基于ORB特征的图像匹配方法的研究

打开文本图片集

摘要：ORB是Oriented Fast and Rotated Brief的简称，可以用来对图像中的关键点快速创建特征向量，这些特征向量可以用来识别图像中的对象。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化，使得匹配时间大大缩短。

关键词：ORB；FAST特征点；BRIEF特征；图像匹配；

中图分类号：A 文献标识码：A

1.引言

ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST（Features from Accelerated Segment Test）算法发展来的，特征点描述是根据BRIEF（Binary Robust Independent Elementary Features）特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。ORB算法最大的特点就是计算速度快。这首先得益于使用FAST检测特征点，FAST的检测速度正如它的名字一样是出了名的快。再次是使用BRIEF算法计算描述子，该描述子特有的2进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。

其中，Fast和Brief分别是特征检测算法和向量创建算法。ORB首先会从图像中查找特殊区域，称为关键点。关键点即图像中突出的小区域，比如角点，比如它们具有像素值急剧的从浅色变为深色的特征。然后ORB会为每个关键点计算相应的特征向量。ORB算法创建的特征向量只包含1和0，称为二元特征向量。1和0的顺序会根据特定关键点和其周围的像素区域而变化。该向量表示关键点周围的强度模式，因此多个特征向量可以用来识别更大的区域，甚至图像中的特定对象。

2.FAST算法

ORB特征检测的第一步是查找图像中的关键点，而关键点检测算法即使用FAST算法。

FAST是Features from Accelerated Segments Test的简称，可以快速选择关键点，算法步骤如下：给与一个像素点p，FAST比较目标p圆圈范围中的16个像素，每个像素按高于p，小于p，或者与p相似，分为三类。

3.BRIEF 算法

ORB 使用BRIEF算法，并将这些关键点转换为特征向量。

ORB算法的第二步是将第一个算法发现的关键点变成特征向量，这些特征向量可以共同表示一个对象。要创建特征向量，ORB会用到BRIEF算法。BRIEF是Binary Robust Independent Elementary Features的简称，它的作用是根据一组关键点创建二元特征向量。

4.缩放不变性和旋转不变性

ORB使用FAST检测图像中的关键点，并且通过额外的几个步骤确保无论对象的大小或位置如何都能检测到图像中的对象。

给定一个图像ORB算法首先开始构建图像金字塔[4]。图像金字塔是单个图像的多尺度表示法，由一系列原始图像的不同分辨率版本组成。金字塔的每个级别都由上个级别的图像下采样版本组成。下采样是指图像分辨率被降低，比如图像按照1/2比例下采样。因此一开始的4x4正方形区域现在变成2x2正方形。图像的下采样包含更少的像素，并且以1/2的比例降低大小。

5.实验部分

假设在其他图像中检测到此人的面孔，例如在这个多人合影中，我们将第一张图像称为查询图像，第二张图像，即要对其进行人脸搜索的图像，称为搜索图像。

给定这个查询图像，我想在这个搜索图像中查找相似的特征，第一步是计算训练图像的ORB描述符并将其存储到内存中。ORB描述符将包含二元特征向量，用于描述这个训练图像中的关键点。第二步是计算并保存查询图像的ORB描述符，获得训练和查询图像的描述符后，最后一步是使用相应的描述符对这两个图像进行关键点匹配，通常使用匹配函数来完成这一步。

匹配函数的目的是匹配两个不同图像的关键点，方法是比较这两个图像的描述符，看看它们是否很相近可以匹配。当匹配函数对比两个关键点时，它会根据某种指标得出匹配质量，这种指标表示关键点特征向量的相似性。可以将这个指标看作与两个关键点之间的欧氏距离相似性。某些指标会直接检测特征向量是否包含相似顺序的1和0。需要注意的是，不同的匹配函数使用不同的指标来判断匹配质量。对于ORB等使用的二元描述符来说，通常使用汉明距离，因为它执行起来非常快。

汉明距离通过计算二元描述符之间的不同位数量判断两个关键点之间的匹配质量。在比较查询图像和搜索图像的关键点时，差异数最少的关键点对被视为最佳匹配。匹配函数对比完查询图像和搜索图像中的所有关键点后，返回最匹配的关键点对。

总结

SIFT特征和SURF特征都是非常常用的特征，SIFT特征以精确著称，但计算量极大，无法在CPU上实时计算。SURF特征降低了SIFT的精确度，但提高了性能。而ORB特征是目前计算最快的特征，非常适合于实时。

参考文献

[1]钱晓明， 许保瑜， 吴圆波. 基于ORB图像局部特征的图像比对方法的研究及应用[J]. 电气技术与经济， 2022（002）：000.

[2]邹斌， 赵小虎， 尹智帅. 基于改进ORB的图像特征匹配算法研究[J]. 激光与光电子学进展， 2021， 58（2）：8.

[3] Wang X ， Liu F ， Xue Y . Visual odometer method based on improved ORB feature[J]. Journal of Physics： Conference Series， 2021， 1920（1）：012110 （6pp）.

以上的研究是在广东省普通高校青年创新人才项目，编号（2021KQNCX125），以及编号（2022KQNCX127）的基础上进行研究探讨的，后续会再进一步对这方面提出改进措施。