面向視覺導航的圖像特征評價方法研究

慈文彥 袁麗麗 王玨 朱明祥

【摘 要】合理的評價各種特征算法的性能有助于指導人們在構建視覺導航系統時做出正確的選擇。本文首先介紹了特征評價方法的產生背景，描述了傳統特征評價方法的發展歷程，繼而闡述了特征評價方法的新趨勢，最后展望了特征評價方法未來的發展方向。

【關鍵詞】特征檢測；特征描述；評價方法

中圖分類號： TG485 文獻標識碼： A 文章編號： 2095-2457（2018）32-0090-002

DOI：10.19694/j.cnki.issn2095-2457.2018.32.041

【Abstract】Rational evaluation of the performance of various feature algorithms is helpful to guide people to make correct choices in the construction of visual navigation system. Firstly， this paper introduces the background of feature evaluation method， describes the development process of traditional feature evaluation method， then expounds the new trend of feature evaluation method， and finally looks forward to the future development direction of feature evaluation method.

【Key words】Feature detection； Feature description； Evaluation method

0 引言

圖像特征的檢測和描述是視覺導航系統的一個基本模塊。對于特征的評價也是這項研究的重要組成部分。一個理想的特征檢測與匹配系統要求能夠在典型的圖像中檢測到大量的有意義的特征，并且從不同的角度觀察同一場景時能夠穩定的匹配這些特征。所要考慮的問題包括：對光照、旋轉、尺度、視角的魯棒性，特征的數量，誤匹配的頻率以及計算量等。系統的特征評價理論的產生開始于1998年。本文將特征評價理論的發展分為兩個時期：第一個時期是1998年到2004年，這段時期Mikolajczyk和Schmid等學者構建了評價體系的理論框架；第二個時期是2004年至今，特征評價方法呈現出多種趨勢，向著更實用的方向發展。

1 傳統特征評價方法

1998年，Cordelia Schmid等學者首次對當時流行的一些特征檢測算法進行了評價。圖像數據庫由一些從不同視角拍攝的繪畫圖像組成。由于所有的場景都是平面的，因此相同場景的圖像之間符合單應性變換。他們設計了單應性變換的真實值的獲取方法：將一幅帶有網格狀黑點的圖像投影到圖畫上，計算二者之間的變換關系。他們從圖像旋轉、尺度變化、光照變化、視角變化和攝像機噪聲等方面將Harris角點和文獻[1]進行了比較，所使用的評價準則是可重復性。實驗結果表明Harris算子的性能是最好的。

2002年Hall等學者提出了尺度變換下顯著性的概念，評估了Harris、Harris-Laplace以及Lindeberg角點檢測算子。評價結果顯示Harris-Laplace算子檢測到的特征點較少，但是顯著性最高。

2004年，Mikolajczyk等學者對MSER、Harris-Affine、Hessian-Affine等仿射不變特征檢測算法進行了深入的研究和評價。數據庫中的圖像大部分由自然場景組成。然而這些場景有的是平面的，有的是從很遠的距離觀察到的，其效果也與平面場景類似。因此，他們仍然用單應性為真實變換建立模型。真實值通過人工選擇特征點對計算得到。他們認為相對于其它算法，MSER算法最穩定，檢測效果最好，但是檢測到的特征區域也往往最少，Hessian-Affine僅次于MSER。

2 特征評價方法新趨勢

從2004年開始，特征評價方法有了新的發展，主要體現在如下三個方面。

2.1 圖像數據庫

2004年，Fraundorfer和Bischof[2]在真實場景圖像上比較了MSER、Harris、Hessian、DoG、Hessian-Affine和Harris-Affine等特征檢測算子。使用從同一場景得到的三幅不同視角的圖像計算真實值。首先在兩幅圖像之間建立特征點對應，然后將這兩幅圖像上的特征點坐標通過三焦點張量法轉換為第三幅圖像的坐標。

2006年，Moreels等學者[3]針對3D目標識別領域，比較了多種特征檢測算子和描述符。與之前的Mikolajczyk和Schmid等學者的工作不同，他們的數據庫由大量的真實場景的3D目標圖像組成，在計算真實值方面，也取得了新的進展。他們運用極線約束能夠獲得高穩定性的真實特征點對應，推進了特征點評估從2D場景向3D場景發展。另外與同樣使用了真實場景數據庫的文獻[2]相比，所得的結果也有很大差異。產生這種差異主要有兩點原因。第一，文獻[2]圖像中包含了大量的表面類似平面的物體，例如，盒子、桌子等；第二，文獻[3]使用了純幾何的方式建立真實特征點對應，而文獻[2]使用的是匹配的方式。

與文獻[2]一樣采用純幾何的方式計算真實值的還有Dahl等人的DTU機器人數據庫，該數據庫包括60個場景，每一個場景都對應119張從不同位置拍攝的圖像。值得注意的是，以上圖像數據庫都是由單個的圖像組成的，而不是視頻序列。

2.2 特征檢測算子和描述符統一評估

在傳統的特征評價方法中，有的文獻關注特征檢測算法，有的文獻關注特征描述算法。但是在新的階段中，特征檢測算子和描述符的統一評估受到了一些學者的重視，他們開始關注特征檢測算子和描述符結合之后，特征對的整體性能。如Krystian Mikolajczyk等人評估了Harris-Laplace、DoG、Hessian-Laplace、MSER等特征檢測算子與SIFT、PCA-SIFT、GLOH等特征描述符之間組合的特性，結果認為Hessian-Laplace與GLOH的組合在目標識別系統中表現了最好的性能。

2.3 面向具體的應用

不同的應用對于特征點性能的要求也不同。如Moreels等學者針對3D目標識別領域，采用實驗驗證的方式比較了多種特征檢測算子和描述符。他們認為誤匹配的頻率對于目標識別系統非常關鍵，因為目標識別需要考慮大量的潛在的匹配圖像。2009年，Natasha Govender等針對“從運動到結構問題”，采用實踐驗證的方式比較了Harris、SIFT、SURF以及GFTT等特征算法，結果顯示SIFT描述符的重投影誤差最小。另外，Bruno Ferrarini等學者還專門研究了各種特征算法在不同場景中的表現。他們為場景貼上了如下標簽：室內或室外，簡單或復雜，人造或自然，詳細分析了特征算法和場景的關系。

3 結束語

綜合分析以上這些方法，可以發現這些特征算法還存在以下不足：（1）沒有把實驗驗證和實踐驗證結合起來。所有不針對某個應用領域的特征評價方法使用的都是實驗驗證方法。在面向應用的方法中，有的使用的是實驗驗證方法。有的使用的是實踐驗證方法。（2）缺少對特征評價結果的系統分析。絕大多數文獻都是通過對性能指標的觀察得出若干個結論，例如哪個特征表現最好，哪個特征最差等，少有深入的分析。

特征的檢測與關聯是視覺導航系統的第一個重要模塊。因此如何選擇一對好的特征檢測算子與描述符是視覺導航系統必須面對的問題。迄今為止，文獻中出現的特征檢測算子與描述符多種多樣，所采用的方法也有很大區別。盡管學者們努力彌補已有的算法中的一些不足，但是每一個特征檢測算子或者描述符都有各自的優缺點，并沒有一種完美的方案能夠適應所有的應用。在這種情況下，評價特征檢測算子與描述符的特性具有重要的意義。此外，由于新的特征不斷的出現，對于這些特征的評價也是一個逐漸更新的過程。

【參考文獻】

[1]W. F？觟rstner，"A framework for low level feature extraction，" in Proceedings of the 3rd European Conference on Computer Vision， 1994， pp. 383-394.

[2]F. Fraundorfer and H. Bischof，"Evaluation of local detectors on non-planar scenes，" Proc Workshop of the Austrian Association for Pattern Recognition， pp. 125-132，2004.

[3]P.Moreels and P. Perona， "Evaluation of Features Detectors and Descriptors based on 3D Objects，" International Journal of Computer Vision， vol. 73， no. 3， pp. 263-284， 2006.