改进ORB特征提取与匹配算法研究.docx

改进ORB特征提取与匹配算法研究
论文：改进ORB特征提取与匹配算法研究
摘要：ORB算法是一种流行的图像特征提取与匹配算法，它的优点在于速度快、鲁棒性强，但存在着一些缺陷，例如在重复纹理区域和光照变化场景下的性能不佳。本篇论文介绍了对ORB算法的改进，通过加入特征点采样机制、优化特征点筛选方法和改变特征描述子增强ORB算法的性能，提高了ORB算法在上述情况下的表现。实验证明，改进的ORB算法较原始的ORB算法具有更好的匹配性能。
关键词：ORB算法、特征提取、特征匹配、采样机制、描述子优化
一、引言
图像特征提取与匹配是计算机视觉领域中的重要问题之一，在图像识别、目标跟踪、三维建模等领域具有广泛的应用。ORB算法是一种流行的图像特征提取与匹配算法，它的优点在于速度快、鲁棒性强，在大规模图像搜索、实时物体跟踪等应用场景中被广泛采用，但是在重复纹理区域和光照变化场景下的性能仍然存在一些问题。本文将介绍对ORB算法的改进，通过加入特征点采样机制、优化特征点筛选方法和改变特征描述子，提高ORB算法在上述情况下的表现。
二、ORB算法简介
ORB（OrientedFASTandRotatedBRIEF）算法是一种基于FAST角点检测和BRIEF描述子的图像特征提取和匹配算法，其特点在于速度快，鲁棒性强，在大规模图像检索、实时物体跟踪等领域具有广泛的应用。ORB算法的流程如下：
1.使用FAST角点检测器检测图像中所有的角点。
2.对每个角点计算方向，使得BRIEF描述子不受旋转影响。
3.根据角点方向计算描述子。
4.使用FLANN或KNN搜索算法对描述子进行匹配，找到最佳匹配点。
三、ORB算法缺陷
ORB算法虽然速度快，鲁棒性强，但还存在一些缺陷：
1.在重复纹理区域下的性能不佳：FAST角点检测器在重复纹理区域中容易产生伪角点，导致ORB算法提取到许多无用的特征点。
2.光照变化场景下的性能不佳：ORB算法在光照变化场景中容易失效，因为它不能正确地获得图像的颜色信息。
3.特征点匹配错误率高：由于描述子的位数较少，描述子之间存在相似的情况，导致匹配错误率较高。
四、改进ORB算法
为了改进ORB算法在复杂场景下的表现，本文将分别从特征点采样机制、特征点筛选和特征描述子三个方面对ORB算法进行改进。
1.特征点采样机制
为了减少伪角点的提取，降低算法开销，本文对ORB算法进行了特征点采样机制的改进。该改进方法在对FAST角点检测器检测到的点进行处理之前，先对图像采样，将图像分成多个子块，然后在每个子块中进行FAST角点检测，选取检测到的较强且不在常见的伪角点位置的点作为特征点。实验表明，改进后的ORB算法在重复纹理区域中的性能得到了显著提升。
2.特征点筛选方法
基于原有ORB算法中对角点的筛选方式，本文提出了一种基于SURF特征的筛选方法。即利用SURF算法提取图像的密集特征点，然后将ORB算法提取的角点与该密集特征点进行匹配，并根据匹配情况进行筛选。通过这种筛选方式，可以有效去除一些无关的特征点，提高ORB算法的匹配精度。
3.特征描述子改进
为了提高ORB算法的描述子表示能力，本文提出了一种基于DLT算法的ORB描述子增强方法。DLT算法是一种基于非线性回归的方法，可以针对ORB算法中描述子较少的问题，通过非线性回归拟合更多的数据，提高ORB算法的描述子表示能力。实验结果表明，使用基于DLT算法的ORB描述子增强方法能够显著提高ORB算法在光照变化场景下的表现。
五、实验结果
本文在三个场景下对改进后的ORB算法进行了实验：单个目标图像匹配、多目标图像匹配和物体跟踪。实验结果表明，在三个场景下，改进后的ORB算法的匹配精度和鲁棒性都有较大提升，特别是在重复纹理区域和光照变化场景下，改进后的ORB算法表现更加突出。
六、总结和展望
本文对ORB算法在特定场景下的性能进行了改进，通过加入特征点采样机制、优化特征点筛选方法和改变特征描述子，提高了ORB算法在重复纹理区域和光照变化场景下的性能。实验结果表明，改进后的ORB算法在三个场景中的表现都有很大的提升。未来，可以将本文改进的方法应用于其他图像特征提取与匹配算法，提高算法的鲁棒性和匹配精度。