增強(qiáng)現(xiàn)實(shí)飛機(jī)維修過程中角點(diǎn)檢測(cè)方法優(yōu)化

石旭東，黃加旺，黃 琨，徐 萌

(中國(guó)民航大學(xué) 電子信息與自動(dòng)化學(xué)院，天津 300300)

0 引 言

傳統(tǒng)飛機(jī)維修依賴紙質(zhì)維修資料使得維修效率普遍不高，且飛機(jī)維修要保證飛機(jī)航行絕對(duì)安全，對(duì)維修失誤零容忍[1]。針對(duì)以上問題，增強(qiáng)現(xiàn)實(shí)[2](augmented reality，AR)與飛機(jī)維修結(jié)合可提供給維修人員實(shí)時(shí)、準(zhǔn)確的維修引導(dǎo)，而實(shí)時(shí)、準(zhǔn)確的引導(dǎo)關(guān)鍵在于圖像識(shí)別算法的速度和精度。本文重點(diǎn)研究圖像識(shí)別中的角點(diǎn)檢測(cè)環(huán)節(jié)，傳統(tǒng)角點(diǎn)檢測(cè)算法速度較慢，閾值選取不當(dāng)會(huì)提取到偽角點(diǎn)或產(chǎn)生冗余、不足，越來越多的學(xué)者開始對(duì)傳統(tǒng)算法進(jìn)行優(yōu)化。文獻(xiàn)[3,4]中蘭紅等用聚類算法馬氏距離代替SURF算法歐氏距離，張立亭等提出基于灰度差分與模板的快速Harris算法，兩種方法均提高了算法準(zhǔn)確性，且后者相比前者降低了算法時(shí)間復(fù)雜度。文獻(xiàn)[5,6]中朱聰?shù)忍岢龌谙嗨葡袼豀arris算法，徐振武等提出多閾值圓形非極大值抑制法，賦予算法尺度和旋轉(zhuǎn)不變性，后者相比前者優(yōu)化了閾值選取環(huán)節(jié)。Lei Fei等[7]結(jié)合K-D樹和RANSAC算法，濾去大量誤匹配，但算法速度提升不明顯。R.Manoranjitham等[8]提出雙邊Harris角點(diǎn)檢測(cè)器，優(yōu)化后魯棒性增強(qiáng)。Songqi Han等[9]用B樣條函數(shù)濾波獲得初始點(diǎn)集，但閾值選取方法還需優(yōu)化。陳洪等[10]提出自適應(yīng)灰度差閾值的SUSAN算法，Ly算子探測(cè)概略角點(diǎn)集，得到精確角點(diǎn)特征。

本文從提高速度精度和可匹配性方面入手，首先用維納濾波復(fù)原圖像和8鄰域比較法篩選初始點(diǎn)集。然后為算法找出最優(yōu)的角點(diǎn)質(zhì)量等級(jí)和相鄰角點(diǎn)最小距離限度，用具有最優(yōu)參數(shù)的Harris算法對(duì)點(diǎn)集進(jìn)行再篩選，快速得到準(zhǔn)確分散的目標(biāo)角點(diǎn)集。

1 改進(jìn)角點(diǎn)檢測(cè)算法總體流程

1.1 Harris角點(diǎn)檢測(cè)算法

關(guān)于角點(diǎn)的定義，到目前為止沒有明確的數(shù)學(xué)定義，可以認(rèn)為角點(diǎn)是定區(qū)間內(nèi)的極值點(diǎn)，是一些某方面屬性特別突出的點(diǎn)，或是在某些屬性上強(qiáng)度最大或者最小的孤立點(diǎn)、線段的終點(diǎn)，或者是曲線上局部曲率最大的點(diǎn)[11]。

(1)

高斯取樣窗口函數(shù)W(x,y) 可表示為

(2)

根據(jù)二維泰勒級(jí)數(shù)展開灰度函數(shù)I(x+u,y+v)，得到

A(u,v)≈∑W(x,y)[I(x,y)+uIx+vIy-I(x,y)]2=
∑W(x,y)[uIx+vIy]2

再化為二次型的形式，得到

(3)

然后我們令矩陣Mat

(4)

運(yùn)用Sobel算子求兩個(gè)方向上的梯度，其中，Ix是灰度圖像在x方向的梯度，Iy是在y方向的梯度，?表示卷積。

Mat矩陣特征值的大小與特征點(diǎn)的性質(zhì)相關(guān)，計(jì)算出矩陣的兩個(gè)特征值e1、e2，分別求出矩陣的行列式det(Mat)=e1e2，矩陣的跡trace(Mat)=e1+e2。

可以計(jì)算Harris角點(diǎn)響應(yīng)函數(shù)

CRFH=det(Mat)-k(trace(Mat))2

(5)

一般k取0.04-0.06。得出CRFH后，需要設(shè)定合適的閾值，篩選出大于閾值的點(diǎn)即為角點(diǎn)候選點(diǎn)。這就是Harris角點(diǎn)檢測(cè)法的基本原理。

Harris算法存在著一定的局限性：

(1)在非極大值抑制過程中，閾值選取的隨意性導(dǎo)致特征點(diǎn)的冗余或不足。

(2)傳統(tǒng)算法中乘法的計(jì)算量大，所以整體算法耗時(shí)較長(zhǎng)。

(3)算法的可靠性不足，會(huì)出現(xiàn)偽角點(diǎn)。

1.2 改進(jìn)算法的總體流程

對(duì)于增強(qiáng)現(xiàn)實(shí)誘導(dǎo)飛機(jī)維修系統(tǒng)，維修對(duì)象識(shí)別的準(zhǔn)確性是系統(tǒng)性能的關(guān)鍵，維修對(duì)象樣本圖片質(zhì)量的好壞也是圖像識(shí)別能否準(zhǔn)確的基礎(chǔ)。維修現(xiàn)場(chǎng)光照條件惡劣，同時(shí)采集的對(duì)象圖片存在噪點(diǎn)，要用濾波方法濾去圖像中的噪點(diǎn)，保證圖像識(shí)別過程的準(zhǔn)確性，為整體算法的改進(jìn)做鋪墊。

步驟1 對(duì)維修對(duì)象樣本圖片進(jìn)行維納濾波，去除噪聲復(fù)原圖像。此外，維納濾波的效果和與高斯濾波的對(duì)比圖已展示在第2.2節(jié)“優(yōu)化算法實(shí)驗(yàn)結(jié)果分析”中。

步驟2 利用8鄰域比較法，對(duì)初始點(diǎn)集進(jìn)行篩選，獲得候選點(diǎn)集Collection1。

所謂8鄰域比較法，即以各像素點(diǎn)(除第一行、第一列、最后一行、最后一列外所有的點(diǎn))為中心構(gòu)建一個(gè)3×3的方形區(qū)域，計(jì)算周圍8鄰域像素點(diǎn)與中心像素點(diǎn)之差Δ的絕對(duì)值，設(shè)定一個(gè)閾值Tsim(Tsim>0,其中sim取自similar，表相似)，當(dāng)Δ

(6)

(7)

S(i,j) 是標(biāo)記函數(shù)，以 (i,j) 為中心對(duì)其8鄰域內(nèi)像素點(diǎn)相似記1，不相似記0。

容易得知：Nsim(i,j)∈[0,8] 內(nèi)的整數(shù)。

分析Nsim(i,j) 的值，可以推斷：

(1)Nsim(i,j)=8時(shí)，說明中心像素點(diǎn)周圍像素點(diǎn)都是相似關(guān)系，所以判斷該點(diǎn)不是角點(diǎn)。

(2)Nsim(i,j)=7時(shí)，說明鄰域內(nèi)只有一個(gè)點(diǎn)與中心像素點(diǎn)不相似，此類情形下中心像素點(diǎn)不能被確定為角點(diǎn)。

(3)Nsim(i,j)=1時(shí)，與情況(2)互為反事件，在鄰域內(nèi)與中心像素點(diǎn)相似的點(diǎn)只有一個(gè)，此點(diǎn)可能是角點(diǎn)。但圖1中不能確定各灰色方塊間是否相似，如果8鄰域內(nèi)相似的灰色方塊數(shù)量大于4時(shí)，證明灰色方塊之間灰度變化較平坦，所以與之不相似的中心像素點(diǎn)可能是孤立的噪聲點(diǎn)，此類像素點(diǎn)應(yīng)排除。

圖1 Nsim(i,j)=1時(shí)中心點(diǎn)與鄰域的相似關(guān)系

(4)Nsim(i,j)=0時(shí)，該中心像素點(diǎn)為孤立像素點(diǎn)或者是噪聲點(diǎn)，應(yīng)排除此類像素點(diǎn)。

(5)Nsim(i,j)=(2,3,4,5,6) 時(shí)，將這類像素點(diǎn)列為候選點(diǎn)，對(duì)其計(jì)算角點(diǎn)響應(yīng)函數(shù)進(jìn)行篩選。

經(jīng)過8鄰域比較法篩選得到候選點(diǎn)集這一步驟，過濾了大約60%的非特征點(diǎn)，大大降低了算法的時(shí)間復(fù)雜度和空間復(fù)雜度。

步驟3 對(duì)Collection1利用Sobel算子對(duì)候選點(diǎn)集分別進(jìn)行對(duì)x方向和y方向的梯度求算，得到Ix,Iy。Sobel算子具有一定的優(yōu)勢(shì)，計(jì)算簡(jiǎn)單且分割速度快，能夠更多地提取圖像的細(xì)節(jié)信息[12]。它還是一種加權(quán)平均的算子，距離不同有著不同的權(quán)值，一般來講，距離越遠(yuǎn)，影響越小。光照等自然環(huán)境的改變不會(huì)影響Sobel算子的計(jì)算值，Sobel算子的魯棒性更強(qiáng)。

步驟4 利用求出的每對(duì)Ix、Iy計(jì)算矩陣Mat。求出特征值e1,e2。利用Harris角點(diǎn)響應(yīng)函數(shù)公式計(jì)算出角點(diǎn)響應(yīng)函數(shù)CRFH值，找出CRFH的最大值CRFHMAX。令閾值TH=Q×CRFHMAX。利用閾值TH篩選點(diǎn)集，得到Collection2。

步驟5 在得到點(diǎn)集Collection2后，利用該算法可自行設(shè)置一個(gè)可識(shí)別到的最大角點(diǎn)數(shù)，并為該點(diǎn)集設(shè)定一個(gè)角點(diǎn)質(zhì)量等級(jí)Q，再選取一個(gè)相鄰角點(diǎn)最小距離限度值Dmin，使選取的角點(diǎn)更加稀疏，更加準(zhǔn)確，易于后期的圖像配準(zhǔn)，最后角點(diǎn)集TargetCollection即為所得。

圖2是算法總體流程。

圖2 算法總體流程

2 實(shí)驗(yàn)過程與結(jié)果分析

2.1 最優(yōu)參數(shù)求取過程

然而，找到最優(yōu)的角點(diǎn)質(zhì)量等級(jí)和最優(yōu)的最小距離限度值是算法整體品質(zhì)提升的關(guān)鍵。角點(diǎn)質(zhì)量等級(jí)Q(QualityLevel)控制著截止閾值的大小，有以下關(guān)系

TH=Q×CRFHMAX

(8)

Q越大識(shí)別到的角點(diǎn)質(zhì)量越高，反之就越來越粗糙；與此同時(shí)，隨著Q的變化，得到的角點(diǎn)數(shù)量也會(huì)隨之變化，Q越大，得到的角點(diǎn)數(shù)量就越少，維持角點(diǎn)質(zhì)量和數(shù)量的動(dòng)態(tài)平衡是算法品質(zhì)的關(guān)鍵。

另外，角點(diǎn)成群出現(xiàn)的現(xiàn)象會(huì)影響后期特征點(diǎn)匹配的過程，所以要為相鄰角點(diǎn)間設(shè)定一個(gè)最小距離限度值Dmin(下標(biāo)min表minimum，意為最小)。和角點(diǎn)質(zhì)量等級(jí)Q的選取一樣，Dmin的選取也會(huì)引起角點(diǎn)識(shí)別數(shù)量的變化，角點(diǎn)識(shí)別準(zhǔn)確率和相鄰角點(diǎn)最小距離限度的平衡也是需要考慮在內(nèi)的。

設(shè)一個(gè)角點(diǎn)群有3個(gè)點(diǎn)，分別為A(x1,y1)、B(x2,y2)、C(x3,y3)，有下式

(9)

根據(jù)需求，確定最小距離限度值Dmin。從角點(diǎn)集只有3個(gè)點(diǎn)的情況入手，求出角點(diǎn)集內(nèi)任意兩點(diǎn)間距離并將其與給定的Dmin作比較，將比較結(jié)果與表1的8種情況進(jìn)行對(duì)照，對(duì)角點(diǎn)進(jìn)行分析和有選擇性的保留。對(duì)于“留其一”的情況，此類點(diǎn)要與集外相鄰角點(diǎn)重復(fù)進(jìn)行上述步驟，層層篩選，可得到最終的角點(diǎn)集。

表1 3個(gè)角點(diǎn)的保留情況

了解了角點(diǎn)的保留情況，再利用控制變量的思想,確定最大可識(shí)別到角點(diǎn)數(shù)量為300，設(shè)定相鄰角點(diǎn)最小距離Dmin=10 pixel(因?yàn)榻屈c(diǎn)是通過圓圈標(biāo)記的，圓圈具有一定的半徑，當(dāng)Dmin=10 pixel時(shí)，是滿足圓圈不相切不交疊的最小距離Dmin=9 pixel和Dmin=10 pixel情況下的對(duì)比如圖3所示，在圖3(a)中可以發(fā)現(xiàn)白色圓圈內(nèi)還存在角點(diǎn)標(biāo)記的交疊相切現(xiàn)象，圖3(b)中沒有此現(xiàn)象，所以選取Dmin=10 pixel)。改變變量角點(diǎn)質(zhì)量等級(jí)Q的取值，在Visual Studio 2015環(huán)境下借助OpenCV函數(shù)庫運(yùn)行改進(jìn)Harris算法。步驟如下：從0開始(最大角點(diǎn)個(gè)數(shù)300，角點(diǎn)識(shí)別準(zhǔn)確率80.7%)，以0.01為步長(zhǎng)，直至0.3為止(Q=0.3時(shí)只能得到25個(gè)角點(diǎn)，以后的數(shù)據(jù)無意義)，改變Q的取值在算法中運(yùn)行得到角點(diǎn)質(zhì)量等級(jí)與最大角點(diǎn)個(gè)數(shù)和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系，見表2。將表2數(shù)據(jù)用Matlab進(jìn)行圖象繪制，如圖4所示。

表2 角點(diǎn)質(zhì)量等級(jí)與最大角點(diǎn)數(shù)量和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系

圖4 角點(diǎn)質(zhì)量等級(jí)與最大角點(diǎn)數(shù)量和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系

雖然圖像后段的識(shí)別準(zhǔn)確率較高，但識(shí)別到的角點(diǎn)很少，根據(jù)式(10)可知，求取的R值不能滿足圖像識(shí)別的需要?？紤]到角點(diǎn)數(shù)量和角點(diǎn)識(shí)別準(zhǔn)確率的平衡，只有兩個(gè)點(diǎn)符合要求，分別是(0.14,261,89.2%)和(0.15,243,89.3%)，相比之下Q=0.15時(shí)對(duì)應(yīng)的準(zhǔn)確率是鄰域內(nèi)的極值，所以得到最優(yōu)角點(diǎn)質(zhì)量等級(jí)Q=0.15。那么同樣地，控制變量Q=0.15，相鄰角點(diǎn)最小距離從0開始(此時(shí)，最大角點(diǎn)個(gè)數(shù)：281；角點(diǎn)識(shí)別準(zhǔn)確率：80.4%)，以2 pixel為步長(zhǎng)，直至60 pixel為止(當(dāng)設(shè)定的相鄰角點(diǎn)距離值大于60 pixel時(shí)，角點(diǎn)個(gè)數(shù)小于55，以后的數(shù)據(jù)無意義)，得到相鄰角點(diǎn)最小距離與最大角點(diǎn)個(gè)數(shù)和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系，見表3。將表3數(shù)據(jù)用Matlab進(jìn)行圖象繪制，如圖5所示。

表3 相鄰角點(diǎn)最小距離與最大角點(diǎn)數(shù)量和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系

圖5 相鄰角點(diǎn)最小距離與最大角點(diǎn)數(shù)量和角點(diǎn)檢測(cè)準(zhǔn)確率的關(guān)系

從中選取了3個(gè)點(diǎn)(14,237,83.9%)、(16,211,85.3%)、(18,187,86.0%)作為候選,依照增強(qiáng)現(xiàn)實(shí)工具Vuforia中的“五星”增強(qiáng)現(xiàn)實(shí)標(biāo)記(“五星”說明圖像在增強(qiáng)現(xiàn)實(shí)系統(tǒng)中圖像識(shí)別效果極好)，如圖6：該圖像素為320×212，特征點(diǎn)(圖中用“十字”符號(hào)表示)179個(gè)，那么特征點(diǎn)占比

(10)

圖6中R=179/(320×212)=0.264%。

圖6 增強(qiáng)現(xiàn)實(shí)標(biāo)記

維修樣本圖片的像素為260×314，那么

RDmin=14=237/(260×314)=0.290%
RDmin=16=211/(260×314)=0.258%
RDmin=18=187/(260×314)=0.229%

可以發(fā)現(xiàn)RDmin=16=0.258%與圖6特征點(diǎn)占比R=0.264%最為接近、吻合。反觀Dmin=14和Dmin=18兩種情況，當(dāng)Dmin=14時(shí)，通過觀察表3得知此時(shí)角點(diǎn)識(shí)別準(zhǔn)確率為83.9%，相對(duì)于Dmin=16時(shí)較低；當(dāng)Dmin=18時(shí)，雖然角點(diǎn)識(shí)別準(zhǔn)確率為86.0%相對(duì)于Dmin=16時(shí)較高，但是此時(shí)獲得的角點(diǎn)數(shù)量較少，同時(shí)0.229%的占比和標(biāo)準(zhǔn)特征點(diǎn)占比R=0.264%相比差距過大，對(duì)圖像的識(shí)別效果有一定影響，所以權(quán)衡多個(gè)要素最后選取Dmin=16作為最優(yōu)相鄰角點(diǎn)最小距離限度。

上述部分主要運(yùn)用了控制變量的思想，充分考慮角點(diǎn)準(zhǔn)確性與分散程度的平衡，分析得出了最優(yōu)的角點(diǎn)質(zhì)量等級(jí)Q=0.15和最優(yōu)的相鄰角點(diǎn)最小距離限度Dmin=16 pixel。

將兩個(gè)最優(yōu)參數(shù)帶入新算法進(jìn)行實(shí)驗(yàn)。

針對(duì)1.1節(jié)傳統(tǒng)Harris算法所提出的3點(diǎn)弊端，優(yōu)化后的算法可以從以下3個(gè)方面彌補(bǔ)傳統(tǒng)方法的不足：

(1)在優(yōu)化算法中，選取最優(yōu)角點(diǎn)質(zhì)量等級(jí)，即為選取最優(yōu)閾值，規(guī)避了閾值隨意選取導(dǎo)致特征點(diǎn)冗余或不足的現(xiàn)象。

(2)維納濾波濾除噪點(diǎn)，8鄰域比較法篩去約占總像素點(diǎn)60%的非特征點(diǎn)，所以進(jìn)入算法的特征點(diǎn)僅為總像素點(diǎn)的約40%，Harris算法中包含大量的乘法運(yùn)算，行列式運(yùn)算和導(dǎo)數(shù)運(yùn)算，如果每個(gè)像素點(diǎn)都經(jīng)過一遍算法流程，那算法時(shí)間會(huì)過于冗長(zhǎng)，初篩特征點(diǎn)這一過程大大提高了算法的運(yùn)行速度。且8鄰域比較法中的運(yùn)算主要是加減法運(yùn)算和比較運(yùn)算，以16位二進(jìn)制數(shù)為例，相對(duì)于乘法運(yùn)算，加減法的運(yùn)算負(fù)擔(dān)小了很多，加減法的運(yùn)算速度約是乘法的10倍甚至更多，所以綜上，優(yōu)化算法總體速度有了顯著提高。

(3)在選取最優(yōu)角點(diǎn)質(zhì)量等級(jí)和最優(yōu)相鄰角點(diǎn)最小距離后，角點(diǎn)的分布更加準(zhǔn)確分散，在很大程度上杜絕了偽角點(diǎn)、冗余角點(diǎn)的出現(xiàn)。

2.2 優(yōu)化算法實(shí)驗(yàn)結(jié)果分析

以某型飛機(jī)電子艙的圖片為例，對(duì)該圖片進(jìn)行灰度處理并添加模糊和噪聲，分別運(yùn)用維納濾波法和高斯濾波法在MATLAB環(huán)境下對(duì)處理后的圖片進(jìn)行濾波處理，兩種濾波方法的效果對(duì)比如圖7所示，可以看出經(jīng)過維納濾波復(fù)原的圖像更加清晰且還原度更高，高斯濾波復(fù)原圖相比之下更加模糊，仍然存在少量噪聲，所以維納濾波濾去的噪聲點(diǎn)遠(yuǎn)比高斯濾波濾去的要多。實(shí)驗(yàn)結(jié)果表明，對(duì)于圖像預(yù)處理，濾波方法應(yīng)優(yōu)選為維納濾波法。

圖7 高斯濾波與維納濾波的比較

在增強(qiáng)現(xiàn)實(shí)誘導(dǎo)飛機(jī)維修系統(tǒng)中，發(fā)動(dòng)機(jī)的檢查與維修也是其中的關(guān)鍵流程，所以以飛機(jī)發(fā)動(dòng)機(jī)的特征識(shí)別為例，在Visual Studio 2015環(huán)境下，利用配置好的計(jì)算機(jī)視覺函數(shù)庫OpenCV(版本：3.1.0)，在Harris角點(diǎn)檢測(cè)算法的基礎(chǔ)上對(duì)算法進(jìn)行編寫和修繕。實(shí)驗(yàn)結(jié)果如圖8所示，圖8(b)、圖8(c)、圖8(d)的角點(diǎn)標(biāo)記均為白色圓圈。

圖8 實(shí)驗(yàn)結(jié)果

對(duì)于圖8(b)可以看出，傳統(tǒng)Harris算法識(shí)別出來的角點(diǎn)不是很分散，偽角點(diǎn)較多，存在角點(diǎn)成群甚至重疊的冗余現(xiàn)象，與此同時(shí)也存在著角點(diǎn)漏檢的現(xiàn)象。

如圖8(c)中所示是參數(shù)為Q=0.05和Dmin=8 pixel的默認(rèn)情況，圖中白色圓圈標(biāo)出了角點(diǎn)簇的分布，這種現(xiàn)象表明角點(diǎn)分散的效果不理想，為后期圖像匹配制造了障礙。從圖8(d)中可以看出，在Harris算法的基礎(chǔ)上，同時(shí)在角點(diǎn)質(zhì)量等級(jí)Q=0.15和相鄰角點(diǎn)最小距離限度Dmin=16 pixel后，檢測(cè)出來的角點(diǎn)更加準(zhǔn)確，更加分散，選取的角點(diǎn)清晰，這樣一來對(duì)圖像的特征點(diǎn)匹配更加有利，在很大程度上減少了誤匹配的發(fā)生。

根據(jù)表4可以發(fā)現(xiàn)，本文優(yōu)化算法首先在時(shí)間復(fù)雜度上僅為傳統(tǒng)Harris算法的53.6%。在準(zhǔn)確性上分別比傳統(tǒng)算法和默認(rèn)情況下分別提高了14.7%和3.7%。綜上所述，本文優(yōu)化算法在速度和精度方面都有很大程度的提高。

表4 3種算法的性能比較

3 結(jié)束語

綜上所述，本文針對(duì)傳統(tǒng)角點(diǎn)檢測(cè)算法存在的弊端對(duì)算法進(jìn)行了優(yōu)化，與傳統(tǒng)的Harris算法相比，角點(diǎn)更加分散且清晰，改進(jìn)后的算法在準(zhǔn)確度上有了很大程度的提高。

(1)維納濾波和高斯濾波相比在圖像復(fù)原方面有著更強(qiáng)的性能，去除噪點(diǎn)的效果更好。8鄰域比較法濾掉了將近60%的非特征點(diǎn)，使得算法時(shí)間復(fù)雜度降低至傳統(tǒng)算法的將近一半。

(2)角點(diǎn)質(zhì)量等級(jí)和相鄰角點(diǎn)最小距離的最優(yōu)選取滿足了角點(diǎn)數(shù)量、角點(diǎn)分散程度和角點(diǎn)識(shí)別準(zhǔn)確率的最佳平衡。

(3)準(zhǔn)確、快速的角點(diǎn)識(shí)別和清晰分散的角點(diǎn)分布可以滿足后期樣本圖片與維修現(xiàn)場(chǎng)的匹配。