CN110084248A - 一种orb特征均匀化提取方法 - Google Patents

Abstract

本发明公开了一种ORB特征均匀化提取方法，具体按照以下步骤实施：步骤1、计算FAST角点的自适应阈值；步骤2、构建图像金字塔，并按照比例因子计算金字塔每层所需的期望特征点数量；步骤3、对图像进行网格划分并在网格内进行FAST角点提取；步骤4、构建四叉树管理节点；步骤5、计算特征点的方向与描述子。本发明一种ORB特征均匀化提取方法，提高特征分布的均匀度，在Mur‑Arta提出的特征提取算法基础上，计算FAST角点自适应提取阈值，采用改进四叉树提高了计算效率。

Description

一种ORB特征均匀化提取方法

技术领域

本发明属于数字图像处理方法技术领域，涉及一种ORB特征均匀化提取方法。

背景技术

特征提取是数字图像处理中的一项关键技术，在许多领域都有着广泛的应用，包括机器人定位与导航、三维重建与场景恢复等。目前常用的特征提取算法包括SIFT，SURF和ORB特征，SIFT和SURF有更好的鲁棒性，但计算复杂，无法满足SLAM系统对实时性的要求，而ORB算法由于其出色的实时性得到了广泛的应用。然而传统ORB算法所提取的特征在图像上的分布并不均匀，会降低特征匹配和位姿估计的精度。

发明内容

本发明的目的是提供一种ORB特征均匀化提取方法，能够提高特征分布的均匀度。

本发明所采用的技术方案是，一种ORB特征均匀化提取方法，具体按照以下步骤实施：

步骤1、计算FAST角点的自适应阈值；

步骤2、构建图像金字塔，并按照比例因子计算金字塔每层所需的期望特征点数量；

步骤3、对图像进行网格划分并在网格内进行FAST角点提取；

步骤4、构建四叉树管理节点；

步骤5、计算特征点的方向与描述子。

本发明的特征还在于：

步骤1中的自适应阈值的计算公式如下：

式1)中，iniT为初始提取阈值；n为图像中像素个数；Ι(x_i)为图像中第i个像素的灰度值；为图像灰度的平均值。

步骤2中构建了八层金字塔，且每层的期望特征点数量的计算方式为：

式2)中，m为特征点总数量，根据人工设定；s为尺度因子，根据人工设定；a为第一层所需特征点数；

第二层的期望特征点数量为a/s，后面每一层的期望特征点数量为前面一层的特征点数量乘以1/s。

步骤3中在网格内进行FAST角点提取的具体方式为：设定FAST角点初始提取阈值为式(1)的计算值iniT，如果该网格内没有提取到角点，就降低阈值为minT＝iniT/4，继续在网格内进行角点提取，直到遍历图像中的所有网格，完成FAST角点的自适应提取。

步骤4的具体步骤为：

步骤4.1、初始化节点；

步骤4.2、分裂子节点，采用四叉树将初始节点平均分为四个子节点，且每个节点只包含该区域内的特征点；

步骤4.3、判断当前四叉树深度是否到达该层设置的最大深度，如果到了最大深度，则将该节点存储起来，如果没有到达最大深度，则进一步判断，判断该节点内的特征点的数量是否大于0，若该节点内特征点数量等于0，则删除该节点，如果大于0，则进行下一步判断，再判断该节点内特征点的数量是否大于1，如果该节点内特征点数量等于1，则将该节点存储，否则若该节点内特征点数量大于1，则将该节点继续分裂为四个子节点，继续进行上述判断；

所述最大深度D_max与该层期望特征点数量Set_Kp的关系如下：

步骤4.4、若步骤4.3存储的节点数量大于金字塔该层期望特征点数量Set_Kp，则结束分裂子节点，计算Harris评分，在每个节点中选出Harris评分最大的特征点作为最终的特征点，这样就得到了分布均匀且计算效率较高的ORB特征点。

本发明的有益效果是：

本发明一种ORB特征均匀化提取方法，提高了特征分布的均匀度，在Mur-Arta提出的特征提取算法基础上，计算FAST角点自适应提取阈值，采用改进四叉树提高了计算效率。

附图说明

图1是本发明一种自适应阈值图像算法的流程图；

图2(a)是本发明一种自适应阈值图像算法实施例为传统ORB算法的提取结果；

图2(b)使本发明一种自适应阈值图像算法实施例采用Mur-Arta等人改进的ORB提取算法的提取结果；

图2(c)使本发明一种自适应阈值图像算法实施例采用本申请的ORB特征提取算法。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种ORB特征均匀化提取方法，流程如如图1所示，具体按照以下步骤实施：

步骤1、计算FAST角点的自适应阈值；

步骤1中的自适应阈值的计算公式如下：

式1)中，iniT为初始提取阈值；n为图像中像素个数；Ι(x_i)为图像中第i个像素的灰度值；为图像灰度的平均值；

步骤2、构建图像金字塔，并按照比例因子计算金字塔每层所需的期望特征点数量；

步骤2中构建了八层金字塔，且每层的期望特征点数量的计算方式为：

式2)中，m为特征点总数量，根据人工设定；s为尺度因子，根据人工设定；a为第一层所需特征点数；

第二层的期望特征点数量为a/s，后面每一层的期望特征点数量为前面一层的特征点数量乘以1/s；

步骤3、对图像进行网格划分并在网格内进行FAST角点提取；

步骤3中在网格内进行FAST角点提取的具体方式为：设定FAST角点初始提取阈值为式(1)的计算值iniT，如果该网格内没有提取到角点，就降低阈值为minT＝iniT/4，继续在网格内进行角点提取，直到遍历图像中的所有网格，完成FAST角点的自适应提取；

步骤4、构建四叉树管理节点；

步骤4的具体步骤为：

步骤4.1、初始化节点；

步骤4.2、分裂子节点，采用四叉树将初始节点平均分为四个子节点，且每个节点只包含该区域内的特征点；

步骤4.3、判断当前四叉树深度是否到达该层设置的最大深度，如果到了最大深度，则将该节点存储起来，如果没有到达最大深度，则进一步判断，判断该节点内的特征点的数量是否大于0，若该节点内特征点数量等于0，则删除该节点，如果大于0，则进行下一步判断，再判断该节点内特征点的数量是否大于1，如果该节点内特征点数量等于1，则将该节点存储，否则若该节点内特征点数量大于1，则将该节点继续分裂为四个子节点，继续进行上述判断；

所述最大深度D_max与该层期望特征点数量Set_Kp的关系如下：

步骤4.4、若步骤4.3存储的节点数量大于金字塔该层期望特征点数量Set_Kp，则结束分裂子节点，计算Harris评分，在每个节点中选出Harris评分最大的特征点作为最终的特征点，这样就得到了分布均匀且计算效率较高的ORB特征点；

步骤5、计算特征点的方向与描述子。

实施例

为了验证该算法对于提高均匀度和计算效率上的有效性，以及对于不同明暗条件下的适应度，采用K.Mikolajczyk和C.Schmid创建的数据库中数据集进行验证，其中bike数据集是一组不同模糊程度的图像，在此基础上对传统ORB算法、Mur-Arta在ORB_SLAM中提出的特征提取算法算法以及本专利算法进行对比实验，以下简称Mur-Arta提出的算法为MA算法。

图2(a)、2(b)、2(c)分别为不同算法对bike数据集中img1的特征提取结果，是三种ORB特征提取算法对同一图片的提取500个特征点的结果，图2(a)为传统ORB算法的提取结果，实验采用OpenCV3.4.1中的ORB算法作为传统提取算法，图2(b)采用Mur-Arta等人改进的ORB提取算法，图2(c)采用本文改进的ORB特征提取算法，图中各色的圆为提取的特征点，可以看到传统ORB算法所提取到的特征分布极不均匀，集中在车身和门框等区域内，会降低视觉SLAM后续的特征匹配正确率与位姿估计精度，而MA算法与本文算法所提取的特征均匀分布于整个图像。

为了量化特征的分布情况，实验采用分布均匀度函数进行计算，均匀度的数值越小，表示均匀分布的效果越好，并且为了检验算法对于计算效率的提升，同时计算了提取特征所需时间。对于bike数据集的实验结果如表1所示。

表1三种算法均匀度与耗时比较

从表1可以看出，MA算法与本发明算法均对特征的均匀度有较大的提高，而MA算法与本发明算法在分布均匀度上的差距不大，最大相差约2％；同时在提取时间上，本发明算法与MA算法均比传统算法多，但是本发明算法比MA算法耗时明显减少，平均减少时间12.12％。

通过上述方式，本发明一种ORB特征均匀化提取方法，提高特征分布的均匀度，在Mur-Arta提出的特征提取算法基础上，计算FAST角点自适应提取阈值，采用改进四叉树提高了计算效率。

Claims (5)

1.一种ORB特征均匀化提取方法，其特征在于，具体按照以下步骤实施：

步骤1、计算FAST角点的自适应阈值；

步骤2、构建图像金字塔，并按照比例因子计算金字塔每层所需的期望特征点数量；

步骤3、对图像进行网格划分并在网格内进行FAST角点提取；

步骤4、构建四叉树管理节点；

步骤5、计算特征点的方向与描述子。

2.根据权利要求1所述一种ORB特征均匀化提取方法，其特征在于，所述步骤1中的自适应阈值的计算公式如下：

式1)中，iniT为初始提取阈值；n为图像中像素个数；Ι(x_i)为图像中第i个像素的灰度值；为图像灰度的平均值。

3.根据权利要求1所述一种ORB特征均匀化提取方法，其特征在于，所述步骤2中构建了八层金字塔，且每层的期望特征点数量的计算方式为：

式2)中，m为特征点总数量，根据人工设定；s为尺度因子，根据人工设定；a为第一层所需特征点数；

第二层的期望特征点数量为a/s，后面每一层的期望特征点数量为前面一层的特征点数量乘以1/s。

4.根据权利要求1所述一种ORB特征均匀化提取方法，其特征在于，所述步骤3中在网格内进行FAST角点提取的具体方式为：设定FAST角点初始提取阈值为式(1)的计算值iniT，如果该网格内没有提取到角点，就降低阈值为minT＝iniT/4，继续在网格内进行角点提取，直到遍历图像中的所有网格，完成FAST角点的自适应提取。

5.根据权利要求1所述一种ORB特征均匀化提取方法，其特征在于，所述步骤4的具体步骤为：

步骤4.1、初始化节点；

步骤4.2、分裂子节点，采用四叉树将初始节点平均分为四个子节点，且每个节点只包含该区域内的特征点；

步骤4.3、判断当前四叉树深度是否到达该层设置的最大深度，如果到了最大深度，则将该节点存储起来，如果没有到达最大深度，则进一步判断，判断该节点内的特征点的数量是否大于0，若该节点内特征点数量等于0，则删除该节点，如果大于0，则进行下一步判断，再判断该节点内特征点的数量是否大于1，如果该节点内特征点数量等于1，则将该节点存储，否则若该节点内特征点数量大于1，则将该节点继续分裂为四个子节点，继续进行上述判断；

所述最大深度D_max与该层期望特征点数量Set_Kp的关系如下：

步骤4.4、若步骤4.3存储的节点数量大于金字塔该层期望特征点数量Set_Kp，则结束分裂子节点，计算Harris评分，在每个节点中选出Harris评分最大的特征点作为最终的特征点，这样就得到了分布均匀且计算效率较高的ORB特征点。