摘 要： 對近年來出現的點特征提取、特征描述符和特征匹配3方面的新思路和新方法進行了綜述，并對各個算法的性能進行了分析，提出了實際應用中有待進一步研究的內容。通過深度測量的準確性對點特征提取及匹配算法進行了綜合評估。
關鍵詞： 雙目視覺測量; 特征點提取； 特征匹配； 性能評估
雙目視覺測量是三維重建、即時定位與地圖構建(SLAM)、視覺導航和視覺里程計等系統的重要組成部分，測量的準確性直接影響著這些系統的性能。選取魯棒、高效和準確的點特征提取及匹配算法是提高雙目視覺測量準確性的有效途徑。
鑒于點特征提取及匹配廣泛的應用需求，國內外學者對其研究的腳步從未放緩,尤其最近10年間，該領域的研究非?；钴S，提出了大量性能優越的算子，為人們的應用提供了更多選擇。理想的點特征提取及匹配算子應具有定位準確、可區分性強、抗光照變化、匹配準確和速度快等特點，但這些特性往往存在互斥性，因此，在實際應用中需根據系統特點和需求選擇合適的算子。
本文從關鍵點檢測、特征描述符和描述符匹配3方面對點特征提取及匹配算法進行了綜述。針對雙目視覺測量系統的應用需求,分別對點特征提取及匹配算法的定位精度、檢測數目和計算速度3個方面進行了性能比較。
1 點特征提取及匹配
點特征是圖像最基本的特征，它是指灰度信號在二維方向上都有明顯變化的點，如角點、原點、暗區域的亮點和亮區域的暗點等，它具有旋轉不變性、尺度不變性和抗光照變化等優點。使用點特征進行圖像處理，可大大減少參與計算的數據量，提高運算速度，同時又不損壞圖像的重要灰度信息[1]。
點特征提取及匹配包括關鍵點檢測、特征描述符生成和描述符匹配3部分。
1.1 關鍵點檢測
確定點特征的位置，即關鍵點檢測，目前已有的檢測算法大致可以歸為兩大類:一類是基于模板的算法,另一類是基于幾何特征的提取算法。
關鍵點檢測的判定依據通常為梯度信息、灰度統計信息以及二者的結合。僅基于梯度信息進行關鍵點檢測的算法有Moravec[2]、Harris[3]、Shi-Tomasi[4]和Forstner[5]等。其中，Harris、Shi-Tomasi和Forstner 3種算法均通過Hessian矩陣的特征值構建關鍵點響應函數，區別在于它們構建的響應函數不同。
2 實驗結果與分析
本文對各階段幾種代表性的關鍵點特征提取算法進行了實驗分析。算法評估的實驗平臺為裝有OpenCV 2.4.3、VS 2010的PC。利用PointGrey公司生產的雙目攝像Bumblebee2，共采集100幅640×480的圖像，焦距為6 mm，橫向視場角為43°，基線距離為0.12 m。分別選取不同的環境，采集深度范圍為0.5 m~5 m的實驗圖像，部分實驗圖像如圖1所示。
2.1 點特征提取算法性能比較
本文主要對Harris、Shi-Tomasi、SIFT、SUFT和ORB 5種算法的計算效率、旋轉不變性、尺度不變性和魯棒性等性能進行比較與分析。
圖2直觀地顯示了各算法對同一幅圖像進行關鍵點檢測的結果。由圖2可知，Harris和SIFT算法提取的關鍵點較少，SURF、Shi-Tomasi算法提取的相對較多，而ORB算法提取的最多。從分布上看，各算法檢測出的關鍵點分布都較均勻，但ORB存在許多位置非常接近的關鍵點。
圖3為改變圖像旋轉角度和尺度的情況下，平均一幅圖像關鍵點檢測數目的結果。從圖3可知，改變圖像的旋轉角度，各算法的關鍵點檢測數目在45°處呈現對稱性。在0~20°和70°~90°之間，檢測數目變化相對較大；在20°~65°之間穩定性較好。當尺度變化時，除SIFT算法的穩定性變化不大外，其余各算法都較敏感。當尺度逐漸增大時，Shi-Tomasi算法敏感性越來越強，主要在于Shi-Tomasi算法對邊緣響應強烈。而ORB算法在尺度小于1時，敏感逐漸增強；尺度大于1時，敏感度明顯減小。
表1為各關鍵點檢測算法的平均檢測時間和檢測數目的結果。實驗結果表明，ORB算法的檢測速度最快，Harris、Shi-Tomasi和SUFT算法的檢測速度次之，而SIFT算法檢測時間最長。從檢測數目來看，ORB算法提取的關鍵點數最多，Shi-Tomasi算法和SUFT算法的關鍵點檢測數次之，Harris算法提取的關鍵點相對較少。
特征匹配算法比較結果如表3所示。其中，內點率為準確匹配點對占總匹配點對的比率，平均準確匹配數為誤匹配去除后每幀圖像(即左右圖像)獲取的準確匹配數，平均匹配時間為平均每對描述符完成匹配過程所需時間。實驗結果表明，兩種匹配方法的內點率基本一致，SURF+歐式距離的平均準確匹配數比ORB+海明距離更大，但其所需的匹配時間卻大得多，在實時應用系統中，較難有效應用。
本文首先對目前性能較好的點特征提取算法的基本原理、屬性、性能及優缺點進行了分析。理想的關鍵點特征提取算子應具有定位準確、檢測數目多、計算速度快、魯棒性強、可區分性大和不變性等優點。通過實驗對各種點特征提取算法和匹配算法的性能進行分析與比較，對關鍵點特征提取算法的選擇具有重大的理論研究和實踐意義。
參考文獻
[1] 黃艷.點特征提取算法探討[J].現代商貿工業, 2009(12):302.
[2] MORAVEC H. Obstacle avoidance and navigation in the real world by a seeing robot rover[D]. Ph.D. dissertation, Stanford University, 1980.
[3] HARRIS C, PIKE J. 3D positional Integration from Image Sequences[C]. In Alvey Vision Conference, 1988.
[4] TOMASI C, SHI J. Good features to rrack[C]. CVPR’94, 1994:593-600.
[5] FORSTNER W. A feature based correspondence algorithm for image matching[J]. International Archives of Photogrammetry,1986(26):150-166.
[6] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SURF[C]. ICCVII Proceedings of the 2011 International Conference on Computer vision, 2011:2564-2571.
[7] LOWE D. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision,2003(20):91-110.
[8] BAY H, TUYTELAARS T, GOOL L V. SURF:speeded up robust features[C]. ECCV, 2006:404-417.
[9] AGRAWAL M, KONOLIGE K, BLAS M. Censure: center surround extremas for real time feature detection and matching[C]. European Conference on Computer Vision, 2008.
[10] CALONDER M, LEPETIT V, STRECHA C, et al. Brief: binary robust independent elementary features[C]. European Conference on Computer Vision, 2010:1-14.