CN104751465A - 一种基于lk光流约束的orb图像特征配准方法 - Google Patents

Abstract

本发明涉及一种基于LK光流约束的ORB图像特征配准方法，分为三个阶段，第一阶段为ORB特征匹配，主要是通过提取图像中ORB特征点，并将对应的特征点进行匹配得到单应性矩阵；第二阶段LK光流法精确匹配，利用LK稀疏光流法多次迭代搜索局部最优点作为最佳匹配点并精确匹配；第三阶段图像插值配准，主要是用双线性插值法利用更新后单应性矩阵对两幅图像进行精确配准。本发明通过图像处理的方法，对不同场景或者传感器获得图像自动进行匹配，而配准精度高低直接决定后续图像融合的质量，在保持高精度匹配前提下，并使算法满足实时性处理的要求。

Description

一种基于LK光流约束的ORB图像特征配准方法

技术领域

本发明涉及一种基于LK(Lucas-Kanade光流法，是一种两帧差分的光流估计算法)光流约束的ORB图像特征配准方法，属于图像配准，计算机视觉领域，数字图像处理技术领域。

背景技术

图像配准是近三十多年来发展极为迅速的一种图像处理技术。它是将在不同时间、不同传感器(成像设备)或者不同条件下(天气、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。最早起源于导航系统和武器投射系统制导军事应用中，现在在很多领域得到广泛应用(参见Barbara.Zitova.Image registration method：asurvey[J].Image and Vision Compution,2003,21(11)：977-1000.)。在遥感信息领域对于多谱段场景信息分类、定位和识别。在医学领域对CT、MRI、PET图像结构信息融合、数字剪影血管造影术。在计算机视觉领域,对目标进行定位以及质量检测等等。

近些年来，关于图像配准技术科研人员做了很多工作。目前图像配准算法大致分为两类：基于区域灰度配准和基于图像特征点配准。

基于区域灰度配准算法如下，文献THORNTON J,SAVVIDOS M.A Bayesianapproach to deformed pattem matching of iris image.IEEE Pattern Analysis MachineIntelligence,2007,29(4)：596-606.提出基于灰度信息的图像配准算法，对图像进行的预处理较少甚至不进行任何预处理，算法实现简单。但是计算量太大，适用对象少，且易受噪声影响。文献N.Ritter,R.Owens,J.Cooper,R.H.Eikelboom,P.P.van Saarloos,Registration of stereo and temporal images of the retina,IEEE Transactions on Medicalimaging 18(1999)404–418.和C.Studholme,D.L.G.Hill,D.J.Hawkes,An overlapinvariant entropy measure of 3D medical image alignment,Pattern Recognition 32(1999)71–86.提出基于交互信息(MI)的图像配准算法，这种方法从信息论的角度出发，充分利用不同源数据集之间的统计相关性进行图像的配准，在医学图像处理上有着极为广泛的应用。但对旋转和尺度变化无能为力,而且计算量极大,耗时严重。

基于图像特征匹配算法如下，文献Lowe D G.Distinctive image features fromscale-invariant key-points[J].International Journal of Computer Vision,2004,60(2)：91-110.

提出基于Harris角点配准算法图像配准。提取的特征点对灰度变化与几何变换的可重复性强，所以角点检测的效率高，具有缩放不变性。但同时角点对噪声非常敏感，而且随着图像分辨率的不同，容易产生漂移，鲁棒性较差，不具备尺寸不变性，影响角点的精确定位。文献Bay H,Ess A,Tuytelaars T,et al.Speeded-up robust features(SURF)[J].Computer Vision and Image Understanding,2008,110(3)：346-359提出基于SIFT配准算法。SIFT算法提取的特征点具有尺度和旋转不变性，因此在近年受到大量关注，并取得了不错的效果。但SIFT算法要求建立高维描述符，这需要大量内存空间和运行时间，不能满足够实时性要求，难以得到广泛应用。而文献Rublee E,Rabaud V,Konolige K,etal.ORB：an efficient alternative to SIFT or SURF.Proceddings of the IEEE InternationalConference on Computer Vision,Barcelona,Spain,2011：2564-2571.提出基于SURF配准算法，该算法是在SIFT算法基础上改进而来，性能大致与SIFT算法相当，速度快了一个量级。但是依然不能够满足工程上实时性的要求。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于LK光流约束的ORB图像特征配准方法，通过图像处理的方法，对不同场景或者传感器获得图像自动进行匹配，而配准精度高低直接决定后续图像融合的质量，在保持高精度匹配前提下，并使算法满足实时性处理的要求。

本发明的技术方案分为三个阶段，第一阶段为ORB特征匹配，主要是通过提取图像中ORB特征点，并将对应的特征点进行匹配得到单应性矩阵。第二阶段LK光流特精确匹配，利用LK稀疏光流法多次迭代搜索局部最优点作为最佳匹配点。第三阶段图像插值配准，主要是双线性插值法对两幅图像进行精确配准。如图1所示，具体为：

1)ORB特征匹配阶段：

1、利用ORB特征算子，分别提取两幅图像中FAST特征点,并用rBRIEF描述子对特征点生成二进制字符串描述符。

2、ORB特征点描述子是二进制字符串，所以很方便的用Hamming距离比较特征点间相似性，找到两幅图像上对应匹配特征点。同时设置阈值，提出相似度比较大的特征点对，提高匹配精度。

3、初步匹配的特征点对用Ransac算法鲁棒性估计出初始单应性矩阵，并将误匹配的特征点对剔除。

2)LK光流法精确匹配阶段：

运用LK稀疏光流法，将初始单应性矩阵作为初始位置参数，被剔除的特征点重新计算迭代，在待匹配图像上找到最佳匹配点，增加匹配点对数。

3)图像插值配准阶段：

获得的所有正确匹配点对重新用Ransac算法鲁棒性估计出最的最佳的单应性矩阵。用双线性插值法将两幅图像匹配上，为后续图像融合工作做好关键基础。

所述利用ORB特征算子，分别提取两幅图像中FAST特征点过程为：

(1)在图像上，比较某一点S与它邻域像素点灰度值，若邻域圆上存在N个连续的像素点灰度值，且其减去S点的灰度值的绝对值大于P，则S为所需要提取的FAST特征点，判定标准CRF为：

$\mathrm{CRF}=\left\{\begin{array}{cc}1& \mathrm{if}|I_S-I_K|>P\\ 0& \mathrm{else}\end{array}\right.---\left(1\right)$

其中表示点I_S，I_K表示像素点的灰度值，P为人为设置的阈值；

(2)由于提取的FAST特征点既不具备尺寸不变性，且不具备旋转不变形，ORB算法使用灰度质心法，通过计算特征点的矩设定特征点方向，赋予特征点旋转不变性；假设特征点位置坐标和质心存在偏移，以特征点位置为起点，质心为终点确定一个向量与它的方向，这个方向设定为特征点方向，图像特征点邻域S的灰度矩定义式为：

$m_{\mathrm{pq}}=\underset{x,y}{\mathrm{\Σ}}{x}^p{y}^{q}I(x,y)---\left(2\right)$

式(2)中I(x，y)代表图像中(x,y)点灰度值，则该邻域S的质心位置为：

$C=(\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})---\left(3\right)$

其中m₀₀,m₀₁,m₁₀均代表邻域不同阶矩的值，则定义确定邻域S的特征点方向θ＝arc tan(m₀₁,m₁₀)。

所述用rBRIEF描述子对特征点生成二进制字符串描述符的过程为：

(1)在特征点邻域内随机选取若干点对，将这些点对灰度值进行二值比较，表示成二进制值并组合成二进制比特串，以此作为该特征点描述子；定义二值比较准则：

$\mathrm{\&tau;}(p;x,y)=\left\{\begin{array}{cc}1& \mathrm{ifp}\left(x\right)<p\left(y\right)\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中p(x),p(y)表示像素点的灰度值；

(2)随机选择N个像素点对，利用二进制比较准则得到一个N维的二进制比特串，如公式(5)所示，这样二进制比特串是特征点N维描述子：

$F_N\left(p\right)=\underset{1\&le;i\&le;N}{\mathrm{\&Sigma;}}{2}^{i-1}\mathrm{\&tau;}(p;x,y)---\left(5\right)$

(3)将特征点方向作为BRIEF描述子的主方向，从而旋转不变，对于N个像素点对定义一个2xN的矩阵Q：

$Q=\left[\begin{array}{c}{x}_1......x_N\\ y_1......y_N\end{array}\right]---\left(6\right)$

用θ方向对应的旋转矩阵，构造一个新的矩阵Q_θ＝R_θQ得到有旋转不变性的描述子rBRIEF，其中(x_i,y_i)表示像素点的在图像上的位置。

所述步骤(2)利用Hamming距离比较特征点间相似性，找到两幅图像上对应匹配特征点，公式如下所示：

T＝H_min+(H_max-H_min)×α  (7)

其中H_max表示所有匹配点中Hamming距离最大值，H_min表示所有匹配点中Hamming距离最小值，α为设置的阈值。

所述用Ransac算法鲁棒性估计出初始单应性矩阵过程为：

(1)根据待匹配图像与背景图像之间几何畸变的情况，选择透射变换为最佳拟合两幅图像之间变化的几何变换模型；

(2)采用随机抽样一致法(RANSAC)鲁棒地求解初始单应矩阵H，并将误匹配的特征点对剔除；

(3)参考图像的齐次坐标为S＝(x,y,w)^T，其中w为任意常数，待匹配图像的齐次坐标为S'＝(x',y',w')，用单应性矩阵H(homography matrix)表示两幅图像的变换参数，使得满足S'＝HS，其中：

$H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& h_{33}\end{array}\right]---\left(8\right)$

其中h₁₁,h₂₂表示伸缩，h₁₂,h₂₁表示变形，h₁₃,h₂₃表示位移，h₃₁,h₃₂,h₃₃表示透射程度。

所述运用LK稀疏光流法，将初始单应性矩阵作为初始位置参数，实现更多特征点精确匹配的过程为：

假设参考图像中点A用单应性矩阵转移到待配准图像中的B点，以点A为中心提取一个模板T(A)，设定两幅图像间局部区域满足变换参数P，则W(A,P)＝P·A.；

LK光流法定义式(9)的残差方程，迭代求解最小化残差方程时所确定变换模型P，而P矩阵将参考图像中的A点转移到待匹配图像中某一个位置B，即这个位置B就是最优匹配点；

$S=\underset{x}{\mathrm{\&Sigma;}}{[I\left(W(A,P)\right)+\&dtri;I\frac{\&PartialD;W}{\&PartialD;P}\mathrm{\&Delta;P}-T\left(A\right)]}^2---\left(9\right)$

其中I(W(A,P))表示经过区域变换后相同位置待匹配图像模板，T(A)参考图像中点邻域的模板，Δp表示是变换矩阵的增量；

对(9)式的Δp求偏导，令求出ΔP的值，通过多次迭代求解P←P+ΔP直到误差小于阈值或者达到迭代次数上限。

本发明与现有技术相比的优点在于：

(1)本发明简化了计算，所需运算量大大减少，能够达到工程运用上实时性的要求，比SURF算法所需时间少一个量级，比SIFT算法时间少两个量级。

(2)本发明采用ORB+LK光流法能够保证发明算法在图像配准上高精度性能，与传统的SITF与SURF算法准确度能相媲美。

(3)本发明扩大了图像配准适用的情况，本发明能够实现有大位移或者大的旋转等复杂背景下高精度图像配准。

附图说明

图1为本发明方法实现流程图；

图2为参考图像ORB检测；

图3为待匹配图像ORB检测；

图4为图2、3中对应两幅图像上特征点匹配的结果；

图5为图像拼接结果。

具体实施方式

下面结合附图及实施例对本发明进一步详细说明。

如图1所示，本发明具体实现如下：

(1)ORB特征算子

ORB特征点(Oriented FAST and Rotated BRIEF)是一种局部不变特征。ORB是建立在改进的FAST检测算子和改进的rBRIEF描述子之上。而FAST算法和BRIEF算法的运算速度都非常快，所以ORB在运算速度上与SIFT和SURF相比拥有绝对优势。

(11)特征点检测

在图像上，比较某一点S与它邻域像素点灰度值，若圆上存在N个连续的像素点I_K，k＝1,2,…,N的灰度值减去S点的灰度值的绝对值大于P(P是设定阈值)，则S为所需要的特征点。

$\mathrm{CRF}=\left\{\begin{array}{cc}1& \mathrm{if}|I_S-I_K|>P\\ 0& \mathrm{eise}\end{array}\right.---\left(1\right)$

其中表示点I_S，I_K表示像素点的灰度值，P为人为设置的阈值。

提取的特征点既不具备尺寸不变性，又不具备旋转不变形，ORB算法使用灰度质心法，通过计算特征点的矩赋予特征点方向，赋予特征点旋转不变性。假设特征点位置坐标和质心存在偏移，以特征点位置为起点，质心为终点确定一个向量与它的方向。这个方向就是特征点方向。图像特征点邻域S的矩定义式为：

$m_{\mathrm{pq}}=\underset{x,y}{\mathrm{\&Sigma;}}{x}^p{y}^{q}I(x,y)---\left(2\right)$

式(2)中I(x，y)代表图像中(x,y)点灰度值，则该邻域S的质心位置为：

$C=(\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})---\left(3\right)$

其中m₀₀,m₀₁,m₁₀均代表邻域不同阶灰度矩，p,q决定灰度矩的阶数。则根据定义确定邻域S的特征点方向θ＝arc tan(m₀₁,m₁₀)。

(12)特征点描述

当获得两幅图像的特征点之后，就需要对特征点描述，赋予特征向量，以便找到两幅图像上最相似的对应特征点。

本发明用旋转不变描述子rBRIEF对特征点描述。相较SIFT、SURF描述子，它可以用少量的灰度值对比来表达，计算简单、快速。

在特征点邻域内随机选取若干点对，将这些点对灰度值进行二值比较，表示成二进制值并组合成二进制比特串，以此作为该特征点描述子。定义二值比较准则：

$\mathrm{\&tau;}(p;x,y)=\left\{\begin{array}{cc}1& \mathrm{ifp}\left(x\right)<p\left(y\right)\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中p(x),p(y)表示像素点的灰度值。

随机选择N个像素点对，利用二进制比较准则得到一个N维的二进制比特串，如公式(5)所示。这样二进制比特串是特征点N维描述子。

$F_N\left(p\right)=\underset{1\&le;i\&le;N}{\mathrm{\&Sigma;}}{2}^{i-1}\mathrm{\&tau;}(p;x,y)---\left(5\right)$

在本发明中采用N＝256，即32字节，相对于SIFT的256字节，占用的内存大幅减少。随机选取的N个像素点对之间的相关性比较大，ORB用贪婪式搜索法对测试点进行约束，从所有的测试点对中找到相关性最低的256个点对二值比较。由于BRIEF本身无方向缺陷，不具有旋转不变性，ORB算法改进原始BRIEF算法，赋予特定方向变为rBRIEF。将特征点方向作为BRIEF描述子的主方向，从而旋转不变。对于N个像素点对定义一个2xN的矩阵Q：

$Q=\left[\begin{array}{c}{x}_1......x_N\\ y_1......y_N\end{array}\right]---\left(6\right)$

用方向θ对应的旋转矩阵R_θ，构造一个新的矩阵Q_θ＝R_θQ得到有旋转不变性的描述子rBRIEF。其中(x_i,y_i)表示像素点的在图像上的位置。

图2、图3是两幅对应图像ORB特征点的检测结果，并分别在两幅图像上标注特征点。

(2)图像特征点初始匹配

(21)基于Hamming距离的最近邻匹配法

由公式(4)、(5)可以知，获得的特征点描述子是256维二进制的描述符，两幅对应图像特征点匹配只需比较它们对应描述子的相似性。二进制描述子相似性用汉明(Hamming)距离加以区别。

当两个描述子Hamming距离最小时，两个特征点描述子最相似，认为两者属于对应匹配点对。最近邻匹配算法往往会产生较多误匹配，需对Hamming距离设置阈值，剔去大于阈值匹配点，提高匹配精度。

计算所有特征点对的最小Hamming距离范围为。设定阈值因子α(本发明中阈值公式中α值一般取0.2)，可得如下匹配过滤公式：

T＝H_min+(H_max-H_min)×α  (7)

其中H_max表示所有匹配点中Hamming距离最大值，H_min表示所有匹配点中Hamming距离最小值，α为设置的阈值。

(22)RANSAC算法估计初始单应性矩阵定

根据待匹配图像与背景图像之间几何畸变的情况，选择透射变换为最佳拟合两幅图像之间变化的几何变换模型。

考虑初始匹配后的特征点还是不避免的有误匹配的情况。如果直接用最小二乘法进行计算单应性矩阵，会产生较大偏差。用随机抽样一致法(RANSAC)鲁棒地求解初始单应矩阵H，并将误匹配的特征点对剔除。

参考图像的齐次坐标为S＝(x,y,w)^T，其中w为任意常数。待匹配图像的齐次坐标为S'＝(x',y',w')。用单应性矩阵H(homography matrix)表示两幅图像的变换参数，使得满足S'＝HS，其中：

$H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& h_{33}\end{array}\right]---\left(8\right)$

其中h₁₁,h₂₂表示伸缩，h₁₂,h₂₁表示变形，h₁₃,h₂₃表示位移，h₃₁,h₃₂,h₃₃表示透射程度。

(3)LK光流法精确匹配

Lucas-Kanade光流法是基于局部约束的稀疏光流。相较于全局约束光流法，LK光流法针对局部像素点，极大提升运算速度，使算法满足实时性。

将单应性矩阵作为LK光流法的初始位置参数，给光流算法提供了一个比较精确的初值，用金字塔分层迭代求解，在待匹配图像中找到对应匹配点，增加正确匹配点对数。

假设参考图像中点A用单应性矩阵转移到待配准图像中的B点。以点A为中心提取一个模板T(A)，设定两幅图像间局部区域满足变换参数P，则W(A,P)＝P·A.；

LK光流法定义式(9)的残差方程，迭代求解最小化残差方程时所确定变换模型P。而P矩阵将参考图像中的A点转移到待匹配图像中某一个位置B，即这个位置B就是最优匹配点。

$S=\underset{x}{\mathrm{\&Sigma;}}{[I\left(W(A,P)\right)+\&dtri;I\frac{\&PartialD;W}{\&PartialD;P}\mathrm{\&Delta;P}-T\left(A\right)]}^2---\left(9\right)$

其中I(W(A,P))表示经过区域变换后相同位置待匹配图像模板，T(A)参考图像中点邻域的模板，Δp表示是变换矩阵的导数。

对(9)式的Δp求偏导，令求出ΔP的值，通过多次迭代求解P←P+ΔP直到误差小于阈值或者达到迭代次数上限。

将之前被剔除的特征点用光流法在待匹配图像上找到最佳匹配点，增加了匹配点对数。为后面关键步骤，求精确单应性矩阵做好准备。

图4是对应两幅图像上特征点匹配的结果。

(4)图像插值配

新匹配点对与之前经过RANSAC方法筛选后剩下的匹配点组成新的匹配点对集。新的匹配点集再一次经RANSAC算法鲁棒估计更精确单应性矩阵H。

应用双线性插值法，将待匹配的图像进行变化，与参考图像比较，并最终拼接在一起，如图5所示。

从结果拼接图像来看，已经将两幅图像能够很好拼接上。两幅图像之间具有大位移和大的旋转，本发明能够使图像匹配的误差较小，能够实现精确配准。

将本发明与SIFT，SURF,ORB算法进行比较如表1所示，分析不同算法图像配准性能，可以看出，本配准发明的准确度相较于ORB算法有了明显的提升，能够满足图像配准的要求，达到了SIFT与SURF算法的配准精度。运行时间虽然相对于ORB算法有了一定的增加，但是比较SIFT与SURF算法速度，完全能够满足配准算法的达到实时性的要求。

表1 为本发明与其他算法配准性能对比

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种基于LK光流约束的ORB图像特征配准方法，其特征在于：分为三个阶段；

第一阶段，ORB特征匹配阶段：

(1)利用ORB特征算子，分别提取两幅图像中FAST特征点，并用rBRIEF描述子对特征点生成二进制字符串描述符；

(2)ORB特征点描述子是特殊的二进制字符串，用Hamming距离比较特征点间相似性，找到两幅图像上对应匹配特征点，同时设置阈值，找出相似度比较大的特征点对，提高匹配精度；

(3)初步匹配的特征点对利用Ransac算法鲁棒估计初始单应性矩阵，并将误匹配的特征点对剔除；

第二阶段，LK光流法精确匹配阶段：

运用LK稀疏光流法，将初始单应性矩阵作为初始位置参数，被剔除的特征点重新计算迭代，在待匹配图像上找到最佳匹配点，增加匹配点对数；

第三阶段，图像插值配准阶段：

获得的所有正确匹配点对再次用Ransac算法鲁棒估计出两幅图像最佳的单应性矩阵，并用双线性插值法实现两幅图像匹配。

2.根据权利要求1所述的基于LK光流约束的ORB图像特征配准方法，其特征在于：所述步骤(1)中利用ORB特征算子，分别提取两幅图像中FAST特征点过程为：

(1)在图像上，比较某一点S与它邻域像素点灰度值，若邻域圆上存在N个连续的像素点灰度值，且其减去S点的灰度值的绝对值大于P，则S为所需要提取的FAST特征点，判定标准CRF为：

$\mathrm{CRF}=\left\{\begin{array}{cc}1& \mathrm{if}|I_S-I_K|>P\\ 0& \mathrm{else}\end{array}\right.---\left(1\right)$

其中表示点I_S，I_K表示像素点的灰度值，P为人为设置的阈值；

(2)由于提取的FAST特征点既不具备尺寸不变性，且不具备旋转不变形，ORB算法使用灰度质心法，通过计算特征点的矩设定特征点方向，赋予特征点旋转不变性；假设特征点位置坐标和质心存在偏移，以特征点位置为起点，质心为终点确定一个向量与它的方向，这个方向设定为特征点方向，图像特征点邻域S的灰度矩定义式为：

$m_{\mathrm{pq}}=\underset{x,y}{\mathrm{\&Sigma;}}{x}^p{y}^{q}I(x,y)---\left(2\right)$

式(2)中I(x，y)代表图像中(x,y)点灰度值，p,q决定灰度矩的阶数，则该邻域S的质心位置C为：

$C=(\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})---\left(3\right)$

其中m₀₀,m₀₁,m₁₀均代表邻域不同灰度矩，则定义确定邻域S的特征点方向θ＝arc tan(m₀₁,m₁₀)。

3.根据权利要求1所述的基于LK光流约束的ORB图像特征配准方法，其特征在于：所述步骤(1)中用rBRIEF描述子对特征点生成二进制字符串描述符的过程为：

(1)在特征点邻域内随机选取若干点对，将这些点对灰度值进行二值比较，表示成二进制值并组合成二进制比特串，以此作为该特征点描述子；定义二值比较准则：

$\mathrm{\&tau;}(p;x,y)=\left\{\begin{array}{cc}1& \mathrm{if\; p}\left(x\right)<p\left(y\right)\\ 0& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中p(x),p(y)表示像素点的灰度值；

(2)随机选择N个像素点对，利用二进制比较准则得到一个N维的二进制比特串，如公式(5)所示，这样二进制比特串是特征点N维描述子：

$F_N\left(p\right)=\underset{1\&le;i\&le;N}{\mathrm{\&Sigma;}}{2}^{i-1}\mathrm{\&tau;}(p;x,y)---\left(5\right)$

(3)将特征点方向作为BRIEF描述子的主方向，从而旋转不变，对于N个像素点对定义一个2xN的矩阵Q：

$Q=\left[\begin{array}{c}{x}_1......x_N\\ y_1......y_N\end{array}\right]---\left(6\right)$

用θ方向对应的旋转矩阵，构造一个新的矩阵Q_θ＝R_θQ得到有旋转不变性的描述子rBRIEF，其中(x_i,y_i)表示像素点的在图像上的位置。

4.根据权利要求1所述的基于LK光流约束的ORB图像特征配准方法，其特征在于：所述步骤(2)利用Hamming距离比较特征点间相似性，找到两幅图像上对应匹配特征点，公式如下所示：

T＝H_min+(H_max-H_min)×α     (7)

其中H_max表示所有匹配点中Hamming距离最大值，H_min表示所有匹配点中Hamming距离最小值，α为设置的阈值。

5.根据权利要求1所述的基于LK光流约束的ORB图像特征配准方法，其特征在于：所述步骤(3)中用Ransac算法鲁棒性估计出初始单应性矩阵过程为：

(1)根据待匹配图像与背景图像之间几何畸变的情况，选择透射变换为最佳拟合两幅图像之间变化的几何变换模型；

(2)采用随机抽样一致法(RANSAC)鲁棒地求解初始单应矩阵H，并将误匹配的特征点对剔除；

(3)参考图像的齐次坐标为S＝(x,y,w)^T，其中w为任意常数，待匹配图像的齐次坐标为S'＝(x',y',w')，用单应性矩阵H(homography matrix)表示两幅图像的变换参数，使得满足S'＝HS，其中：

$H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& h_{33}\end{array}\right]---\left(8\right)$

其中h₁₁,h₂₂表示伸缩，h₁₂,h₂₁表示变形，h₁₃,h₂₃表示位移，h₃₁,h₃₂,h₃₃表示透射程度。

6.根据权利要求1所述的基于LK光流约束的ORB图像特征配准方法，其特征在于：所述运用LK稀疏光流法，将初始单应性矩阵作为初始位置参数，实现更多特征点精确匹配的过程为：

假设参考图像中点A用单应性矩阵转移到待配准图像中的B点，以点A为中心提取一个模板T(A)，设定两幅图像间局部区域满足变换参数P，则W(A,P)＝P·A.；

LK光流法定义式(9)的残差方程，迭代求解最小化残差方程时所确定变换模型P，而P矩阵将参考图像中的A点转移到待匹配图像中某一个位置B，即这个位置B就是最优匹配点；

$S=\underset{x}{\mathrm{\&Sigma;}}{[I\left(W(A,P)\right)+\&dtri;I\frac{\&PartialD;W}{\&PartialD;P}\mathrm{\&Delta;p}-T\left(A\right)]}^2---\left(9\right)$

其中I(W(A,P))表示经过区域变换后相同位置待匹配图像模板，T(A)参考图像中点邻域的模板，△p表示是变换矩阵的增量；

对(9)式的△p求偏导，令求出△P的值，通过多次迭代求解P←P+△P直到误差小于阈值或者达到迭代次数上限。