基于局部一致性的特征匹配算法

姚晉晉 張鵬超 王永鑫 王彥

摘要：針對特征匹配對尺度、光照變化敏感的問題，提出一種改進ORB特征提取方法，并采用基于局部一致性的方法進行匹配。首先采用改進ORB算法提取魯棒性更強的特征點，并計算特征點的方向與描述子，接著采用暴力匹配進行粗匹配，最后根據運動平滑性的條件使用基于網格運動統計的方法剔除誤匹配。實驗結果表明所研究算法在尺度、光照等條件變化時匹配平均精度仍然大于95%，具有較好的匹配準確率和魯棒性。

關鍵詞：ORB;特征匹配;局部一致性;運動統計

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2019）07-0128-03

0 引言

圖像匹配是計算機視覺領域一個基本問題，目的是為了尋找圖片對應的運動關系，目前常用的匹配方法是基于特征點的匹配，然而該方法由于特征點的固有問題，容易受到光照、尺度、視角等影響，匹配準確率有待提高。隨機采樣一致性（RANSAC）方法是常用的特征匹配算法，但是算法復雜度較高，無法滿足實時性要求較高的系統。Zhang Songtao[1]等人提出了基于雙向交叉匹配和距離閾值的匹配方法，提高了匹配的準確率，然而正確匹配數量卻隨之減少了;Yong An[2]等人提出了一種基于k近鄰的用于SIFT特征的匹配算法，根據特征點周圍的附屬點判斷匹配是否準確，從而實現誤匹配的篩選，具有良好的去誤匹配的能力;Jiawang Bian[3]提出一種基于網格運動統計（GMS）的特征匹配方法，該方法在運動平滑的假設上，通過計數鄰域的匹配點個數判斷匹配是否正確，提高了匹配準取率，但是為了保證效果，需要提取大量的特征點。

為此，本文提出了改進的ORB方法進行特征提取，采用Hessian矩陣計算關鍵點，并計算關鍵點的方向，使其具有尺度和旋轉不變性，并采用BRIEF描述子對關鍵點鄰域內隨機生成的點對進行灰度值的比較，通過Hamming距離進行暴力匹配得到粗匹配結果，最后采用基于局部一致性的方法進行誤匹配的去除，從而提高特征匹配的準確率。

1 算法描述

1.1 改進ORB特征提取

傳統ORB算法不具備尺度不變性，為此在OpenCV中的ORB算法構建了金字塔，在多尺度上提取特征點，但對于模糊的圖片仍然難以達到較高的匹配效果，本文采用Hessian矩陣[4]為核心的方法提取特征點，具有更強的魯棒性。

2 實驗分析

為驗證本文算法的圖像匹配效果，本實驗主要采用OpenCV視覺庫在牛津大學圖像匹配數據集中進行。實驗在Ubuntu16.04系統下進行，CPU為i5-4258，2.4GHz，8G內存。為了驗證匹配算法在不同環境下的效果，分別在模糊程度不同，光照不同，以及視角不同的條件下，對暴力匹配、基于RANSAC的方法的匹配和本文算法進行對比實驗。

在模糊處理的圖片上匹配結果如圖1所示，a、b、c分別是暴力匹配、RANSAC匹配和本算算法在模糊處理后的匹配結果，由實驗分析可知，暴力匹配的效果最差，包含有大量的誤匹配，而后兩種算法的效果較好，但是本文算法的匹配準確率和正確匹配數量均優于基于RANSAC匹配，準確率達96.62%。圖2和圖3分別為光照變化、視角變化條件下三種匹配算法的實驗結果。

由圖2分析可知，在光照條件變化下，本文算法仍然保持較多的匹配數量，具體如表一所示，并且仍然保持較高的匹配準確率，而基于RANSAC的方法，則由于其算法的嚴格性刪除了大量的正確匹配。而在視角變化下，如圖3所示，本文算法所得到的匹配數量少于基于RANSAC的方法，原因是因為本文算法在視角變化較大時，運動平滑性的假設條件被破壞，導致匹配數量下降，但是匹配準確率依然維持在較高水平。

匹配結果的具體數據如表1所示，分別對匹配數量、匹配準確率及匹配時間進行檢測，為不失一般性，每組實驗數據均為10次結果的平均值，其中暴力匹配（BF）算法的匹配時間為特征點匹配所用時間，而為了直接對比基于RANSAC方法的匹配和本文算法的匹配時間，后兩者的匹配時間指的是得到粗匹配后再處理的時間，例如BF+RANSAC算法匹配時間為對粗匹配結果使用RANSAC方法進一步提純所用的時間。

由表1分析可知直接使用暴力匹配得到的匹配準確率不到60%，遠未達到可以進行位姿估計的要求，而BF+RANSAC和本文算法的匹配準確率均在90%以上，匹配效果良好。并且本文算法在模糊處理和光照條件變化的條件下的正確匹配數量遠高于BF+RANSAC算法，其中在模糊條件下高出BF+RANSAC方法12.39%，在光照條件變化下高出前者57.14%。但是在視角變化較大的情況下，本文算法的正確匹配數量下降，是因為本文匹配算法建立在平滑運動的假設上，當視角變化較大時，匹配數量下降。由匹配時間分析可知，本文算法在匹配對的提純上比RANSAC方法快1～2個數量級，大幅減少了特征匹配的時間。

為了進一步驗證本文算法在大數量特征點匹配上的優勢，實驗對不同圖像均提取2000個ORB特征點，再對其分別用RANSAC和本文算法進行提純，匹配結果如表2所示。

從表2分析可知，在環境變化時，本文算法相對于傳統RANSAC算法可以保持較高的準確率，平均提升3.08%，同時保留的較多的正確匹配，尤其是在光照條件和視角變化時，所得正確匹配數量大幅提升，對三維重構具有重要意義。

3 結論

實驗結果表明，本文所提出的算法在圖像亮度變化和模糊情況下，具有較好匹配效果，在保證一定準確率的同時，可以得到更多的正確匹配，有利于位姿估計和三維重建，并且相對于RANSAC方法，本文算法的提純時間減少了1～2個數量級，大大減小了去除誤匹配的時間，但是在視角變化變大時，匹配數量有所下降，仍需進行改進。

參考文獻

[1] Songtao Z，Chao L， Liqing L.An improved method for eliminating false matches[C]// International Conference on Image.IEEE，2017.

[2] Yong A，Hong Z.SIFT matching method based on K nearest neighbor support feature points[C]// IEEE International Conference on Signal & Image Processing. IEEE，2017.

[3] Bian J，Lin W Y，Matsushita Y，et al.GMS： Grid-Based Motion Statistics for Fast，Ultra-Robust Feature Correspondence[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2017.

[4] Bay H，Tuytelaars T，Gool L V.SURF：Speeded up robust features[J].Computer Vision & Image Understanding，2006，110（3）：404-417.

[5] Gao X，Zhang T.Robust RGB-D simultaneous localization and mapping using planar point features[J].Robotics& Autonomous Systems，2015，72：1-14.

[6] 王瑜，禹秋民.基于曲率特征與改進的RANSAC策略的圖像匹配算法[J].計算機工程與設計，2018，39（12）：3791-3796.

[7] 孫瑩.圖像特征點提取與描述算法研究[J].網絡空間安全，2016，7（2）：18-21.