CN110084248A - 一种orb特征均匀化提取方法 - Google Patents
一种orb特征均匀化提取方法 Download PDFInfo
- Publication number
- CN110084248A CN110084248A CN201910329051.1A CN201910329051A CN110084248A CN 110084248 A CN110084248 A CN 110084248A CN 201910329051 A CN201910329051 A CN 201910329051A CN 110084248 A CN110084248 A CN 110084248A
- Authority
- CN
- China
- Prior art keywords
- node
- point
- grid
- layer
- characteristic point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000000265 homogenisation Methods 0.000 title description 3
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 3
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 3
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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(xi)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Dmax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(xi)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Dmax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(xi)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Dmax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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910329051.1A CN110084248B (zh) | 2019-04-23 | 2019-04-23 | 一种orb特征均匀化提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910329051.1A CN110084248B (zh) | 2019-04-23 | 2019-04-23 | 一种orb特征均匀化提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084248A true CN110084248A (zh) | 2019-08-02 |
| CN110084248B CN110084248B (zh) | 2022-10-21 |
Family
ID=67416338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910329051.1A Active CN110084248B (zh) | 2019-04-23 | 2019-04-23 | 一种orb特征均匀化提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084248B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619338A (zh) * | 2019-09-18 | 2019-12-27 | 成都信息工程大学 | 一种可长时间依赖的图像特征提取方法 |
| CN110636263A (zh) * | 2019-09-20 | 2019-12-31 | 黑芝麻智能科技(上海)有限公司 | 全景环视图生成方法、车载设备及车载系统 |
| CN111160371A (zh) * | 2019-12-30 | 2020-05-15 | 长春理工大学 | 一种orb均匀提取特征点方法 |
| CN112017197A (zh) * | 2020-09-07 | 2020-12-01 | 山东交通学院 | 一种图像特征提取方法及系统 |
| CN113191370A (zh) * | 2021-04-26 | 2021-07-30 | 安徽工程大学 | 一种基于阈值自适应阈值调整的orb算法 |
| CN113284232A (zh) * | 2021-06-10 | 2021-08-20 | 西北工业大学 | 一种基于四叉树的光流跟踪方法 |
| CN114926448A (zh) * | 2022-05-31 | 2022-08-19 | 江南大学 | 一种胶囊内窥镜图像特征点提取方法 |
| CN117315274A (zh) * | 2023-11-28 | 2023-12-29 | 淄博纽氏达特机器人系统技术有限公司 | 一种基于自适应特征提取的视觉slam方法 |
| US11910092B2 (en) | 2020-10-01 | 2024-02-20 | Black Sesame Technologies Inc. | Panoramic look-around view generation method, in-vehicle device and in-vehicle system |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150279048A1 (en) * | 2014-03-26 | 2015-10-01 | Postech Academy - Industry Foundation | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same |
| CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
-
2019
- 2019-04-23 CN CN201910329051.1A patent/CN110084248B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150279048A1 (en) * | 2014-03-26 | 2015-10-01 | Postech Academy - Industry Foundation | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same |
| CN108010045A (zh) * | 2017-12-08 | 2018-05-08 | 福州大学 | 基于orb的视觉图像特征点误匹配提纯方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宏伟等: "ORB特征四叉树均匀分布算法", 《自动化仪表》 * |
| 禹鑫D等: "一种基于四叉树的改进的ORB特征提取算法", 《计算机科学》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619338A (zh) * | 2019-09-18 | 2019-12-27 | 成都信息工程大学 | 一种可长时间依赖的图像特征提取方法 |
| CN110619338B (zh) * | 2019-09-18 | 2022-02-08 | 成都信息工程大学 | 一种可长时间依赖的图像特征提取方法 |
| CN110636263B (zh) * | 2019-09-20 | 2022-01-11 | 黑芝麻智能科技(上海)有限公司 | 全景环视图生成方法、车载设备及车载系统 |
| CN110636263A (zh) * | 2019-09-20 | 2019-12-31 | 黑芝麻智能科技(上海)有限公司 | 全景环视图生成方法、车载设备及车载系统 |
| CN111160371A (zh) * | 2019-12-30 | 2020-05-15 | 长春理工大学 | 一种orb均匀提取特征点方法 |
| CN111160371B (zh) * | 2019-12-30 | 2023-08-25 | 长春理工大学 | 一种orb均匀提取特征点方法 |
| CN112017197A (zh) * | 2020-09-07 | 2020-12-01 | 山东交通学院 | 一种图像特征提取方法及系统 |
| US11910092B2 (en) | 2020-10-01 | 2024-02-20 | Black Sesame Technologies Inc. | Panoramic look-around view generation method, in-vehicle device and in-vehicle system |
| CN113191370A (zh) * | 2021-04-26 | 2021-07-30 | 安徽工程大学 | 一种基于阈值自适应阈值调整的orb算法 |
| CN113284232A (zh) * | 2021-06-10 | 2021-08-20 | 西北工业大学 | 一种基于四叉树的光流跟踪方法 |
| CN113284232B (zh) * | 2021-06-10 | 2023-05-26 | 西北工业大学 | 一种基于四叉树的光流跟踪方法 |
| CN114926448A (zh) * | 2022-05-31 | 2022-08-19 | 江南大学 | 一种胶囊内窥镜图像特征点提取方法 |
| CN117315274A (zh) * | 2023-11-28 | 2023-12-29 | 淄博纽氏达特机器人系统技术有限公司 | 一种基于自适应特征提取的视觉slam方法 |
| CN117315274B (zh) * | 2023-11-28 | 2024-03-19 | 淄博纽氏达特机器人系统技术有限公司 | 一种基于自适应特征提取的视觉slam方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084248B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084248A (zh) | 一种orb特征均匀化提取方法 | |
| CN110827213B (zh) | 一种基于生成式对抗网络的超分辨率图像修复方法 | |
| CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
| CN111798400A (zh) | 基于生成对抗网络的无参考低光照图像增强方法及系统 | |
| CN111080513B (zh) | 一种基于注意力机制的人脸图像超分辨率方法 | |
| CN110211035B (zh) | 融合互信息的深度神经网络的图像超分辨率方法 | |
| CN108765344A (zh) | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 | |
| CN103400368B (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
| CN106846336A (zh) | 提取前景图像、替换图像背景的方法及装置 | |
| CN104143186B (zh) | 一种slic超像素分块优化方法 | |
| CN110880165A (zh) | 一种基于轮廓和颜色特征融合编码的图像去雾方法 | |
| CN111612024B (zh) | 特征提取方法、装置、电子设备及计算机可读存储介质 | |
| CN111985597B (zh) | 模型压缩方法及装置 | |
| CN108596919A (zh) | 一种基于深度图的自动图像分割方法 | |
| CN110210278A (zh) | 一种视频目标检测方法、装置及存储介质 | |
| CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 | |
| CN114037712A (zh) | 基于深度学习的用户实时涂抹交互式图像分割方法 | |
| CN113870128A (zh) | 一种基于深度卷积对抗式网络的数字壁画图像修复方法 | |
| CN117011175A (zh) | 一种矿山三维模型点云数据组合滤波方法及介质 | |
| CN114862902A (zh) | 一种基于四叉树的光照自适应orb特征提取和匹配方法 | |
| CN109740455B (zh) | 一种人群疏散仿真方法和装置 | |
| CN112561844B (zh) | 一种融合纹理结构的数码迷彩图案自动生成方法 | |
| CN107507199A (zh) | 一种图像分割方法及系统 | |
| CN117710312A (zh) | 基于联邦学习和YOLOv5的输电网异物检测方法 | |
| CN111310772B (zh) | 用于双目视觉slam的点线特征选取方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240514 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: No.1, East 1st ring road, Hantai District, Hanzhong City, Shaanxi Province Patentee before: Shaanxi University of Technology Country or region before: China |