基于SURF-OKG特征匹配的三維重建技術

張蕾， 石巖*， 盧文雍， 徐睿， 靳展， 羅偉節，陳義， 趙春柳， 占春連

（1.中國計量大學 光學與電子科技學院，浙江 杭州 310018；2.浙江視覺智能創新中心有限公司，浙江 杭州 311215；3.浙江省北大信息技術高等研究院，浙江 杭州 311215）

1 引 言

雙目結構光三維重建是計算機視覺技術領域中的熱門發展方向，通過將特定編碼圖案投射到被測物體表面上，捕捉物體表面的幾何形狀信息，對左右圖像進行特征點匹配，計算物體的深度信息，最終獲得物體的三維模型。在雙目結構光三維重建過程中，特征點匹配對三維重建的結果至關重要［1］。

近年來，很多研究針對匹配精度對特征點匹配算法進行改進。2004年，D.G.Lowe提出了尺度不變特征變換［2］（Scale Invariant Feature Transform，SIFT），該算法建立了高斯差分空間并在不同尺度空間檢測極值點以獲取高精度特征點，具有魯棒性、尺度不變性、旋轉不變性和光照不變性，匹配正確率一般為60%~90%之間。2006年，H.Bay和A.Ess［3］提出了加速穩健特征（Speeded-Up Robust Feature，SURF）算法，有效保持了SIFT算法的特征點匹配性能，但匹配精度相比SIFT算法有所下降。2011年，E.Rublee和V.Rabaud［4］提出了一種ORB（Oriented FAST and Rotated BRIEF）特征點提取算法，該算法具有計算量小、速度快等特點，但匹配精度有所下降，匹配準確率為80%。2012年，Alcantarilla［5］提出了加速非線性擴散（AKAZE）算法，是一種基于非線性的特征提取與匹配算法，該算法在光照不變性、尺度不變性等方面具有較好的性能。2017年，BianJ.［6］提出了基于網格的運動統計（Grid-based Motion Statistics，GMS）算法，該算法通過使用網格進行快速計算，提高了特征點匹配的精度。2022年，劉明珠［7］實現了基于圖像金子塔的ORB算法，基于3階的B-spline圖像金字塔的ORB算法匹配準確率為69.363%，相比傳統ORB算法提升了40%。張龍［8］設計了基于FLANN結合SURF算法，用KD樹快速查找特征點，通過勞氏算法獲取最優匹配點。2022年，劉慧中［9］提出了一種基于改進GMS特征匹配算法的浮特征提取方法，采用ORB算法提取特征點，通過GMS特征匹配算法完成特征點對的快速匹配，利用隨機抽樣一致算法（RANSAC）對特征匹配結果中存在的誤匹配點進行剔除，該算法的匹配準確率在90%以上。2023年，朱世宇［10］針對運動網格統計等特征匹配算法誤匹配集中出現等問題，提出了一種使用改進GMS算法結合隨機樣本一致性算法計算單應矩陣的特征匹配算法，匹配準確率為84.9%。李華［11］實現了一種多尺度特征匹配加強算法（I-AKAZE），改進了非線性各向異性濾波過程中傳導函數，保留了匹配圖像的邊緣特征，匹配正確率相比AKAZE算法提升了8.4%。

傳統特征匹配算法在進行特征匹配時，由于圖像中的特征點分布不均勻，有些區域可能缺乏特征點，導致無法進行有效匹配，出現匹配缺失；在復雜場景下，存在相似的特征點或噪聲干擾的情況，容易導致匹配錯誤；在復雜場景下，同一個物體上的某些特征點可能由于旋轉、尺度變化或視角變化而導致重復檢測，從而產生匹配重復［12］。

本文為解決傳統特征匹配算法存在特征點匹配錯誤、匹配缺失和匹配重復等問題，在特征點匹配中使用SURF算法進行初步特征匹配，通過OKG算法進行二次匹配，提高特征匹配的精度，最終提高三維重建點云精度。

2 改進的特征匹配算法

本文首先基于SURF算法進行初步特征提取，使用自適應中值濾波結合小波變換算法對圖像進行平滑和降噪處理，然后將構建的尺度空間劃分成多個網格，在每個網格內使用FAST算法提取尺度空間特征點，使用ORB算子提取左右圖像的特征點，用BRIEF描述子對其進行描述，采用K-D樹最近鄰搜索法限制特征點選取，最后通過GMS算法剔除誤匹配點，實現基于SURFOKG算法的二次特征匹配。

2.1 改進的SURF算法特征匹配

加速穩健特征算法（Speeded-Up Robust Feature，SURF）通過構建Hessian矩陣生成感興趣的點進行特征提取。傳統SURF算法中的Hessian矩陣采用高斯濾波對圖像進行平滑處理以實現尺度空間的構建，但高斯濾波是基于正態分布的平滑核函數，其平滑操作會導致圖像中的像素值相互影響，對細節信息的保留程度有限，模糊了邊緣和細節特征，最終導致特征匹配結果的誤差。因此本文對SURF算法進行改進，利用自適應中值濾波結合小波變換來代替高斯濾波進行圖像的平滑處理，自適應中值濾波能夠有效地去除圖像中的噪聲，而小波變換可以更好地保留圖像的邊緣信息和細節信息，兩者結合可以在構建尺度空間的同時，更好地保留圖像的邊緣和細節信息，從而實現更好的匹配效果。改進的SURF算法的流程圖如圖1所示。

圖1 SURF算法特征匹配流程圖Fig.1 Flowchart of SURF algorithm for feature matching

2.1.1 計算積分圖像

構建積分圖像可以降低卷積運算的復雜度，加快特征點檢測的速度。積分圖像與原始圖像大小一致，積分圖像中的一個像素點(x，y)的灰度值的計算過程如式（1）所示：

其中：I(i，j)為原始圖像中像素點的灰度值，I∑(x，y)為積分圖像中像素點(x，y)的灰度值。

2.1.2 Hessian矩陣檢測特征點

SURF算法利用Hessian矩陣實現圖像特征點的檢測。Hessian矩陣由高斯函數的二階微分組成，二元高斯函數G(x，y，σ)如式（2）所示：

Hessian矩陣的計算類似于SIFT算法中的高斯卷積過程，通常被用來求極值問題。關鍵點位置由Hessian矩陣來確定，圖像中像素點f(x，y)的Hessian矩陣［13］為：

其中：σ為尺度空間因子，Lxx(x，y，σ)，Lxy(x，y，σ)，Lyy(x，y，σ)為高斯函數在點(x，y)處的二階導數。計算得到近似的Hessian矩陣行列式，如式（4）所示：

式中，h是為了平衡因近似帶來的誤差而設置的權重系數。

2.1.3 構建尺度空間

本文使用自適應中值濾波結合小波變換對同一幅圖像進行卷積來構造尺度空間。首先對輸入圖像進行小波變換，得到小波系數W(x，y)如式（5）所示：

其中：W(x，y)表示小波系數，S(j，k)表示小波變換后圖像在不同尺度和位置上的分量，ψx，y(j，k)表示在不同尺度和位置上的小波基函數。

對小波系數圖像進行自適應中值濾波。中值濾波通過計算鄰近像素內的中值，實現圖像的平滑降噪，而自適應中值濾波通過比較像素點周圍鄰域內的灰度值，選擇性地對該像素點進行濾波處理。將濾波窗口移動到每個像素的位置上，在每個濾波窗口范圍內，計算當前窗口內所有像素值灰度值的最大值和最小值，并計算它們之間的差值（脈沖響應值）。如果計算得到的差值小于閾值T，則該像素點的灰度值跳過濾波處理；否則，該窗口的尺寸將增加1，并且該像素點的灰度值將重新計算為新窗口內像素的中值，自適應中值濾波器如圖2所示。

圖2 自適應中值濾波器Fig.2 Adaptive median filter

脈沖響應會引起圖像中的局部突變，破壞圖像的平滑性和連續性。通過消除脈沖響應，可以使圖像的灰度分布更加均勻和連續，減少噪聲的影響，增強圖像的細節和邊緣特征。如果擴展后的窗口大小達到了預設的最大窗口大小，但仍然無法消除脈沖響應，則該像素點的灰度值將被替換為該窗口內所有像素的中值。對原始圖像I(x，y)中的每個像素點采用中值濾波進行平滑處理，得到平滑后的圖像S(x，y)，如式（6）所示：

其中：Med表示中值函數，計算窗口W內像素值的中值，(x，y)表示圖像中的像素坐標，其中x和y分別代表水平和垂直方向上的位置。(k，l)表示相對于中心像素(x，y)的偏移坐標，用于遍歷窗口W內的像素，表示(k，l)的取值范圍，即窗口W內的像素。

2.1.4 定位特征點

通過比較像素點與其三維領域內的26個像素點的圖像響應值的大小，來確定中心像素是否為局部極值點，進而識別特征點。這些像素點的響應值包括像素灰度值和梯度響應像素灰度值是通過比較中心像素與其周圍像素的灰度值來確定圖像的局部特征，梯度響應是指灰度值的梯度或導數，通過比較梯度響應值來檢測圖像的角點或邊緣等局部特征，如圖3所示。

圖3 尺度空間極值點檢測Fig.3 Scale space extremum detection

2.1.5 確定特征點主方向

對特征點領域內的Harr小波的特征進行統計，特征點的唯一主方向為圓形領域內模值最大的扇形指向。

2.1.6 構造特征描述子

在特征點周圍取一個正方形框，生成特征描述子時將其分割成16個子區域，每個子區域為25個采樣點。

SURF算法進行初步特征匹配的結果如圖4所示。

圖4 SURF算法特征點匹配結果Fig.4 Result of feature point matching using the SURF algorithm

SURF算法進行初步特征匹配的數據結果如表1所示。首先，使用改進后的SURF算法對圖像進行特征點提取和匹配，生成特征點和它們的匹配對，得到匹配總數為75，相比傳統SURF算法匹配到的總數更多。在特征匹配過程中由于圖像噪聲等影響會產生誤差匹配點，我們通過設定距離閾值來區分誤差匹配點和正確匹配點，只有在閾值范圍內的匹配點被認為是正確匹配點，如式（7）所示：

表1 SURF算法初步特征匹配結果Tab.1 Preliminary feature matching results of the SURF algorithm

其中：ρ是歐式距離，Ai是表示特征點A的描述子向量的第i個分量，Bi是表示特征點B的描述子向量的第i個分量。

本文設定的閾值為0.85，最終得到正確匹配數為57，計算得到的正確匹配率為75.65%，正確匹配率相比傳統SURF算法提升了7.64%。本文通過自適應中值濾波結合小波變換方法，有效地去除了圖像中的噪聲，提高特征點的準確性，減少誤匹配點的存在，最終提高正確匹配數。

2.2 基于OKG算法的二次匹配

在雙目立體匹配過程中，拍攝的圖像具有紋路相似和周期性結構等特點，只使用SURF算法會提取到大量密集且相似的特征點，最終導致特征點匹配的正確匹配率較低。圖像中的特征點相似度較高，而ORB（Oriented FAST and Rotated BRIEF）算子具有高速度和低計算成本等特點，并且具有旋轉不變性，可以提高特征點匹配的準確性，因此可以使用具有非線性性質的ORB算子進行特征提取［12］。針對上述問題，本文提出一種OKG算法進行二次特征點匹配，能夠有效剔除錯誤匹配點，提高特征點匹配精度。SURFOKG算法流程如圖5所示。

圖5 SURF-OKG匹配算法流程圖Fig.5 SURF-OKG matching algorithm flow chart

ORB算子進行特征提取過程中，首先使用FAST算法檢測出圖像中的角點，計算角點的主方向，以保證特征點具有旋轉不變性，在特征點周圍的區域內，計算BRIEF描述子，對所有特征點進行BRIEF描述子計算，生成ORB特征向量，用于后續的特征匹配，FAST角點檢測效果如圖6所示。

圖6 FAST角點檢測效果Fig.6 FAST corner detection effect

網格運動統計算法（Grid-based Motion Statistics，GMS）［14］可以表達一個圖像區域內擁有一定數量匹配特征。在堆垛圖像正確的匹配點對周圍還會存在更多的正確匹配點，錯誤的匹配點對周圍幾乎不存在正確的匹配點對，根據該思想通過統計鄰域的匹配點數量，從而能夠判斷一個匹配正確與否，這樣就可用來剔除圖像內的誤匹配點對。

領域特征點支持量的表達式為：

每個特征點的匹配是獨立的，則近似認為Si是服從二項分布的：

其中：Si為領域特征點支持量，xi為特征點，Kn為左、右圖像區域內特征點的個數，Pt為左圖像區域中匹配正確的特征點匹配到右圖像區域的概率，Pf為左圖像區域中匹配錯誤的特征點匹配到右圖像區域的概率，T為正確匹配點的集合，F為錯誤匹配點的集合。

正確匹配和錯誤匹配的均值和標準差分別為：

其中：mt為正確匹配的均值，mf為錯誤匹配的均值，st為正確匹配的標準差，sf為錯誤匹配的標準差。

設置一個判斷系數ρ=(mt-mf)/(st+sf)，ρ越大代表可以越好的區分正確匹配的點和錯誤的點。在每個網格中，區別正確和錯誤匹配的鄰域特征點的支持數量閾值為：

其中：τi表示閾值，α表示為一個可調值的參數，用于控制閾值的大小，nL表示與問題相關的特征點總數量。

將待匹配的圖像網格中鄰域特征點支持量大于τi的匹配點對保留，小于τi的匹配點對剔除，利用GMS算法實現了對正確匹配點對的提取。

針對不同圖像的紋理信息不同，容易造成特征點疏密不均勻的情況，影響最終的匹配結果。為此本文使用低時間復雜度的K-D樹最近鄰搜索法限制特征點的選取，作為待匹配數據集。

K-D樹［15］本質是一種二叉樹，能夠在樹中存儲n維數據。通過在數據集合上構建一個K-D樹，實現對圖像空間的劃分，即將K-D樹中的任意非葉節點對應到一個超矩形區域上，最終對圖像空間的點進行劃分，使得子空間所包含的數據量大致相等，如圖7所示。

圖7 K-D樹示意圖Fig.7 Illustration of a K-D tree

假設待匹配的兩幅圖像為k1和k2，兩者對應的特征點集合用O1和O2表示。首先將特征點集合O1中的特征點K-D樹的結構進行劃分，將該結構定義為X1，根節點為Xn。將k2中的特征點集合O2的所有特征點的第K維與X1中的根節點Xn進行比較分析，若結果為不小于Xn，則將其繼續與X1的右子樹進行比較，搜索繼續到葉節點為止。將特征點與待匹配特征點進行比較，確定其與待匹配特征點的歐氏距離最近節點以及次近距節點。最后通過GMS算法剔除圖像中的誤匹配點，使匹配結果更加精準。SURF-OKG算法匹配結果如圖8所示。

圖8 SURF-OKG算法匹配結果Fig.8 Matching results of the SURF-OKG algorithm

SURF-OKG算法進行二次特征匹配后的數據結果如表2所示，匹配總數為202，正確匹配數為185，正確匹配率相比SURF算法有明顯提高，為91.58%。

表2 SURF-OKG算法二次特征匹配結果Tab.2 Secondary feature matching results of the SURFOKG algorithm

2.3 特征匹配實驗

在特征點匹配過程中，計算每個參考圖像的特征點與目標圖像的特征點之間的最近鄰距離和次近鄰距離，并將它們的比值與設定的“最近距臨距離比”閾值進行比較，如果最近鄰距離和次近鄰距離的比值不超過閾值，則可認為這兩個特征點是匹配的。通過調整閾值，來分析對應的特征點匹配結果。將閾值做歸一化處理，分析不同閾值情況下的特征匹配結果，如圖9所示。

圖9 不同閾值對應的匹配情況Fig.9 Matching situation corresponding to different thresholds

通過分析圖9可知，較小的閾值對特征點匹配要求更為嚴格，導致匹配點數較少；較大的閾值會放寬匹配條件，但同時也增加了大量的誤匹配點數量。經過試驗發現，但閾值為0.85時，總匹配數與內點匹配數最為接近，正確匹配率最高，因此本文將閾值為0.85的情況設定為閾值的最佳值。

為驗證本文算法的有效性，選擇合理的目標圖像。由于教學樓的復雜結構，拍攝出的圖像具有尺度變換特征和大量重復結構特征，這兩種特征使得圖像易出現誤匹配現象，因此本文選擇特征點較多且特征情況多樣的教學樓進行試驗。本文通過教學樓圖像來驗證SURF-OKG算法在圖像具有尺度變換特征和大量重復結構特征下的匹配性能。分別采用SIFT算法、ORB算法、SURF算法與本文SURF-OKG四種算法對兩張不同視角的圖像進行特征點匹配，并進行匹配效果對比，四種算法的圖像匹配效果如圖10所示。

圖10 算法對比圖Fig.10 Algorithm comparison chart

計算四種算法的特征點匹配數、正確匹配數以及正確匹配率。其中特征點匹配數表示在兩幅圖像中找到的特征點之間成功建立匹配關系的數量；正確匹配數表示在剔除誤匹配點后剩余的可靠匹配對的數量；正確匹配率表示正確匹配數占特征點匹配數的百分比。算法結果如表3所示。

表3 不同算法的特征點匹配結果Tab.3 Feature point matching results of different algorithms

由圖11的特征點匹配結果分析可知，當被測圖像中具有大量尺度變換及重復結構時，由于同一目標特征點分布不均勻導致傳統圖像匹配算法容易出現錯誤匹配，在處理過程中容易產生大量的錯誤匹配點，而本文算法在對特征點進行提取時將尺度空間進行網格化處理，使得最終產生的錯誤匹配點遠少于傳統方法，從而有效降低錯誤匹配；傳統的特征匹配算法還存在不能有效剔除大量的重復匹配點，容易造成計算過程更為復雜，本文算法在網格化特征點篩選時應用GMS算法可以剔除更多的錯誤匹配點，從而有效提高匹配精度，更有利于進一步完成三維重建。SIFT算法在進行關鍵點檢測和描述時的算法較為復雜，本文算法中的ORB采用了FAST與BRIFE算法進行特征點檢測與描述，在錯誤特征點篩除階段，傳統算法采用RANSAC算法，本文提出的SURF-OKG二次匹配算法采用K-D樹和GMS算法進行誤匹配點的篩選，可以有效提高特征點匹配的準確性。

圖11 不同算法的正確匹配率Fig.11 Correct matching rate of different algorithms

2.4 特征匹配對比實驗

基于SURF-OKG特征匹配算法進行對比實驗。Cui［16］等人為提高特征匹配算法的性能對SURF算法進行改進，提出SUBE算法，本文選取文獻論文中所測試的Mikolajcyzk數據集下3組圖像進行實驗，通過計算正確匹配率對4種算法的性能進行對比實驗分析。該數據集中每組圖片集有6幅圖片，第1幅圖為標準圖片，其余5幅圖片為待匹配圖片進行匹配測試，本文以Bikes，Bark和Leuven圖片集中第一幅圖和第二幅圖的匹配結果為例，匹配效果如圖12~圖14所示。

圖12 Bikes圖像的匹配結果Fig.12 Matching results for the image labeled Bikes

圖13 Bark圖像的匹配結果Fig.13 Matching results for the image labeled Bark

圖14 Leuven圖像的匹配結果Fig.14 Matching results for the image labeled Leuven

通過對比匹配結果可知，ORB算法雖然提取到的匹配總數最多，但存在大量的誤匹配點；SURF算法在Bikes圖片集中提取到的特征點分布較為密集，文獻中的SUBE算法［16］雖然可以較好的將特征點均勻化并剔除多余的誤差匹配點，但同時也很明顯地減少了匹配點對數，特征匹配結果較為稀疏；SURF-OKG算法在剔除重復點和誤匹配點的時候，能夠更好地保留正確匹配點對數，匹配到的點對數相對密集和均勻。計算ORB，SIFT，SURF，SUBE和SURF-OKG這五種算法的正確匹配率，結果如圖15所示。

圖15 Mikolajcyzk數據集圖像的匹配結果分析Fig.15 Analysis of matching results for Mikolajcyzk dataset images

通過對數據集圖像的匹配結果進行分析，可以發現本文所提的SURF-OKG算法在Bikes和Bark圖片集中的正確匹配率在總體上相比其他算法的正確匹配率更高；在Leuven圖片集中，SURF-OKG算法的正確匹配率相比ORB算法低0.6%；相比文獻中的SUBE算法，SURFOKG算法所得到的平均正確匹配率高0.7%。總體上來說，本文SURF-OKG算法的特征匹配性能相比文獻算法和傳統算法有明顯提升。

3 三維重建結果與分析

3.1 系統搭建

在雙目結構光三維重建過程中，本文采用張正友標定法對雙目相機的參數進行標定。通過建立棋盤格標定板與圖像的單應性關系來求解相機的內部和外部參數，從而簡化了標定流程并提高了標定精度［17］。相機標定可獲得內參矩陣、外參矩陣和畸變參數，用于建立三維空間坐標點與二維圖像像素點之間的映射關系。選擇3 cm棋盤格標定板進行標定，標定板陣列為8×11。通常情況下，標定板的尺寸需要足夠大，以確保其至少覆蓋相機視場的1/4，但其大小不能超過相機的全部視場，本文標定板適用125~250 mm大小范圍的被測物體。在選擇標定板樣式時，圓環等類型的標定板可以提供更高的精度，但它們需要更復雜的標定算法，同時在實際應用中可能受到環境因素的影響。因此，我們最終選擇了經典的棋盤格標定板進行標定實驗。

經過標定最終可以得到雙目相機的內、外參數，分別包括單目標定后的內參矩陣、外參矩陣和畸變參數。雙目相機標定參數結果如表4所示，極線校正結果如圖16所示。

表4 雙目相機標定結果Tab.4 Binocular camera calibration results

圖16 極線校正結果Fig. 16 Epipolar correction result

為了驗證本文算法的有效性，進行三維重建實驗。本文所用實驗設備由空間光調制器以及兩個工業相機組成。實驗中鏡頭光心到成像面的距離為545 mm，左右相機基線長度為290 mm。實驗使用的雙目相機是海康MV-CA050-10GM，相機分辨率為2 448×2 048，像元尺寸為3.45×3.45 μm，感光芯片尺寸為0.47 inch，所使用的鏡頭焦距為12 mm，鏡頭光圈大小為1/2.8。投影光機芯片選擇的是DLP4710，投影光機的分辨率為1 920×1 080，傳感器尺寸為0.47 inch，光源使用的是藍光LED（460 nm），透射比為0.75∶1，系統實物圖如圖17所示。

圖17 系統實物圖Fig.17 System physical map

3.2 三維重建結果分析

根據上述SURF-OKG特征點匹配算法的原理，結合計算得到的雙目相機標定參數，對字母組合進行三維重建測試，三維重建結果如圖18所示。

圖18 三維重建結果Fig. 18 3D reconstruction results

為進一步測試本文算法重建效果，分別采用SIFT算法、SURF算法、ORB算法以及SURFOKG算法對待測字母進行三維重建，得到待測字母的三維點云圖進行效果對比。由圖19可知：SURF算法得到的點云較為稀疏，特征匹配點數較少且存在大量的噪聲；SIFT算法和ORB算法存在大量的誤匹配點，同時也存在大量的噪聲；SURF-OKG算法得到的點云結構較為完整，有效減少了噪聲干擾和誤匹配點。

圖19 字母三維重建結果Fig. 19 3D reconstruction results of letters

為驗證本文特征點匹配算法的精確性，分別采用SIFT算法、SURF算法、ORB算法以及SURF-OKG算法對階梯塊進行三維重建，將其重建結果記錄下來并進行誤差分析。用精度為0.02 mm的游標卡尺測量三次階梯塊的寬度值，分別為40.03 mm，39.98 mm和39.99 mm，將三次測得的寬度值取平均值為40.00 mm，將該值視為階梯塊寬度的實際值，該階梯塊的實際值為40.00 mm，精度為0.02 mm。對階梯塊進行三維重建并測量，在不同的視場位置測量6次階梯塊的寬度，三維重建結果如圖20所示。

圖20 階梯塊三維重建結果Fig.20 3D reconstruction results of step blocks

經實驗驗證，SURF算法的誤差均值為2.343 mm，匹配到的點云數為16 355，耗時為21.656 s，點云結構較為稀疏，特征匹配的誤差較大；ORB算法的誤差均值為2.648 mm，匹配到的點云數為242 972，耗時為48.473 s，點云結構存在大量的誤匹配點且存在大量的噪聲；SIFT算法的誤差均值為1.646 mm，匹配到的點云數為215 046，耗時為89.193 s，點云結構較為完整，但存在明顯的誤匹配點和噪聲。本文SURF-OKG算法的誤差均值為1.312 mm，匹配到的點云數為223 840，耗時為62.755 s，點云結構較為完整，誤匹配點和噪聲干擾被有效改善，實驗測得階梯塊的最大寬度誤差不超過1.72 mm，滿足三維重建系統的實驗要求。實驗數據結果如圖21所示。

圖21 測量結果分析Fig.21 Analysis of measurement results

不同特征匹配算法在三維重建過程中呈現出明顯的耗時差異。在本研究中，觀察到SIFT算法的平均耗時最長，達到了89.193 s。相比之下，SURF算法表現出相對高效，僅需21.656 s。此外，本文引入的SURF-OKG算法，平均耗時為62.755 s，與傳統SIFT算法相比，不僅能夠生成更完整的點云結構，而且表現出更高的計算效率。鑒于上述耗時差異，在未來的算法優化工作中考慮引入并行計算技術，通過最大化多核處理器或GPU資源的利用，從而降低算法的整體運行時間。

4 結 論

本文針對傳統雙目立體匹配中存在特征點匹配錯誤、匹配缺失和匹配重復等問題，對特征點匹配算法進行改進，提出了一種基于SURFOKG算法的特征點匹配方法。該算法首先改進了SURF算法，針對SURF中的高斯濾波對于圖像的邊緣和細節信息處理不夠理想等問題，可能會導致檢測結果的誤差，本文提出自適應中值濾波結合小波變換的方法對圖像進行平滑、降噪和保留圖像邊緣細節，隨后完成初步匹配；將尺度空間劃分為多個網格，在每個網格內使用FAST算法提取尺度空間特征點，使用ORB算子提取左右圖像的特征點，通過ORB算子的BRIEF描述子對其進行描述，并通過K-D樹最近鄰搜索法限制特征點選取，最后結合GMS算法剔除誤匹配點，完成二次特征匹配。通過仿真和實驗對本文算法進行分析和驗證。實驗結果證明：本文特征匹配算法的正確匹配率達到92.47%；測得三維重建系統的平均誤差為1.312 mm，最大誤差值不超過1.72 mm，滿足了面結構光三維重建技術的要求。