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)確的點特征提取及匹配算法是提高雙目視覺測量準(zhǔn)確性的有效途徑。
鑒于點特征提取及匹配廣泛的應(yīng)用需求,，國內(nèi)外學(xué)者對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。理想的點特征提取及匹配算子應(yīng)具有定位準(zhǔn)確,、可區(qū)分性強,、抗光照變化、匹配準(zhǔn)確和速度快等特點,，但這些特性往往存在互斥性,，因此，在實際應(yīng)用中需根據(jù)系統(tǒng)特點和需求選擇合適的算子,。
本文從關(guān)鍵點檢測,、特征描述符和描述符匹配3方面對點特征提取及匹配算法進行了綜述。針對雙目視覺測量系統(tǒng)的應(yīng)用需求,分別對點特征提取及匹配算法的定位精度,、檢測數(shù)目和計算速度3個方面進行了性能比較,。
1 點特征提取及匹配
點特征是圖像最基本的特征，它是指灰度信號在二維方向上都有明顯變化的點,，如角點,、原點、暗區(qū)域的亮點和亮區(qū)域的暗點等,，它具有旋轉(zhuǎn)不變性,、尺度不變性和抗光照變化等優(yōu)點。使用點特征進行圖像處理,，可大大減少參與計算的數(shù)據(jù)量,，提高運算速度，同時又不損壞圖像的重要灰度信息[1],。
點特征提取及匹配包括關(guān)鍵點檢測,、特征描述符生成和描述符匹配3部分。
1.1 關(guān)鍵點檢測
確定點特征的位置,，即關(guān)鍵點檢測,，目前已有的檢測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)鍵點檢測的判定依據(jù)通常為梯度信息,、灰度統(tǒng)計信息以及二者的結(jié)合,。僅基于梯度信息進行關(guān)鍵點檢測的算法有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 實驗結(jié)果與分析
本文對各階段幾種代表性的關(guān)鍵點特征提取算法進行了實驗分析。算法評估的實驗平臺為裝有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的實驗圖像，部分實驗圖像如圖1所示,。
2.1 點特征提取算法性能比較
本文主要對Harris,、Shi-Tomasi、SIFT,、SUFT和ORB 5種算法的計算效率,、旋轉(zhuǎn)不變性、尺度不變性和魯棒性等性能進行比較與分析,。
圖2直觀地顯示了各算法對同一幅圖像進行關(guān)鍵點檢測的結(jié)果,。由圖2可知，Harris和SIFT算法提取的關(guān)鍵點較少,，SURF,、Shi-Tomasi算法提取的相對較多，而ORB算法提取的最多,。從分布上看,，各算法檢測出的關(guān)鍵點分布都較均勻，但ORB存在許多位置非常接近的關(guān)鍵點,。
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)鍵點檢測數(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)鍵點檢測數(shù)目在45°處呈現(xiàn)對稱性,。在0~20°和70°~90°之間,，檢測數(shù)目變化相對較大；在20°~65°之間穩(wěn)定性較好。當(dāng)尺度變化時,，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,，Shi-Tomasi算法敏感性越來越強,，主要在于Shi-Tomasi算法對邊緣響應(yīng)強烈。而ORB算法在尺度小于1時,，敏感逐漸增強,；尺度大于1時，敏感度明顯減小,。
表1為各關(guān)鍵點檢測算法的平均檢測時間和檢測數(shù)目的結(jié)果,。實驗結(jié)果表明，ORB算法的檢測速度最快,，Harris,、Shi-Tomasi和SUFT算法的檢測速度次之，而SIFT算法檢測時間最長,。從檢測數(shù)目來看,，ORB算法提取的關(guān)鍵點數(shù)最多，Shi-Tomasi算法和SUFT算法的關(guān)鍵點檢測數(shù)次之,，Harris算法提取的關(guān)鍵點相對較少,。
特征匹配算法比較結(jié)果如表3所示。其中,，內(nèi)點率為準(zhǔn)確匹配點對占總匹配點對的比率,，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)，平均匹配時間為平均每對描述符完成匹配過程所需時間,。實驗結(jié)果表明,，兩種匹配方法的內(nèi)點率基本一致，SURF+歐式距離的平均準(zhǔn)確匹配數(shù)比ORB+海明距離更大,，但其所需的匹配時間卻大得多,，在實時應(yīng)用系統(tǒng)中，較難有效應(yīng)用,。
本文首先對目前性能較好的點特征提取算法的基本原理,、屬性、性能及優(yōu)缺點進行了分析,。理想的關(guān)鍵點特征提取算子應(yīng)具有定位準(zhǔn)確,、檢測數(shù)目多、計算速度快,、魯棒性強,、可區(qū)分性大和不變性等優(yōu)點,。通過實驗對各種點特征提取算法和匹配算法的性能進行分析與比較，對關(guān)鍵點特征提取算法的選擇具有重大的理論研究和實踐意義,。
參考文獻
[1] 黃艷.點特征提取算法探討[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.