CN106778767B - 基于orb和主动视觉的视觉图像特征提取及匹配方法 - Google Patents

Abstract

本发明公开了一种基于ORB和主动视觉的视觉图像特征提取及匹配方法，采用高效快速的ORB特征提取算法提取特征参数，再利用概率统计方法计算出区域特征分布指数，在保证特征点分布均匀的前提下，根据概率选取数目一定的特征点，并且结合主动视觉的原理与应用，计算感兴趣的椭圆搜索域，再采用最近邻匹配算法和RANSAC算法，得到分布均匀且数目稳定的地图特征点，具有计算简单，且匹配效果好，满足系统实时性的要求。

Description

基于ORB和主动视觉的视觉图像特征提取及匹配方法

技术领域

本发明属于计算机视觉图像处理技术领域，更为具体地讲，涉及一种基于ORB和主动视觉的视觉图像特征提取及匹配方法。

背景技术

同时定位和地图构建(SLAM)是自主机器人导航的一项重要研究内容，其目的在于机器人运动的同时，全状态估计出机器人的运动轨迹和环境路标的位置。目前，就算法而言，主要包括EKF-SLAM和基于粒子滤波的SLAM两种方法。在传感方式方面，由于视觉传感器具有特征提取方便、信息量大及成本低等优点，视觉SLAM逐步成为SLAM研究中的主流。

特征提取和匹配是SLAM中两个重要问题。利用特征提取算法提取的特征数目和特征点在图像上的位置分布会对SLAM的最终结果估计效果产生一定的影响。实际上，如果提供越多的特征信息生成的运动估计结果就越稳定，同时这些特征点应该尽可能地覆盖整个图像区域，使SLAM算法能够充分利用获取的图像信息来进行运算。但是，如果建立的地图中的特征点数目超过一定的数量，会严重影响算法的实时性，增加系统的运算成本。目前，比较流行的特征点提取方法包括SIFT、SURF等。在专利《基于ORB特征点的高压杆塔高清图像全景拼接方法》中指出SIFT和SURF特征提取方法会消耗大量时间用于特征提取上，很难满足对实时性要求较高的场合，并且指出采用ORB特征提取算法的运算时间比SIFT算法快两个数量级，比SURF算法快一个数量级。在专利《基于多视角二维图像并结合SIFT算法的三维重建方法》中提出了基于SIFT算法的改进算法，从而得到时间复杂度较低的三维重建。在文献《Improving computational and memory requirements of simulation and mapbuilding algorithms》中指出对于全状态估计的EKF-SLAM而言，特征点数目不断增加，会给EKF带来维数灾难问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于ORB和主动视觉的单目视觉图像特征提取及匹配方法，可以快速得到分布均匀且数目稳定的地图特征点，具有计算简单、匹配效果好，且满足系统实时性的要求。

为实现上述发明目的，本发明一种基于ORB和主动视觉的视觉图像特征提取及匹配方法，其特征在于，包括以下步骤：

(1)、图像预处理

将当前帧的彩色图像转换为灰度图像，再用ORB特征提取算法提取灰度图像的ORB特征点；

(2)、将灰度图像均匀地划分为M×N个栅格区域，再选出

值较大的前K个栅格区域

设第i个栅格区域f_i中的ORB特征点的个数为n_i，其第j个ORB特征点在灰度图像中的位置坐标为f_i(u_j,v_j),i＝1,2...,M×N,j＝1,2,...n_i，M、N为常数；

计算第i个栅格区域f_i中n_i个ORB特征点的位置坐标均值

和方差

统计第i个栅格区域内特征分布参数值

同理，按照上述方法计算出剩余栅格区域中ORB特征点的位置坐标均值和方差，再统计出每个栅格区域内特征分布参数值，并根据统计的特征分布参数值，选取特征分布参数值较大的前K个栅格区域；

(3)、对选取的K个栅格区域进行特征提取

在选取的K个栅格区域中，按照任意两ORB特征点间距离大于m个像素为原则，在每个栅格区域中任意选取h个ORB特征点，完成对当前帧图像的特征提取；

(4)、采用基于主动视觉搜索算法，在已知的当前地图特征中为步骤(3)提取的每个ORB特征点确定置信度为T％的匹配区域，然后再采用最近邻匹配算法，把每个ORB特征点与匹配区域内的特征点进行特征匹配，得到粗略的匹配特征点；

(5)、利用RANSAC算法消除误匹配特征点得到精确的匹配特征点，再根据精确的匹配特征点对当前地图特征进行更新得到新的地图特征；

(6)、判断新的地图特征的特征点数目是否小于P，如果小于P，则执行步骤(7)；否则执行步骤(8)；

(7)、随机地从余下的M×N-K个栅格区域中选取特征点不为零的区域，再返回执行步骤(3)；

(8)、采用Inverse-depth方法表示地图特征深度信息，执行完后返回步骤(2)直到所有帧图像处理完成，算法执行结束。

本发明的发明目的是这样实现的：

本发明基于ORB和主动视觉的视觉图像特征提取及匹配方法，采用高效快速的ORB特征提取算法提取特征参数，再利用概率统计方法计算出区域特征分布指数，在保证特征点分布均匀的前提下，根据概率选取数目一定的特征点，并且结合主动视觉的原理与应用，计算感兴趣的椭圆搜索域，再采用最近邻匹配算法和RANSAC算法，得到分布均匀且数目稳定的地图特征点，具有计算简单，且匹配效果好，满足系统实时性的要求。

同时，本发明基于ORB和主动视觉的视觉图像特征提取及匹配方法还具有以下有益效果：

(1)、本发明方法提供了基于概率统计的方法，在栅格子区域中计算其特征分布指数，从而使得选取的固定数目的特征点均匀分布的在整个图像中，算法计算量小，实时性好。

(2)、结合主动视觉的方法确定椭圆搜索域，从而避免全局匹配，再结合最近邻匹配和RANSAC算法，大大地提高了匹配精度和时间。

(3)、在图像预处理中采用ORB特征提取算法，在单目图像序列中有很好的效果，并且相比SIFT和SURF算法，运算时间大大缩短，解决了SIFT等在图像特征提取时耗时严重的问题。

(4)、结合上述特征提取方法和特征匹配算法，大大地提高了SLAM系统的稳定性和实时性。

附图说明

图1是本发明基于ORB和主动视觉的视觉图像特征提取及匹配方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

ORB(Oriented Brief)来自于文章《ORB：an efficient alternative to SIFT orSURF》，是一种新的角点检测与特征描述算法。

图1是本发明基于ORB和主动视觉的视觉图像特征提取及匹配方法流程图。

在本实施例中，实验图像是由单目内窥镜采集的心脏软组织表面的图像序列。图像序列分辨率为320×240,每秒拍摄30帧图像，内窥镜的内部参数为：f_u＝530.9003,f_v＝581.00362,u₀＝136.63037,v₀＝161.32884,k₁＝-0.2865,k₂＝0.29524。实验所用的软硬件环境为：Intel(R)Core(TM)i5-2450M@2.5GHz，内存4G，Windows 7系统，并在MATLAB 2012a中实现。实验中的参数选取为：M×N＝5×5，K＝15，m＝20，h＝4，P＝40。

下面结合实例对本发明一种基于ORB和主动视觉的视觉图像特征提取及匹配方法进行详细说明，如图1所示，包括以下步骤：

(1)、图像预处理

将当前帧的单目视觉彩色图像转换为灰度图像，再用ORB特征提取算法提取灰度图像的ORB特征点；

在本实施例中，把彩色图像转换为灰度图像的具体计算方程为：

Gray(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)

其中，(x,y)表示像素点的坐标，其共计提取ORB特征点总数为248个。

(2)、将灰度图像均匀地划分为5×5个栅格区域，再选出

值较大的前15个栅格区域

设第i个栅格区域f_i中的ORB特征点的个数为n_i，其第j个ORB特征点在灰度图像中的位置坐标为f_i(u_j,v_j),i＝1,2...,5×5,j＝1,2,...n_i，其中n_i为常数；

计算第i个栅格区域f_i中n_i个ORB特征点的位置坐标均值

和方差

统计第i个栅格区域内特征分布参数值

同理，按照上述方法计算出剩余栅格区域中ORB特征点的位置坐标均值和方差，再统计出每个栅格区域内特征分布参数值，并根据统计的特征分布参数值，选取特征分布参数值较大的前15个栅格区域，从而保证地图特征均匀；

(3)、对选取的15个栅格区域进行特征提取

在选取的15个栅格区域中，按照任意两ORB特征点间距离大于20个像素为原则，在每个栅格区域中任意选取4个ORB特征点，从而完成对当前帧图像的特征提取，并进一步避免栅格区域内的特征点出现拥挤以及保证特征点数目稳定；

如表1，ORB特征提取算法在提取特征点时明显比SIFT特征提取算法短，而基于栅格ORB特征提取方法在保证提取特征点数目稳定的前提下大大地缩短了提取时间，保证了SLAM系统的实时性。

表1

(4)、采用基于主动视觉搜索算法，在已知的当前地图特征中为步骤(3)提取的每个ORB特征点确定置信度为95％(即误差在95％的假设检验区间内)的匹配区域，然后再采用最近邻匹配算法，把每个ORB特征点与匹配区域内的特征点进行特征匹配，得到粗略的匹配特征点；

(5)、利用RANSAC算法消除误匹配特征点得到精确的匹配特征点，再根据精确的匹配特征点对当前地图特征进行更新得到新的地图特征；

在本实施例中，成功匹配的特征点数为57对，如表2所示，基于主动视觉的匹配算法在时间和性能上都优于常用的最近邻匹配算法。

表2是基于主动视觉的匹配算法与流行的最近邻匹配算法时间性能对比。

匹配方法	匹配准确率	匹配时间(s)
			最近邻	67％	1.0520s
基于主动视觉	95％	0.2215s

表2

(6)、判断新的地图特征的特征点数目是否小于P＝40，如果小于40，则执行步骤(7)；否则执行步骤(8)；

(7)、随机地从余下的M×N-K个栅格区域中选取特征点不为零的区域，再返回执行步骤(3)；

(8)、采用Inverse-depth方法表示地图特征深度信息，执行完后返回步骤(2)直到所有帧图像处理完成，算法执行结束。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于ORB和主动视觉的单目视觉图像特征提取及匹配方法，其特征在于，包括以下步骤：

(1)、图像预处理

将当前帧的彩色图像转换为灰度图像，再用ORB特征提取算法提取灰度图像的ORB特征点；

(2)、将灰度图像均匀地划分为M×N个栅格区域，再选出I_fi值较大的前K个栅格区域

设第i个栅格区域f_i中的ORB特征点的个数为n_i，其第j个ORB特征点在灰度图像中的位置坐标为f_i(u_j,v_j),i＝1,2...,M×N,j＝1,2,...n_i，M、N为常数；

计算第i个栅格区域f_i中n_i个ORB特征点的位置坐标均值m_fi,u,m_fi,v和方差v_fi,u,v_fi,v：

统计第i个栅格区域内特征分布参数值

同理，按照上述方法计算出剩余栅格区域中ORB特征点的位置坐标均值和方差，再统计出每个栅格区域内特征分布参数值，并根据统计的特征分布参数值，选取特征分布参数值较大的前K个栅格区域；

(3)、对选取的K个栅格区域进行特征提取

在选取的K个栅格区域中，按照任意两ORB特征点间距离大于m个像素为原则，在每个栅格区域中任意选取h个ORB特征点，完成对当前帧图像的特征提取；

(4)、采用基于主动视觉搜索算法，在已知的当前地图特征中为步骤(3)提取的每个ORB特征点确定置信度为T％的匹配区域，然后再采用最近邻匹配算法，把每个ORB特征点与匹配区域内的特征点进行特征匹配，得到粗略的匹配特征点；

(5)、利用RANSAC算法消除误匹配特征点得到精确的匹配特征点，再根据精确的匹配特征点对当前地图特征进行更新得到新的地图特征；

(6)、判断新的地图特征的特征点数目是否小于P，如果小于P，则执行步骤(7)；否则执行步骤(8)；

(7)、随机地从余下的M×N-K个栅格区域中选取特征点不为零的区域，再返回执行步骤(3)；

(8)、采用Inverse-depth方法表示地图特征深度信息，执行完后返回步骤(2)直到所有帧图像处理完成，执行结束。

2.根据权利要求1所述的基于ORB和主动视觉的单目视觉图像特征提取及匹配方法，其特征在于，所述置信度取T％＝95％。

Images