一種改進(jìn)的圖像匹配技術(shù)

陳瑞林，張曉燕，游通意

（廈門(mén)大學(xué)嘉庚學(xué)院信息科學(xué)與技術(shù)學(xué)院，福建漳州，363105）

0 引言

圖像匹配( Image matching)是指同一目標(biāo)的兩幅(或者兩幅以上)圖像在位置上的對(duì)準(zhǔn)。圖像匹配在航天技術(shù)、地信息系統(tǒng)、圖像鑲嵌、圖像合成、目標(biāo)識(shí)別、醫(yī)學(xué)圖像分析、機(jī)器人視覺(jué)、虛擬現(xiàn)實(shí)等領(lǐng)域都有廣泛應(yīng)用。圖像匹配技術(shù)的分類主要有兩個(gè)大類，一個(gè)是灰度匹配，再一個(gè)就是特征匹配?；谔卣鞯膱D像匹配算法能夠克服光線、角度以及距離的差別，成為圖像匹配的主要實(shí)現(xiàn)算法。2018年，完文韜、楊成禹提出了一種提高SIFT算法匹配準(zhǔn)確率的算法。該算法有效地提高了特征點(diǎn)匹配地準(zhǔn)確率，減少了誤匹配特征點(diǎn)地?cái)?shù)量[1]。2019 年，一種基于 ORB（Oriented Fast and Rotated Short）和RANSAC融合的改進(jìn)快速圖像配準(zhǔn)算法被提出，該算法解決了原ORB算法配準(zhǔn)率較低的問(wèn)題。同時(shí)，隨機(jī)樣本一致性（RANSAC）算法的不穩(wěn)定性問(wèn)題也得到了一定程度上的解決[2]。2019年，王曉華、方琪等人提出一種基于網(wǎng)格運(yùn)動(dòng)統(tǒng)計(jì)的改進(jìn)快速魯棒特征圖像匹配算法，該算法運(yùn)用Hessian矩陣行列式確定圖像中的特征點(diǎn),采用梯度方向改進(jìn)SURF中的主方向提取方法，提高了特征點(diǎn)主方向的準(zhǔn)確性。同時(shí)，在圖像發(fā)生尺度,光照,旋轉(zhuǎn)等變化時(shí)匹配準(zhǔn)確率與效率也有了一定提高[3]。雖然關(guān)于圖像匹配提出的方法很多，但是能滿足高效率、高精度、復(fù)雜度低的圖像匹配算法仍然有待研究。本文對(duì)各種特征點(diǎn)提取和匹配算法進(jìn)行了對(duì)比分析，在此之上提出了一種改進(jìn)的圖像匹配算法，提高了匹配算法的魯棒性。

1 圖像特征提取對(duì)比分析

圖像特征點(diǎn)檢測(cè)方法主要有SIFT、SURF、ORB、BRISK等方法。SIFT即尺度不變特征變換，是由David Lowe在1999年時(shí)提出的并于2004年完善。SIFT特征具有尺度不變性，可在圖像中檢測(cè)出關(guān)鍵點(diǎn)，是一種局部特征描述子。SURF(Speeded Up Robust Features)特征是對(duì) SIFT特征的進(jìn)一步優(yōu)化，簡(jiǎn)化了計(jì)算量，保持了較高的性能，是性價(jià)比很不錯(cuò)的算法。ORB特征是將FAST特征點(diǎn)的檢測(cè)方法與BRIEF特征描述子結(jié)合起來(lái)，并在它們?cè)瓉?lái)的基礎(chǔ)上做了改進(jìn)與優(yōu)化。BRISK算 法 是 2011年 ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出來(lái)的一種特征提取算法，也是一種二進(jìn)制的特征描述算子。它具有較好的旋轉(zhuǎn)不變性、尺度不變性，較好的魯棒性等。在對(duì)有較大模糊的圖像特征檢測(cè)時(shí)，BRISK算法在其中表現(xiàn)最為出色。本文對(duì)上述特征檢測(cè)算法進(jìn)行了對(duì)比分析。

圖1 不同特征提取算法效果對(duì)比

從表1中看見(jiàn)，ORB特征點(diǎn)提取的數(shù)量以及消耗時(shí)間相較于SIFT算法大有提升。BRISK算法的速度比SIFT快，但相較于ORB算法的速度慢，總體提取特征點(diǎn)的數(shù)量好于SIFT。

表1 大本鐘提取與匹配時(shí)間

2 圖像特征匹配分析

暴力匹配是逐個(gè)選取特征點(diǎn)對(duì)另一組特征點(diǎn)集進(jìn)行匹配，然后再反過(guò)來(lái)對(duì)使用過(guò)的特征點(diǎn)進(jìn)行匹配，如果匹配到的點(diǎn)為第一次匹配到的點(diǎn)的話則完成了一次匹配。暴力匹配的原理十分簡(jiǎn)單，但計(jì)算量以及精確度有待提高。KNN匹配算法即K近鄰匹配。在匹配的時(shí)候選K個(gè)與特征點(diǎn)最相似的點(diǎn)，如果這K個(gè)點(diǎn)互相區(qū)別足夠大，則選擇最為相似的點(diǎn)作為匹配。本文對(duì)不同的匹配算法進(jìn)行分析，結(jié)果如圖2所示。

圖2 不同特征匹配算法效果對(duì)比

圖上可以看出SIFT算法采用暴力匹配的效果較差，BRISK和ORB算法暴力匹配結(jié)果稍好一些，可以發(fā)現(xiàn)當(dāng)圖像中物體較多時(shí)暴力匹配精確度較低。

對(duì)圖像提取ORB特征，分別基于KNN、暴力匹配對(duì)比分析，大部分圖像KNN匹配的精度明顯要高一些，兩者的匹配速度沒(méi)有明顯差異，基本上是KNN匹配略微快于暴力匹配。

圖3 ORB基于不同特征匹配方法的效果對(duì)比

從以上這些效果圖可以看出，匹配精度提高了很多。

表2 大本鐘提取與匹配時(shí)間

3 改進(jìn)的圖像匹配方法

在特征點(diǎn)提取和特征點(diǎn)匹配上有著許多算法，基本都較為成熟，但缺陷也都比較明確，很難達(dá)到效率、精度兩全其美，只能是在兩者的平衡上去適配各個(gè)不同場(chǎng)景的需求。Harris算法在提取圖像特征點(diǎn)方面有廣泛地應(yīng)用，而本文對(duì)Harris算法進(jìn)行了改進(jìn)，之后再結(jié)合KLT（Kanade-Lucas-Tomasi Tracking）特征跟蹤算法對(duì)特征點(diǎn)進(jìn)行跟蹤。

人眼對(duì)角點(diǎn)的識(shí)別通常是通過(guò)一個(gè)局部的小窗口內(nèi)完成的，如果在各個(gè)方向上移動(dòng)這個(gè)小窗口，窗口內(nèi)的灰度發(fā)生了較大的變化，那么說(shuō)明窗口內(nèi)存在角點(diǎn)。而Harris算法首先就是要將窗口（小的圖像片段）同時(shí)向x和y兩個(gè)方向移動(dòng)，計(jì)算窗口內(nèi)部的像素值變化量E（u,v）；然后對(duì)每個(gè)窗口都計(jì)算一個(gè)角點(diǎn)響應(yīng)函數(shù)R，具體公式如下：

其中λ1和λ（2特征值）是經(jīng)過(guò)對(duì)角化處理后，提取出的兩個(gè)正交方向的變化分量，k是一個(gè)經(jīng)驗(yàn)常數(shù)，將R值同預(yù)先給定的閾值進(jìn)行比較，將窗口劃分成平面、邊緣或角點(diǎn)。然后對(duì)該函數(shù)進(jìn)行閾值處理，如果R>threshold，表示該窗口對(duì)應(yīng)一個(gè)角點(diǎn)特征。從公式可看出，Harris算法的穩(wěn)定性和k值有關(guān)，而k是一個(gè)經(jīng)驗(yàn)常數(shù)，難以設(shè)定出一個(gè)最佳值。

但是，角點(diǎn)的穩(wěn)定性其實(shí)和矩陣M的較小特征值有關(guān)，直接用較小的特征值作為分?jǐn)?shù)，就不用調(diào)整k值了。因此對(duì)特征提取進(jìn)行了一定的改進(jìn)，若兩個(gè)特征值中較小的一個(gè)大于最小閾值，則會(huì)得到強(qiáng)角點(diǎn)，公式如下：

提 取 出 特 征 點(diǎn) 后，采 用 KLT（Kanade-Lucas-Tomasi Tracking）特征跟蹤算法進(jìn)行跟蹤。 KLT特征跟蹤算法考慮一個(gè)像素I(x,y,t)在第一幀的光強(qiáng)度（其中t代表其所在的時(shí)間維度）。它移動(dòng)了(dx,dy)的距離到下一幀，用了dt時(shí)間。因?yàn)槭峭粋€(gè)像素點(diǎn)，因此我們認(rèn)為該像素在運(yùn)動(dòng)前后的光強(qiáng)度是不變的，即：

其中，(u,v)即為所求光流矢量。由此求出了光流約束方程。通過(guò)初始化點(diǎn)跟蹤器，對(duì)點(diǎn)進(jìn)行跟蹤，可視圖像特征點(diǎn)之間的對(duì)應(yīng)關(guān)系。

按照本文算法對(duì)大本鐘圖像序列進(jìn)行了操作,結(jié)果如圖4(a)所示，把特征篩選和提取方面改成結(jié)合BRISK算法和最小平方中位數(shù)[5]進(jìn)行匹配，結(jié)果如圖4(b)。采用FAST特征和抽樣一致[6]兩種算法進(jìn)行匹配，得到的結(jié)果如圖4 (c)。

圖4 實(shí)驗(yàn)結(jié)果與原序列圖像對(duì)比分析

比較這三種算法重建的結(jié)果，可以看出本文的方法在特征點(diǎn)提取與匹配以及精度等方面有了一定的提升。從提取的特征點(diǎn)數(shù)來(lái)說(shuō)，本文的方法最終提取的特征點(diǎn)數(shù)為121，結(jié)合BRISK算法和最小平方中位數(shù)提取出的特征點(diǎn)數(shù)為41，采用FAST特征和抽樣一致提取的特征點(diǎn)數(shù)為29。由此也可以更明顯地對(duì)比出本文方法具有一定的優(yōu)勢(shì)。

4 總結(jié)

本文對(duì)各種特征點(diǎn)提取和匹配算法進(jìn)行了對(duì)比分析，在此之上提出了一種改進(jìn)的特征提取以及圖像匹配算法。也通過(guò)對(duì)實(shí)驗(yàn)的結(jié)果對(duì)比分析，證實(shí)了本文方法能夠提高特征點(diǎn)的提取數(shù)量和質(zhì)量，能夠在一定程度上提高匹配算法的精度。