一種基于區域劃分的改進ORB算法

孫浩，王朋

（山東交通學院 信息科學與電氣工程學院，濟南 250357）

基于特征的圖像匹配算法越來越受到人們的青睞，特別是在視覺SLAM（Simultaneous Localization and Mapping）［1］和視頻監控領域更是成為了一項關鍵技術。隨著多媒體信息技術的發展，視頻監控技術被用于公共區域的視頻監控，以提高公共區域的管理和監控能力。在公共區域視頻監控系統的設計中，需要對公共區域的視頻監控圖像進行準確的檢測和監控，提取公共區域視頻監控的目標特征，提高公共區域的管理能力，消除公共區域的危險性。在公共區域除害追蹤監測方法的研究上具有十分重要的意義，而且在公共安全管理和刑事偵察領域具有良好的應用價值［2］。根據圖像匹配方法的基本思想可將圖像匹配方法分成兩大類，即基于區域的匹配方法和基于特征的匹配方法。兩類方法相比而言，基于特征的匹配方法有計算量小、魯棒性好、對圖像形變不敏感等優點，所以基于特征的匹配方法成為目前研究的熱點。基于特征的圖像匹配方法主要包括3步：特征提取、特征描述和特征匹配。當前常見的特征點提取算法有SIFT（Scale Invariant Feature Transform）［3］、SURF（Speeded-Up Robust Features）［4］以及ORB（Oriented FAST（Features from Accelerated Segment Test） and Rotated BRIEF（Binary Robust Independent Elementary Features））［5］。

ORB算法由Rublee等在2011年提出［6］，該算法通過FAST［7］算法提取特征點，通過BRIEF［8］計算得到描述子，使得系統對于噪聲具有更高的魯棒性。與之前的算法相比，ORB算法在計算速度上具有絕對的優勢，在計算速度上是SURF的10倍，是SIFT的100倍［9］，能滿足實時性要求，但是其魯棒性不如SIFT，且不具備尺度不變性，在圖像匹配中容易造成誤匹配［10］。文獻［11］對傳統ORB算法進行了改進，提出了一種基于模塊化區域分割的ORB算法，算法雖能保證特征點均勻提取，但無法按照實際要求改變特征點的提取數量，且提取速度也要慢于傳統ORB算法。文獻［12］針對ORB算法不具有尺度不變性和匹配精度低的問題，提出了一種結合SURF算法和BBF（Best Bin First）算法的思想對ORB算法進行改進，算法雖然提高了匹配精度，但提取速度相較于傳統ORB算法卻慢很多，無法保證系統的實時性。

本文提出了一種全新的基于區域劃分的ORB算法，在保證特征點提取速度的同時，使得后續的特征點匹配精度也得到了提高。

1 ORB算法原理

1.1 特征點檢測

圖像特征點能夠簡單理解為圖像中更重要的點，如輪廓點、較暗區域的高光點、較亮區域的暗點等。ORB算法運用FAST算法來尋找特征點，FAST的核心思想是找出那些突出的點，即將一個點與周圍的點進行比較，如果與周圍的大多數點不同，則可以將其挑選出來作為一個特征點。圖1為FAST特征點的提取示意圖。

FAST具體計算過程如下：

步驟1從圖1中挑選一個像素點P，判斷它是否可以作為特征點。首先假設它的灰度值為Ip。

圖1 FAST特征點提取示意圖Fig.1 Schematic diagram of FAST feature point extraction

步驟5遍歷所有圖像區域，直到提取的特征總數∑nj達到條件數量時，結束提取。

步驟3以像素點P為圓心，挑選出半徑為3的圓上的16個像素點。

步驟4分別對挑選出的點對進行T操作，將得到的計算結果進行組合。

步驟5為了更高效地檢測出特征點，可以增加一項預判操作，這樣可以快速地篩選掉大部分不是角點的像素點。通過直接檢查鄰域圓上的1、9、5和13這4個位置的像素點灰度進行預判。首先檢查1和9，看它們是否和P點相同，如果是，再檢查5和13。只有當這4個像素點中的3個同時大于Ip+t或者同時小于Ip-t時，P點才被認為是一個角點。如果不能滿足上述條件，則不能作為角點，直接排除。通過該操作可以獲得3種不同的點，如下：

2.2 藥物敏感試驗 GBS菌株對9種常見抗生素藥物敏感試驗見表2。紅霉素耐藥率從2014年的58.8%升至2016年的59.8%；克林霉素耐藥率從64.6%升至71.0%；四環素耐藥率從86.1%升至90.2%；左氧氟沙星耐藥率有所下降，由32.1%降至21.0%。

式中：Sp→x為第x個點提取到的點集；Ip→x為圓上16個點中的第x個點的灰度值；a為圓上比P點暗的點；b為圓上與P點相似的點；c為圓上比P點亮的點。

1.2 計算特征點描述子

ORB使用改進的BRIEF算法計算一個特征點的描述子。其核心思想是在特征點P的周圍以特定模式選取n個點對，把這n個點對的比對結果組合起來作為描述子［13］。

“在這半月里，我才真知道人民革命軍真是不行，要干人民革命軍那就必得倒霉，他們盡是些‘洋學生’，上馬還得用人抬上去。他們嘴里就會狂喊‘退卻’。二十八日那夜外面下小雨，我們十個同志正吃飯，飯碗被炸碎了哩！派兩個出去尋炸彈的來路。大家來想一想，兩個‘洋學生’跑出去，唉！喪氣，被敵人追著連帽子都跑丟了，‘學生’們常常給敵人打死。……”

計算描述子具體步驟如下：

針對我校研究生培養過程中遇到的問題，開展了基于GDP導師團隊指導模式下燃氣輪機性能分析課程教學活動設計及實踐的研究，提出以小組設計項目(GDP)為載體，以導師團隊指導為保證的基于GDP導師團隊指導模式下的研究生培養研究模式，不同小組針對本專業基礎知識選擇不同的燃氣輪機設計題目，由學生自主討論安排研究計劃，學習燃氣輪機專業相關設計理論，掌握壓氣機、燃燒室和渦輪等不同部件的設計方法和設計軟件，激發學生創新能力，建立知識體系與工程應用的關系，為工程實際需要培養創新型人才。

步驟2在圓O內選取n個點對。為了便于描述，令n=4。如圖2所示，將挑選出的4個點對分別標記為：P1（A，B）、P2（A，B）、P3（A，B）、P4（A，B）。

圖2 描述子計算示意圖Fig.2 Schematic diagram of descriptor calculation

步驟3定義操作T。

式中：Iα和Iβ分別為A和B的灰度值。

步驟4假如這16個像素點中有連續的l個點的灰度都大于Ip+t或者都小于Ip-t，那么P就可以被認為是一個角點。這里l設定為12，若有至少12個點超過閾值，則認為P是特征點；否則，認為P不是特征點。

假如：

則最終的描述子為：1011。

由于FAST算法無法檢測到特征點方向信息，在ORB算法中，利用矩來確定特征點的方向，通過計算特征點附近的圖像灰度質心［14］來表示。在一個小的圖像塊B中，定義圖像的矩為

式中：p，q=0，1，2，…；I（x，y）為（x，y）點處的灰度值。通過式（3）可以得到零階矩m00、一階矩m10和m01。

通過矩可以計算其質心為

目前，東營市不少農民合作社都是白手起家，社員數量少，生產規模小，經濟實力較弱，在資金融通、技術引進、設施改造、市場開拓上面臨很大困難，導致帶動輻射能力弱。

由于BRIEF描述子不具備旋轉不變性，在對其增加方向信息后，在（xi，yi）的位置，對n個點對定義矩陣A為

變換矩陣利用特征點的方向角θ與旋轉矩陣Rθ進行變換：

式中：Aθ為 旋 轉 后 的 特 征 點 對 矩 陣；Rθ=

BRIEF中點對灰度值的比較值又叫做binary test值，其定義為

算法具體步驟如下：

步驟1在構建圖像金字塔時，將圖像均勻分割成M×N個大小相同的區域，M 為分割的行數，N為分割的列數，在這些區域中，特征點會隨機分布。將區域按照先行后列進行排序，表示為｛h1，h2，h3，…，hM×N｝。

得到改進的描述子后，再進行搜索，在像素塊中挑選n個點對作為最終的描述子［15］。

國內磷肥產能過剩仍然嚴重，落后產能退出加快，未來磷肥產能將集中在有資源優勢的區域。國家環保政策的不斷出臺對行業影響較大，部分企業生產暫時受影響，但長遠來看能加速行業洗牌，規范市場競爭。隨著行業自律效果逐漸顯現，磷銨供應趨緊，加之出口市場轉好，今年秋季磷酸二銨價格穩中見漲，也是對行業改革發展的行動給予積極回應。市場供應量不足將推動價格上漲，出口的穩定走勢能幫助消化國內過剩產量，環保壓力持續則有利于規范市場，將不達標的小企業淘汰出局，維護市場的健康規范。

2 改進ORB算法

ORB算法使用FAST算法檢測圖像特征點，獲得的特征點分布密集，存在冗余。一般來說，特征點越多，則獲得的圖像匹配越準確，但特征點密集分布對后續的特征描述十分不利，并且會影響圖像匹配精度［16］。本文提出一種基于區域劃分的ORB算法，通過對每個區域分別進行特征點提取來解決上述問題。同時，設置自適應閾值，當提取的特征點數量達到條件數量即需要提取的特征點總數時，提前結束來減少特征提取的時間。改進ORB算法流程如圖3所示。

步驟1以特征點P為圓心，以d為半徑做圓O。

多模射頻前端的實現包括硬件電路的搭建以及FPGA對射頻鏈路的配置,其處理框圖如圖5所示。多模射頻接收鏈路配置模塊主要包括:各芯片寫控制模塊,射頻混頻參數查找表模塊及指令接收模塊。

圖3 改進ORB算法的流程圖Fig.3 Flow chart of improved ORB algorithm

式中：p（x）和p（y）分別為點x和點y處的像素灰度值。隨機選擇n個點對（xi，yi）就可以生成一個二進制字符串，則生成的特征描述子可以表示為

于是，改進后的描述子為

步驟2設置閾值j。式中：需要提取的特征點總數Tf與ORB算法提取的特征點總數相同，一般為500，使得特征點能夠更加均勻地分布，而且可以節省篩選最佳特征點的時間。

步驟3對每個區域分別進行特征點檢測，將每個區域在閾值等于t時檢測到的FAST特征點的個數nj與j進行比較，若nj不小于j，則選取j個最佳點；若nj小于j，則降低提取FAST特征點時的閾值t，重新檢測。由于只有當兩點之間的灰度值之差的絕對值大于閾值t時，才能認為2個點是不同的，才可以進行下一步檢測。因此，通過降低閾值t，能夠增加灰度值之差的絕對值大于閾值的點的個數，從而可以檢測到更多的角點以供篩選。

步驟4經過步驟3的檢測，有些區域的特征點數會超過需要的特征點數，容易造成檢測出來的點彼此相鄰，無法成為最佳特征點，需要篩選掉這一部分點。本文采用非最大值抑制的方法。假設P和Q兩點相鄰，分別計算兩點與周圍16個點的差分和，去掉差分和最小的點，直到剩下的點與所需要的點數一致時停止篩選，剩下的即為最佳點。差分和計算公式為

無論在當下還是未來，AT變速器一定還是要走多擋位路線，AT變速器作為最為傳統類型的一款有級自動變速器，已經有超過100多年的歷史，而電子控制技術也有近40年的歷史。現如今AT變速器擋位數已經達到10個前進擋位，因此無論是低端家庭用車還是中高端以上車型，我們都很難再看到新車搭載4AT或5AT的變速器。2018年5月，吉利和廣汽與全球知名的自動變速器生產廠家日本愛信簽約，為滿足市場小排量低端車型的需求，將愛信公司生產的一款6AT生產線拿到國內進行量產，從這一信息來看，未來幾年國內低端小排量車型，在AT變速器選擇上一定

式中：Sbright為16個鄰域像素點中灰度值大于Ip+t的像素點的集合；Sdark為灰度值小于Ip-t的像素點的集合。

步驟2設值一個合適的閾值t（比如Ip的20%），當2個點的灰度值之差的絕對值大于t時，可以認為這2個點不相同。

It is an interesting manuscript on important topic. The paper is well-written.

由于FAST特征點不具有尺度不變性，可以采用SIFT高斯金字塔來實現，高斯金字塔的構建分為兩部分：對圖像做不同尺度的高斯模糊和對圖像做下采樣［17］。

高斯模糊常被用來模擬物體在人眼中的快速遠近效應。其核心是利用高斯函數對輸入圖像進行模糊模板解卷積運算，去除圖像的高頻成分，實現圖像的模糊化。高斯函數一維和二維表達式分別為

通過姿態檢測系統來實時檢測車身姿態及運動狀態，并根據姿態信息對小車進行控制.目前多重技術方案都可以實現傾角檢測，Column-Bot采用微機電系統(Micro Elector Mechanical System，MEMS)陀螺儀和MPU6050加速度慣性傳感器構成的姿態檢測系統，可以實時、準確地檢測兩輪自平衡移動底盤的傾角.使用PID中的雙閉環控制控制算法、卡爾曼濾波算法，對陀螺儀和加速度慣性傳感器采集的數據進行融合，使測量角度更加真實穩定.

式中：x、y分別為原點到x軸、y軸的距離；σ為高斯函數G的標準差。

本文中通過設置一個比例因子scaleFactor和金字塔層數nlevels，將原圖像I按比例因子縮小成nlevels幅圖像。縮放后的圖像I′為

3.4.1 有關醫療部門規定，但凡接觸過患者體液的物品均被視為污染，凡是污染物均需進過相應處理后才能廢棄或再利用。由此可見，棉布也不是完全環保的，其在清洗過程中會產生廢水，這些廢水若處理不當同樣會造成環境的污染。而一次性無紡布不重復使用，直接焚燒處理。焚燒產生的廢氣只要處理得當，將大大減少對環境的污染。另外，隨著環保意識的增強，對聚丙烯制品的回收再利用成為目前日益關注的焦點，一次性無紡布雖為醫療廢棄物，但只要經過消毒處理同樣可以成為再生的能源［6］。

分別對nlevels幅不同比例的圖像通過本文算法提取特征點，提取的特征點總數作為這幅圖像的FAST特征點以解決ORB算法不具有尺度不變性的問題［18］。

長期以來，廣播電視對自已定位于黨和人民的喉舌，關注較多的是其政治屬性，但是，在全球經濟一體化的新形勢下，應當而且必須正確認識到廣播電視的多種屬性，將新的思維和辦法，應用到節目生產的每個環節，這是新形勢下提升廣播電視節目質量發展的必由之路。

本文中高斯金字塔一共生成8層不同尺度的圖像，圖像金字塔示意圖如圖4所示。圖中L0～L7分別為第1幅～第8幅下采樣圖像。

4.企業責任。在生產建設的同時，積極參與社區建設，時刻心系群眾，關心群眾生活，為當地村民提供勞動就業機會，解決就業難題。要與當地村民組織建立定期、不定期協商磋商機制，共同研究制定因礦業開發造成群眾利益損害的有關補償條件、補償標準和補償辦法，對當地群眾提出的損害補償訴求經認定屬實的，按共同約定的補償條件、補償標準和補償辦法及時協商解決。要通過礦地和諧建設，及時化解礦山開發與當地群眾的矛盾，營造企業與社區共同發展、人與環境和諧融洽的良好局面。

圖4 圖像金字塔示意圖Fig.4 Image pyramid illustration

3 實驗結果與分析

本實驗在Linux系統+Opencv3.4.1平臺上實現，原始圖像如圖5所示。

圖5 原始圖像Fig.5 Original images

傳統ORB算法和本文算法提取的特征點分別如圖6所示。圖像匹配結果分別如圖7所示。

它是對一個問題的指稱，以及對一種不確定性的指稱。這種不確定性既是對視覺機制(視覺藝術、視覺傳媒、布展和觀展的行為)與語言機制(文學、語言、話語、聽、說、讀寫的行為)之間不規范、不固定的邊界的描述。......

圖6 不同算法提取結果Fig.6 Extraction results of different algorithms

圖7 不同算法匹配結果Fig.7 Matching results of different algorithms

從圖6可以看出，相較于圖6（a），圖6（b）的特征點分布更加均勻，大大減少了重疊特征點的數量，說明本文算法提取的特征點更具有代表性，后續的圖像匹配也更加準確穩定。匹配準確率對比如表1所示。

通過表1可以看出，本文算法在匹配精度方面較ORB算法提升了3.4%，較文獻［12］改進的ORB算法存在一定差距，通過該數據指出了本文算法未來的優化方向。

表1 匹配精度對比Table 1 M atching accuracy com parison

另一方面，算法運行速度是衡量一個算法優劣的重要標準，在平臺相同的情況下，若匹配結果基本相同，則速度越快的算法越好；若運行時間基本相同，則匹配結果越好的算法越優秀。本文將10次實驗結果取平均值，實驗運行時間的部分截圖如圖8所示，算法運行時間和匹配時間比較如表2、表3所示。

圖8 不同算法運行截圖Fig.8 Screenshot of running of different algorithms

從表2可以看出，本文算法在提取速度方面比傳統的ORB算法提升了16%，較文獻［11］改進的ORB算法速度提升了55%，較文獻［12］改進的ORB算法速度提升了84%。從表3可以看出，在匹配算法相同的前提下，本文算法在匹配速度方面比傳統ORB算法提升了9%左右。本文算法不僅提升了特征點提取速度，也使得所提取的特征點分布更加均勻，匹配速度也得到了提升。

表2 算法運行時間比較Tab le 2 Com parison of algorithm running tim e

表3 算法匹配時間對比Tab le 3 Com parison of m atching tim e

4 結 論

1）針對傳統ORB算法提取的無效特征點較多且不具有尺度不變性的問題，本文提出了一種基于區域劃分的改進的特征點提取算法。

2）算法將圖像進行區域劃分，提取的特征點都是在區域中表現最佳的點，通過設置自適應閾值，在特征點提取速度方面獲得了較大提升，在圖像匹配精度較ORB算法得到了提升，但對比文獻［12］改進的ORB算法還存在一定差距。在接下來的工作中，可以通過以下方法對該算法做進一步的優化：在構建圖像金字塔時，可以對圖像信息進行計算，并自動調節尺度信息，以保證圖像的尺度信息更加合理，使算法在尺度不變性方面得到進一步提升。