CN113554036A - 一种改进orb算法的特征点提取与匹配方法 - Google Patents
一种改进orb算法的特征点提取与匹配方法 Download PDFInfo
- Publication number
- CN113554036A CN113554036A CN202110767996.9A CN202110767996A CN113554036A CN 113554036 A CN113554036 A CN 113554036A CN 202110767996 A CN202110767996 A CN 202110767996A CN 113554036 A CN113554036 A CN 113554036A
- Authority
- CN
- China
- Prior art keywords
- matching
- points
- point
- calculating
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 11
- 238000010276 construction Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
一种改进ORB算法的特征点提取与匹配方法,包括如下步骤:步骤一:利用FAST算法检测图像特征点,构建图像金字塔,计算特征点主方向;步骤二:利用BEBLID学习型二进制描述子对特征点进行描述;步骤三:利用双向暴力匹配法对特征点进行粗匹配;步骤四:利用PROSAC算法剔除误匹配点,得到正确的匹配内点。本发明利用区分度更高、构建效率更高的BEBLID二进制描述子代替ORB算法中的BRIEF描述子,有效提高了ORB算法的特征点匹配准确率和匹配效率,通过构建图像金字塔和计算特征点主方向,使改进的ORB算法对图像的旋转变换和尺度变换具有不变性。
Description
技术领域
本发明涉及图像处理技术领域,特别是指一种改进ORB算法的特征点提取与匹配方法。
背景技术
图像特征点提取和匹配是一项关键的图像处理技术,在图像拼接、目标识别、视觉跟踪、三维重建等研究领域中得以广泛应用。局部特征点因其具有占用空间内存小、运算效率高、易于描述的特点受到广泛的关注。图像中提取到的特征点需要对图像的光照变换、尺度变换、旋转变换等具有一定的鲁棒性,才能有效保证特征点的精确匹配。现有的特征点提取和匹配算法在匹配精度和匹配效率上仍有明显不足,随着图像处理技术的发展,对特征点提取和匹配算法的准确性和实时性提出了更高的要求。
常用的特征点提取算法包括SIFT、SURF、ORB算法。SIFT特征点对尺度变换、旋转变换等具有较好的不变性,对噪音的干扰具有较好的稳定性,但是其运算效率较低。SURF算法对SIFT算法进行了改进,提高了算法的运算效率。ORB算法相比于SIFT和SUFT算法在运算速度上快了1个数量级,具有较好的实时性。但是ORB算法的鲁棒性相对较差,特征点的提取和匹配性能较差。如何保证ORB算法运算效率的同时,提高其特征点提取与匹配性能是目前研究的热点问题。
发明内容
为了克服现有技术的缺点,本发明提出一种改进ORB算法的特征点提取与匹配方法,利用区分度更高、构建效率更高的BEBLID二进制描述子代替ORB算法中的BRIEF描述子,有效提高了ORB算法的特征点匹配准确率和匹配效率,通过构建图像金字塔和计算特征点主方向,使改进的ORB算法对图像的旋转变换和尺度变换具有不变性。
本发明采用的技术方案如下:
一种改进ORB算法的特征点提取与匹配方法,包括如下步骤:
步骤一、利用FAST角点检测算法分别检测参考图像和目标图像特征点,通过构建图像金字塔,检测每一层图像特征点,使改进的ORB算法具有尺度不变性,计算特征点邻域的灰度质心,定义特征点到灰度质心的向量方向为该特征点的主方向,使改进的ORB算法具有旋转不变性;
步骤二、利用BEBLID学习型二进制描述子对检测到的特征点进行描述,取一个以特征点为中心的正方形图像区域,在该区域内任取多对图像块,计算每对图像块中像素点的平均灰度值,相减得到f(x),计算公式如式(1)所示,将得到的f(x)与设定的阈值T比较得到h(x),计算公式如式(2)所示,最后利用增强算法有区分地选择一组特征,组成强特征描述,将{+1,-1}输出转换为{1,0}输出,得到BEBLID二进制描述向量;
式中,I(t)表示在像素点t处的灰度值,R(p,s)表示以p为中心像素点,大小为s的方形区域,R(p1,s)和R(p2,s)表示一对图像块,利用图像积分计算方框区域的灰度值之和;
步骤三、对提取到的特征点使用汉明距离进行双向暴力匹配,计算参考图像中的特征点描述子与目标图像中所有特征点描述子之间的距离,取距离最近的一个作为可能匹配点。使用被匹配到的点进行反向匹配,若匹配到的仍然是第一次匹配的点,则将该对匹配点加入粗匹配点集中;
步骤四、利用PROSAC算法对粗匹配点进行提纯,计算每一对匹配点的欧式距离比值β,计算公式如式(3)所示,根据匹配点的质量进行降序排序,对匹配质量靠前的k(k>4)个匹配点随机组合,每四个匹配点组合成一个匹配点子集,计算匹配点子集的质量之和,取质量最高的匹配点子集计算单应性矩阵。计算匹配点相对于单应性矩阵的投影误差,取误差值小于设定阈值的匹配点加入内点集。若内点集中的内点数大于设定的内点数阈值,利用求得的内点重新估计模型参数,输出正确匹配内点,否则重复上述步骤,重新选取子数据集和计算单应性矩阵。
式中:dmin表示最小欧氏距离;dmin2表示次最小欧氏距离;β越小表示特征点匹配正确的概率越高,对应的匹配点质量越高。
本发明首先利用FAST角点检测算法检测图像特征点,构建图像金字塔,对每层图像进行特征点检测,利用灰度质心法计算特征点方向。然后利用BEBLID学习型二进制描述子对特征点进行描述。接着对提取到的特征点进行双向暴力匹配得到粗匹配点,最后利用PROSAC算法对粗匹配点进行提纯,得到正确的匹配内点。
本发明的有益效果是:(1)通过构建图像金字塔,使改进的ORB算法对图像的尺度变换具有不变性。通过利用灰度质心法,计算特征点主方向,使改进的ORB算法对图像的旋转变换具有不变性。(2)利用BEBLID描述子取代ORB算法中的BRIEF描述子进行特征点描述,利用特征点邻域中不同区域的平均灰度值之差来描述特征点,具有更高的区分度,提高了特征点的匹配准确率。其次,BEBLID描述子利用增强算法有区别地选择一组特征组成强特征描述,计算量较低,提高了特征描述子的构建效率。
附图说明
图1是本方法的方法流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
参照图1,一种改进ORB算法的特征点提取与匹配方法,包括如下步骤:
步骤一、利用FAST角点检测算法分别检测参考图像和目标图像特征点,通过构建图像金字塔,检测每一层图像特征点,使改进的ORB算法具有尺度不变性,计算特征点邻域的灰度质心,定义特征点到灰度质心的向量方向为该特征点的主方向,使改进的ORB算法具有旋转不变性;
步骤二、利用BEBLID学习型二进制描述子对检测到的特征点进行描述,取一个以特征点为中心的正方形图像区域,在该区域内任取多对图像块,计算每对图像块中像素点的平均灰度值,相减得到f(x),计算公式如式(1)所示。将得到的f(x)与设定的阈值T比较得到h(x),计算公式如式(2)所示,最后利用增强算法有区分地选择一组特征,组成强特征描述,将{+1,-1}输出转换为{1,0}输出,得到BEBLID二进制描述向量;
式中,I(t)表示在像素点t处的灰度值,R(p,s)表示以p为中心像素点,大小为s的方形区域,R(p1,s)和R(p2,s)表示一对图像块,为了加速运算,利用图像积分计算方框区域的灰度值之和;
步骤三、对提取到的特征点使用汉明距离进行双向暴力匹配,计算参考图像中的特征点描述子与目标图像中所有特征点描述子之间的距离,取距离最近的一个作为可能匹配点,使用被匹配到的点进行反向匹配,若匹配到的仍然是第一次匹配的点,则将该对匹配点加入粗匹配点集中;
步骤四、利用PROSAC算法对粗匹配点进行提纯,计算每一对匹配点的欧式距离比值β,计算公式如式(3)所示,根据匹配点的质量进行降序排序,对匹配质量靠前的k(k>4)个匹配点随机组合,每四个匹配点组合成一个匹配点子集,计算匹配点子集的质量之和,取质量最高的匹配点子集计算单应性矩阵,计算匹配点相对于单应性矩阵的投影误差,取误差值小于设定阈值的匹配点加入内点集,若内点集中的内点数大于设定的内点数阈值,利用求得的内点重新估计模型参数,输出正确匹配内点,否则重复上述步骤,重新选取子数据集和计算单应性矩阵;
式中:dmin表示最小欧氏距离;dmin2表示次最小欧氏距离;β越小表示特征点匹配正确的概率越高,对应的匹配点质量越高。
本说明书实施例所述的内容为本发明较好的具体实施形式,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种改进ORB算法的特征点提取与匹配方法,其特征在于,所述方法包括如下步骤:
步骤一、利用FAST角点检测算法分别检测参考图像和目标图像特征点,通过构建图像金字塔,检测每一层图像特征点,使改进的ORB算法具有尺度不变性,计算特征点邻域的灰度质心,定义特征点到灰度质心的向量方向为该特征点的主方向,使改进的ORB算法具有旋转不变性;
步骤二、利用BEBLID学习型二进制描述子对检测到的特征点进行描述,取一个以特征点为中心的正方形图像区域,在该区域内任取多对图像块,计算每对图像块中像素点的平均灰度值,相减得到f(x),计算公式如式(1)所示,将得到的f(x)与设定的阈值T比较得到h(x),计算公式如式(2)所示,最后利用增强算法有区分地选择一组特征,组成强特征描述,将{+1,-1}输出转换为{1,0}输出,得到BEBLID二进制描述向量;
式中,I(t)表示在像素点t处的灰度值,R(p,s)表示以p为中心像素点,大小为s的方形区域,R(p1,s)和R(p2,s)表示一对图像块,利用图像积分计算方框区域的灰度值之和;
步骤三、对提取到的特征点使用汉明距离进行双向暴力匹配,计算参考图像中的特征点描述子与目标图像中所有特征点描述子之间的距离,取距离最近的一个作为可能匹配点,使用被匹配到的点进行反向匹配,若匹配到的仍然是第一次匹配的点,则将该对匹配点加入粗匹配点集中;
步骤四、利用PROSAC算法对粗匹配点进行提纯,计算每一对匹配点的欧式距离比值β,计算公式如式(3)所示,根据匹配点的质量进行降序排序,对匹配质量靠前的k个匹配点随机组合,每四个匹配点组合成一个匹配点子集,计算匹配点子集的质量之和,取质量最高的匹配点子集计算单应性矩阵,计算匹配点相对于单应性矩阵的投影误差,取误差值小于设定阈值的匹配点加入内点集,若内点集中的内点数大于设定的内点数阈值,利用求得的内点重新估计模型参数,输出正确匹配内点,否则重复上述步骤,重新选取子数据集和计算单应性矩阵;
式中:dmin表示最小欧氏距离;dmin2表示次最小欧氏距离;β越小表示特征点匹配正确的概率越高,对应的匹配点质量越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767996.9A CN113554036A (zh) | 2021-07-07 | 2021-07-07 | 一种改进orb算法的特征点提取与匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767996.9A CN113554036A (zh) | 2021-07-07 | 2021-07-07 | 一种改进orb算法的特征点提取与匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554036A true CN113554036A (zh) | 2021-10-26 |
Family
ID=78131453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767996.9A Pending CN113554036A (zh) | 2021-07-07 | 2021-07-07 | 一种改进orb算法的特征点提取与匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205562A (zh) * | 2022-07-22 | 2022-10-18 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844663A (zh) * | 2016-03-21 | 2016-08-10 | 中国地质大学(武汉) | 一种自适应orb目标跟踪方法 |
CN110675437A (zh) * | 2019-09-24 | 2020-01-10 | 重庆邮电大学 | 一种基于改进gms-orb特征的图像匹配方法及存储介质 |
CN112364881A (zh) * | 2020-04-01 | 2021-02-12 | 武汉理工大学 | 一种进阶采样一致性图像匹配算法 |
-
2021
- 2021-07-07 CN CN202110767996.9A patent/CN113554036A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844663A (zh) * | 2016-03-21 | 2016-08-10 | 中国地质大学(武汉) | 一种自适应orb目标跟踪方法 |
CN110675437A (zh) * | 2019-09-24 | 2020-01-10 | 重庆邮电大学 | 一种基于改进gms-orb特征的图像匹配方法及存储介质 |
CN112364881A (zh) * | 2020-04-01 | 2021-02-12 | 武汉理工大学 | 一种进阶采样一致性图像匹配算法 |
Non-Patent Citations (2)
Title |
---|
AUTOSLEEP: "【OpenCV实践之】描述符BEBLID", pages 1 - 6, Retrieved from the Internet <URL:https://blog.csdn.net/Small_Munich/article/details/113950115> * |
SUÁREZAB: "BEBLID: Boosted efficient binary local image descriptor", 《PATTERN RECOGNITION LETTERS》, pages 366 - 372 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205562A (zh) * | 2022-07-22 | 2022-10-18 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
CN115205562B (zh) * | 2022-07-22 | 2023-03-14 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325507B (zh) | 结合超像素显著性特征与hog特征图像分类方法和系统 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN108830283B (zh) | 一种图像特征点匹配方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN111133471A (zh) | 信息处理装置 | |
CN110738265A (zh) | 一种基于改进的lbp特征和lndp特征相融合的改进orb算法 | |
CN115471682A (zh) | 一种基于SIFT融合ResNet50的图像匹配方法 | |
Horzyk et al. | YOLOv3 precision improvement by the weighted centers of confidence selection | |
Zhu et al. | Image mosaic algorithm based on PCA-ORB feature matching | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
CN114494380A (zh) | 二进制形状上下文特征描述子构建方法及点云配准方法 | |
CN112364881A (zh) | 一种进阶采样一致性图像匹配算法 | |
CN106611030A (zh) | 基于视频的对象相似度比较方法和检索方法及其系统 | |
CN113554036A (zh) | 一种改进orb算法的特征点提取与匹配方法 | |
CN114358166A (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN111164604A (zh) | 信息处理装置 | |
KR101789979B1 (ko) | 그래디언트 방향 정보에 기반한 하우스도르프 거리 계산 방법 | |
CN112001448A (zh) | 一种形状规则小物体检测方法 | |
CN110969128A (zh) | 一种基于多特征融合的海面背景下红外船舰的检测方法 | |
CN109377455B (zh) | 改进的基于自相似性的多序列磁共振图像配准方法 | |
CN115294371B (zh) | 基于深度学习的互补特征可靠描述与匹配方法 | |
CN102496022B (zh) | 一种有效的特征点描述i-brief方法 | |
CN114693951A (zh) | 一种基于全局上下文信息探索的rgb-d显著性目标检测方法 | |
Zhu et al. | OGNet: Salient object detection with output-guided attention module | |
Tan et al. | Divide to attend: A multiple receptive field attention module for object detection in remote sensing images |
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 |