基于ORB算法的三維注冊跟蹤方法研究

郭 俊 谷學靜

（華北理工大學電氣工程學院，河北 唐山 063210）

增強現實技術是計算機圖形學、傳感器技術、人機交互等多項技術的融合，近十年來，該技術已經被廣泛應用在休閑娛樂、工業制造、軍事作戰、教育培訓等不同行業[1-2]。為了解決增強現實應用存在的復雜環境變化下三維注冊跟蹤效果不佳的問題，同時可以讓增強現實技術在更多領域為人們提供服務，本文通過基于對機器視覺中的ORB特征匹配算法進行改進，提高三維注冊跟蹤方法的魯棒性與實 時性。

1 算法改進

1.1 四叉樹分解法

ORB特征匹配算法是一種綜合性能良好的匹配算法。特征檢測環節采用具備良好速率的FAST(Features From Accelerated Segment Test)算法，特征描述符的添加使用改進的BRIEF(Binary Robust Independent Elementary Features)算法。

為了提高特征點檢測效率，結合FAST算法本身的實現原理，提出一種基于區域分裂合并思想的四叉樹分解法來精簡檢索域，剔除圖像中特征點響應即灰度變化不明顯的區域。

為了滿足FAST算法對有效檢索域的需求，對四叉樹分解法進行改進。具體實現過程如下：

1）假設圖像區域為R，均分為4個子區域，設置一個邏輯謂詞P。

2）對任一區域Ri,如果灰度級與其水平和垂直方向上的鄰域都相同，則P(Ri)=FALSE，將此區域排除在檢索域之外，否則P(Ri)=TRUE，保留為待檢索域。

3）對保留區域重復步驟1～2，繼續篩選檢索域。

4）依據不同應用場景的實際需求確定分裂次數，最終所有保留的檢索域即為FAST在原始圖像上的檢索域。

其中，相似度準則T(Ri)定義為：

其中zij表示區域Rij中第j個點的灰度級；mi表示區域Ri的平均灰度級；σi表示區域Ri灰度級的標準方差。若區域內像素點存在80%滿足則將此區域所有像素灰度等級置為Ri。

1.2 RANSAC誤匹配消除

傳統ORB算法中存在相當一部分錯誤匹配，主要表現為兩種形式：匹配到的特征點是錯誤的以及存在無法匹配的特征點。

RANSAC錯誤匹配消除是利用匹配點計算兩個圖像之間單應矩陣，然后利用重投影誤差來判定某一個匹配是不是正確的匹配[3]。基于特征檢測環節引入四叉樹分解法進行檢索域篩選時產生包含局部特征點的區塊，其原理是通過迭代方式估計數學模型參數，對一組觀測數據集進行數學模型擬合，從包含大量局外點的數據中估計出高精度參數，去除不屬于模型的局外點及噪聲[4]。通常尋找一個大小為3×3的單應性矩陣H，在圖像中存在最多的特征點滿足該矩陣，有

使h33=1對H進行歸一化處理。

由于存在8個未知參數，則需將最小點對數目設置為4對或者多于4對，才可以進行矩陣求解，其對應關系為：

式中(x ,y)表示原始圖像特征點位置，( x′,y′)表示特征點在待匹配圖像上的位置，σ為尺度系數。

對單應性矩陣H求解后，得到模型對剩余點對進行測試，提取滿足模型特征點的數量及代價函數J，代價函數最小時表明投影誤差最小，即尋找到最優模型。

其表達為：

為進一步提高誤匹配篩選效率，本文通過對四叉樹分解法所得到檢索域的不同區塊進行隨機采樣，來提高模型參數計算的準確性和穩定性。

2 實驗結果與分析

實驗仿真環境為Visual Studio 2017，計算機系統是Windows 10 SPI，處理器為Intel(R) Core(TM)i5-3230M，頻率為2.60GHz，內存8G。為保證實驗結果具有客觀典型性，測試圖像均來源于牛津大學機器人實驗室圖像庫，選用該圖庫中涉及光照變化、模糊變化以及旋轉縮放變化三組更貼近實際應用場景環境復雜變化的圖像。其特征匹配結果如圖1所示，左側為原始算法，右側為本文改進算法。

圖1 特征匹配結果

從上述結果可以看出，本文基于ORB改進的三維注冊跟蹤算法在環境發生光照、模糊、旋轉等復雜變化時具備良好的魯棒性與實時性，對特征誤匹配具有良好的剔除效果。

3 結論

本文以機器視覺中ORB特征匹配算法為核心改進了增強現實中的三維注冊跟蹤方法，使用四叉樹分解法精簡特征檢索域，在匹配環節使用RANSAC方法消除誤匹配。實驗結果表明，本文改進的三維注冊跟蹤方法在增強現實應用環境發生復雜變化時具備良好的魯棒性與實時性，具備一定的實際應用價值。