仿視網(wǎng)膜采樣的二進(jìn)制描述子

袁慶升，靳國(guó)慶，張冬明，包秀國(guó)

（1. 國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)急技術(shù)處理協(xié)調(diào)中心，北京 100029；2. 中國(guó)科學(xué)院計(jì)算技術(shù)研究所，北京 100190；3. 中國(guó)科學(xué)院大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，北京 100049；4. 中國(guó)科學(xué)院信息工程研究所，北京 100193）

1 引言

隨著互聯(lián)網(wǎng)圖像數(shù)量迅速增長(zhǎng)，對(duì)海量圖像進(jìn)行內(nèi)容分析與檢測(cè)的需求越來(lái)越大，基于內(nèi)容的圖像檢索技術(shù)成為研究熱點(diǎn)。這些技術(shù)通常使用局部特征作為圖像內(nèi)容的描述，這是由于局部特征具有良好的區(qū)分性，對(duì)圖像的多種變換，如遮擋、模糊、噪聲、剪切等，具有較高的穩(wěn)定性。局部特征的提取主要分為2個(gè)步驟：1） 特征點(diǎn)的提取，提取的信息包括特征點(diǎn)位置、特征點(diǎn)主方向、特征點(diǎn)尺度信息等；2） 局部特征點(diǎn)描述子的計(jì)算，即依據(jù)特征點(diǎn)周圍的像素信息，計(jì)算其對(duì)旋轉(zhuǎn)、光照、尺度等變化頑健的特征，提取到的特征通常以向量表示，能有效描述特征點(diǎn)。

常見的局部特征點(diǎn)描述子主要分為2種：實(shí)數(shù)描述子和二進(jìn)制描述子。實(shí)數(shù)描述子提取復(fù)雜，在內(nèi)存和磁盤上以浮點(diǎn)數(shù)的形式存儲(chǔ)，對(duì)存儲(chǔ)要求高且不能滿足實(shí)時(shí)性需求。二進(jìn)制特征描述子使用二進(jìn)制位進(jìn)行編碼，計(jì)算簡(jiǎn)單且占用的存儲(chǔ)空間小，適合實(shí)時(shí)性要求高的應(yīng)用場(chǎng)景。常用的二進(jìn)制描述子主要有BRIEF（binary robust independent elementary features）[1]、ORB（oriented FAST and rotated BRIEF）[2]、BRISK（binary robust invariant scalable keypoint）[3]、FREAK（fast retina keypoint）[4]等。

BRIEF通過隨機(jī)選擇點(diǎn)對(duì)而得到二進(jìn)制描述子，計(jì)算速度快[1]，但是其對(duì)旋轉(zhuǎn)和尺度變化敏感，在不同數(shù)據(jù)集下檢索性能差異大。BRISK拋棄了隨機(jī)采樣模式，提出類似 Daisy[5]的采樣方式，以特征點(diǎn)為圓心，在半徑依次增大的同心圓上均勻采樣候選點(diǎn)，同心圓上候選點(diǎn)采樣密度從中心開始均勻下降，這在一定程度上增強(qiáng)了對(duì)噪聲的頑健性。FREAK則模仿視網(wǎng)膜特性在BRISK技術(shù)上進(jìn)一步引入了多尺度平滑[4]。李兵等對(duì)BRIEF進(jìn)行改進(jìn)，不同于ORB特征使用區(qū)域質(zhì)心計(jì)算主方向，該方法通過在特征點(diǎn)鄰域內(nèi)均勻采樣8對(duì)對(duì)稱子區(qū)域，然后累加各子區(qū)域以其像素均值加權(quán)的梯度方向作為主方向，從而實(shí)現(xiàn)了描述子對(duì)旋轉(zhuǎn)的不變性[6]。朱英宏等通過提取特征點(diǎn)鄰域內(nèi)33個(gè)像素點(diǎn)的二進(jìn)制紋理特征，得到一個(gè)132 bit的二進(jìn)制描述子[7]。盧鴻波等在特征點(diǎn)鄰域內(nèi)選取R個(gè)同心圓，每個(gè)圓上采樣N個(gè)像素點(diǎn)，然后使用同心圓層內(nèi)編碼和層間編碼的方式得到一個(gè)2RN bit的二進(jìn)制描述子[8]?；輫?guó)保等研究了不同采樣模式和不同高斯平滑半徑對(duì)二進(jìn)制描述子的影響，提出了一種內(nèi)密外疏的采樣模式[9]。

此外，近年來(lái)研究者們還提出了很多基于有監(jiān)督學(xué)習(xí)的二進(jìn)制特征生成方法。RFD（receptive fields selection）特征[10]對(duì)多個(gè)子區(qū)域的實(shí)值特征進(jìn)行量化構(gòu)建二進(jìn)制特征，子區(qū)域的選擇和量化閾值通過學(xué)習(xí)得到。BinBOOST[11]特征則是通過學(xué)習(xí)多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器，用分類器來(lái)判斷二進(jìn)制位取值為0或1，采用的弱分類器形式是量化函數(shù)。RFD特征和BinBOOST特征在本質(zhì)上都是通過有監(jiān)督學(xué)習(xí)的方式對(duì)實(shí)值特征進(jìn)行量化來(lái)得到二進(jìn)制描述子。隨著深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CNN，convolution neural network）[12]在圖像分類上快速發(fā)展，也出現(xiàn)了許多基于深度學(xué)習(xí)提取二進(jìn)制描述子的算法[13-15]，這類方法不同于上述局部的二進(jìn)制描述子，獲得的是圖像的全局二進(jìn)制描述，缺少描述圖像底層細(xì)節(jié)的有用信息，且計(jì)算復(fù)雜度高，提取描述子時(shí)需要占用大量?jī)?nèi)存，效率低。

本文綜合考慮采樣點(diǎn)選擇和描述子生成，基于視網(wǎng)膜的視神經(jīng)細(xì)胞分布和感知特性，研究二進(jìn)制描述子生成方法。特別地，針對(duì)特征點(diǎn)對(duì)頑健性低的問題，提出了模仿視網(wǎng)膜特性的采樣模式。對(duì)比同樣模仿視網(wǎng)膜特性的 FREAK[4]描述子，本文方法二進(jìn)制描述子的生成過程不同。本文所提出的采樣模式混合使用多尺度光滑、視野重疊等模仿視網(wǎng)膜特性，且通過數(shù)據(jù)實(shí)驗(yàn)對(duì)關(guān)鍵參數(shù)進(jìn)行優(yōu)化，同時(shí)還提出了基于學(xué)習(xí)的方法，在典型數(shù)據(jù)集上對(duì)最終采樣點(diǎn)對(duì)進(jìn)行選擇。所提方法具有計(jì)算快速、占用內(nèi)存少、頑健性高的優(yōu)點(diǎn)，且匹配正確率有明顯提高。

2 基于RBS的二進(jìn)制描述子

圖像局部二進(jìn)制特征提取包括特征點(diǎn)檢測(cè)和描述子提取。特征點(diǎn)檢測(cè)往往需要在多個(gè)尺度空間上進(jìn)行極值點(diǎn)檢測(cè)，以應(yīng)對(duì)圖像的尺度變化，保證特征點(diǎn)的可重復(fù)性。描述子提取是在特征點(diǎn)檢測(cè)的基礎(chǔ)上進(jìn)行的，通常依據(jù)特征點(diǎn)周圍的像素分布按照預(yù)設(shè)計(jì)算模型生成一串特征數(shù)值，而二進(jìn)制描述子一般通過比較像素點(diǎn)之間亮度的大小來(lái)確定描述子取值，如式（1）所示。

其中，l為比較點(diǎn)對(duì)的數(shù)目，它決定二進(jìn)制描述子的最終長(zhǎng)度；點(diǎn)對(duì) Pi由 2個(gè)像素點(diǎn)和定義；T（Pi）表示點(diǎn)對(duì) 的比較結(jié)果，定義如式（2）所示。

其中，I（?）表示對(duì)應(yīng)點(diǎn)的灰度值。

由式（1）可以看出，二進(jìn)制描述子完全取決于點(diǎn)對(duì)的選擇，相應(yīng)地，描述子的區(qū)分能力和頑健性完全依賴特征點(diǎn)周圍的點(diǎn)對(duì)采樣模式。選擇好的采樣模式，一方面可以減少描述子長(zhǎng)度，即降低的取值，進(jìn)而降低計(jì)算量和內(nèi)存開銷；另一方面由此產(chǎn)生的二進(jìn)制描述子對(duì)各種常見的變化具有很好的頑健性，即不隨圖片尺度、方向及視角等變化而改變。本文根據(jù)視網(wǎng)膜的細(xì)胞分布特性，設(shè)計(jì)了相應(yīng)的候選點(diǎn)選取方式和點(diǎn)對(duì)采樣模式，從而獲得高性能的RBS（retina-imitation based sampling）特征。下面詳細(xì)介紹候選點(diǎn)選取方式、點(diǎn)對(duì)采樣模式以及RBS特征的生成方式。

2.1 候選點(diǎn)選取

候選點(diǎn)選擇方面，ORB和BRIEF采用隨機(jī)采樣，BRISK采用均勻采樣，F(xiàn)REAK使用類視網(wǎng)膜采樣，均取得了較大的性能提升。視網(wǎng)膜由3層神經(jīng)元組成。第一層神經(jīng)元是視細(xì)胞層，包括錐細(xì)胞和柱細(xì)胞，負(fù)責(zé)感光。第二層是雙節(jié)細(xì)胞，數(shù)量為十至數(shù)百個(gè)，負(fù)責(zé)聯(lián)絡(luò)作用，視細(xì)胞通過雙節(jié)細(xì)胞與一個(gè)神經(jīng)節(jié)細(xì)胞相聯(lián)系。第三層是神經(jīng)節(jié)細(xì)胞層，將光信號(hào)轉(zhuǎn)化為視覺信號(hào)，是實(shí)際的視覺神經(jīng)，所以也稱為視神經(jīng)層。神經(jīng)科學(xué)的最近研究結(jié)果表明視覺神經(jīng)細(xì)胞的分布并非均勻分布，在視網(wǎng)膜中心視覺神經(jīng)細(xì)胞密度并不是很高，而在中心周圍密度急劇上升，再往外密度則快速下降，如圖 1所示[16]。視網(wǎng)膜中心位置叫做視網(wǎng)膜小凹，其中只有很少的細(xì)胞，但在這個(gè)凹槽周圍分布有大量的細(xì)胞，細(xì)胞數(shù)量與其到中心小凹的距離成反比。此外，視神經(jīng)層還具有類似高斯差分機(jī)制的感知特性，抽取信息的神經(jīng)節(jié)細(xì)胞位于視網(wǎng)膜外圍，而形成高層視覺信息的細(xì)胞位于視網(wǎng)膜中心。

圖1 人眼視網(wǎng)膜視神經(jīng)細(xì)胞分布

本文模仿視網(wǎng)膜視神經(jīng)層細(xì)胞的分布特性，設(shè)計(jì)了一種新型的候選點(diǎn)采樣模式。模擬視神經(jīng)層的細(xì)胞具有“低-高-低”的密度分布特性，通過實(shí)驗(yàn)選擇，確定對(duì)特征點(diǎn)采用5層采樣。具體地，以特征點(diǎn)為候選點(diǎn)中心，在中心外圍第一層候選點(diǎn)的密度比較低，在第二層候選點(diǎn)的密度最高，第三層～第五層候選點(diǎn)的密度呈指數(shù)下降。如圖2所示，中間點(diǎn)為特征點(diǎn)，從內(nèi)向外每層采樣點(diǎn)數(shù)分別為 4、24、12、8、4。本文將這種采樣模式稱為 RBS。FREAK采樣點(diǎn)設(shè)置為6:6:6:6:6:6:6，共7層42個(gè)采樣點(diǎn)；RBS采樣點(diǎn)設(shè)置為4:24:12:8:4，共5層52個(gè)采樣點(diǎn)。通過比較可知，RBS的特點(diǎn)如下：一方面采樣點(diǎn)數(shù)增加了10個(gè)，增長(zhǎng)率為23.8%；另一方面突出特征點(diǎn)周圍像素點(diǎn)對(duì)描述子的作用，分布更貼合視網(wǎng)膜的細(xì)胞“低-高-低”的密度分布。

圖2 候選點(diǎn)分布

由于二進(jìn)制描述子是基于像素點(diǎn)之間的亮度比較，所以對(duì)噪聲較為敏感，為了降低噪聲的影響，對(duì)候選點(diǎn)進(jìn)行高斯模糊已成為通行做法。對(duì)于不同候選點(diǎn)，BRIEF和ORB使用相同的高斯模糊半徑；而BRISK和FREAK使用不同的模糊半徑，更符合人眼視覺特性。本文模仿視神經(jīng)的感知特性，采用不同大小的高斯模糊半徑，中心模糊半徑最小，外圍候選點(diǎn)模糊半徑逐漸增大。通過匹配正確率實(shí)驗(yàn)對(duì)比，本文設(shè)定初始模糊半徑為2，層間相差為2。此外，本文還設(shè)計(jì)特殊的模糊范圍來(lái)改善模糊效果，同一層的模糊范圍保證一定的重疊，第二層和第三層的重疊面積最大，各層的重疊面積滿足“少-多-少”的規(guī)律。經(jīng)實(shí)驗(yàn)，選定比例為1:4:3:2:1，進(jìn)一步提高平滑效果，多級(jí)高斯模糊如圖3所示。

圖3 多級(jí)高斯模糊示意

2.2 點(diǎn)對(duì)采樣模式

接下來(lái)研究如何從潛在的大量候選點(diǎn)對(duì)中選出最佳的比較點(diǎn)對(duì)。假設(shè)有n個(gè)候選點(diǎn)，兩兩組合一共有個(gè)候選點(diǎn)對(duì)。為了提高特征頑健性，同時(shí)降低特征維數(shù)，必須進(jìn)一步篩選以去除噪聲影響，同時(shí)消除強(qiáng)相關(guān)的點(diǎn)對(duì)。為此，本文提出從訓(xùn)練集中學(xué)習(xí)篩選比較點(diǎn)對(duì)，從而確定最后的采樣模式，具體方法如下。

1） 在訓(xùn)練集上提取r個(gè)特征點(diǎn)，每個(gè)特征點(diǎn)計(jì)算長(zhǎng)度為的描述子。這樣組成一個(gè)r行列的二進(jìn)制矩陣。在本文的實(shí)驗(yàn)中取n=53，則這個(gè)矩陣一共有1 378列。

2） 在上述矩陣中，每一行表示一個(gè)特征點(diǎn)描述子，每一列表示一個(gè)候選點(diǎn)對(duì)的所有計(jì)算結(jié)果，點(diǎn)對(duì)之間可能存在較強(qiáng)的相關(guān)性，導(dǎo)致某些列可能全為0或全為1。而如果某個(gè)候選點(diǎn)對(duì)的區(qū)分性高，則該列的按位均值應(yīng)接近 0.5。所以本文選取均值最接近 0.5的那一列記為c，把其所對(duì)應(yīng)的候選點(diǎn)對(duì)加入最終的比較點(diǎn)對(duì)集合。

3） 對(duì)剩下的所有列按照其均值與0.5的接近程度排序，計(jì)算各列與列c的余弦距離，選擇余弦距離大的列，把對(duì)應(yīng)點(diǎn)對(duì)加入最終點(diǎn)對(duì)集合。重復(fù)此步驟，直到選出M組點(diǎn)對(duì)。

通過上述方法選出的M組點(diǎn)對(duì)區(qū)分性較強(qiáng)、相關(guān)性低。可以看出，本文方法和FREAK中方法類似，均采用構(gòu)建特征矩陣、降維方式，來(lái)獲取點(diǎn)對(duì)中對(duì)提升描述子區(qū)分力作用最顯著的點(diǎn)對(duì)，本質(zhì)上是一種統(tǒng)計(jì)學(xué)習(xí)方法。但RBS得益于本文設(shè)計(jì)的采樣模式，可以消除更多的冗余點(diǎn)對(duì)，構(gòu)建更短的二進(jìn)制描述子，并構(gòu)建了32、64、128、160 bit的描述子以適應(yīng)不同應(yīng)用場(chǎng)景，分別記為 RBS-32、RBS-64、RBS-128、RBS-160。圖4中列出了當(dāng)M設(shè)置為 32時(shí)選擇的部分點(diǎn)對(duì)。結(jié)果顯示點(diǎn)對(duì)選擇并沒有像FREAK那樣呈現(xiàn)明顯的對(duì)稱規(guī)律，這一方面是由于 32組點(diǎn)對(duì)數(shù)量偏少，另一方面也表明FREAK的點(diǎn)對(duì)中可能存在較大冗余。

2.3 二進(jìn)制描述子

為了使生成的二進(jìn)制描述子具有旋轉(zhuǎn)不變性，在提取特征點(diǎn)的二進(jìn)制描述子之前，首先將特征點(diǎn)鄰域旋轉(zhuǎn)至特征點(diǎn)主方向上，這里使用特征點(diǎn)鄰域的亮度質(zhì)心來(lái)計(jì)算特征點(diǎn)主方向。特征點(diǎn)鄰域的亮度質(zhì)心C的具體計(jì)算如式（3）～式（6）所示，其中I（x,y）表示點(diǎn)（x,y）上像素亮度值。

圖4 比較點(diǎn)對(duì)示意

特征點(diǎn)中心O與質(zhì)心C的連線方向即是特征點(diǎn)的主方向。

傳統(tǒng)的描述子計(jì)算按照式（1）和式（2）進(jìn)行計(jì)算，由于只是像素點(diǎn)灰度的比較，所以噪聲對(duì)其影響比較大，為了提高頑健性，本文使用像素點(diǎn)及其周圍8個(gè)鄰域像素的信息作為比較信息量，即

其中，AI（?）表示9個(gè)像素點(diǎn)（8個(gè)鄰域像素點(diǎn)以及自身）灰度的均值。按照2.2節(jié)中介紹的點(diǎn)對(duì)采樣模式進(jìn)行采樣后，按照式（7）進(jìn)行描述子計(jì)算，獲取該像素點(diǎn)的二進(jìn)制描述子，通過該方法可以進(jìn)一步提高描述子對(duì)噪聲的頑健性。

對(duì)比同樣基于視網(wǎng)膜特性的 FREAK，本文方法取得兩方面改進(jìn)：1） 通過設(shè)計(jì)更符合視網(wǎng)膜特性的采集模式和典型數(shù)據(jù)的學(xué)習(xí)進(jìn)行點(diǎn)對(duì)選擇，大幅降低了點(diǎn)對(duì)數(shù)目，提高了二進(jìn)制描述子的緊致性；2） 對(duì)模糊半徑、模糊范圍等關(guān)鍵參數(shù)進(jìn)行優(yōu)化，設(shè)計(jì)了更符合視網(wǎng)膜特性的參數(shù)模型，在生成二進(jìn)制描述子時(shí)，使用區(qū)塊均值代替單個(gè)像素點(diǎn)，頑健性更高。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與測(cè)試環(huán)境

為了測(cè)試描述子RBS的頑健性，本文使用專用描述子測(cè)試集進(jìn)行評(píng)測(cè)，該測(cè)試集由 Mikolajczyk等[17]提出。這個(gè)數(shù)據(jù)集由8張圖片組成，每張圖片有 5張變體，覆蓋了視角變化（wall和 graffiti）、壓縮退化（ubc）、光照變化（leuven）、旋轉(zhuǎn)和焦距變化（boat和bark）、圖像模糊（tree和bike）這些常見的圖像變化，第一張變體變化最小，第五張變化最大。另外，這個(gè)數(shù)據(jù)集還提供了變體與原圖之間的單應(yīng)變化矩陣，方便計(jì)算匹配正確率。

進(jìn)行測(cè)試的硬件平臺(tái)為Dell臺(tái)式機(jī)，其指標(biāo)如下：CPU 為 Intel（R） Core（TM） i7-4770 @ 3.40 GHz，內(nèi)存為8 GB，操作系統(tǒng)為Ubuntu 14.04。

實(shí)驗(yàn)中，提取二進(jìn)制描述子前需要進(jìn)行特征點(diǎn)檢測(cè)。Rostenand等通過制定特征點(diǎn)規(guī)則并進(jìn)行機(jī)器學(xué)習(xí)的方式得到了 FAST（feature from accelerated segment test）特征檢測(cè)子[18]，使用極大值抑止的方法篩選特征點(diǎn)。針對(duì)檢測(cè)速度慢的問題，Mair等[19]提出了AGAST（adaptive and generic corner detection based on the accelerated segment test）檢測(cè)子，BRISK進(jìn)一步提出了一個(gè)多尺度的AGAST檢測(cè)子，他們以fast得分為衡量指標(biāo)在不同的尺度空間中尋找極大值，從而找到頑健的特征點(diǎn)。本文綜合考慮穩(wěn)定性和檢測(cè)速度因素，使用AGAST檢測(cè)子進(jìn)行測(cè)試。

3.2 測(cè)試指標(biāo)

本文使用2個(gè)指標(biāo)來(lái)衡量不同方法的性能，即描述子平均計(jì)算時(shí)間和描述子正確匹配率。描述子平均計(jì)算時(shí)間是多次計(jì)算時(shí)長(zhǎng)的平均。描述子正確匹配率按以下步驟計(jì)算。

1） 分別計(jì)算原圖和變體的特征點(diǎn)和描述子。

2） 判斷原圖和變體的描述子是否匹配，得到總匹配數(shù)N。

3） 判斷每個(gè)匹配是否正確，得到正確匹配數(shù)Nc。

3.3 實(shí)驗(yàn)結(jié)果

首先，測(cè)試了RBS描述子的距離分布，即匹配描述子之間的距離和不匹配描述子之間的距離分布。對(duì)數(shù)據(jù)集內(nèi)每張圖片及其變體圖片使用 AGAST檢測(cè)子提取1 000個(gè)特征點(diǎn)，并計(jì)算對(duì)應(yīng)的RBS-128描述子，進(jìn)而計(jì)算特征點(diǎn)之間的海明距離，圖5列出了wall圖與其他3個(gè)變體的特征點(diǎn)對(duì)的距離分布情況，其中，海明距離單位為bit，頻率是指對(duì)應(yīng)距離點(diǎn)所占比例?？梢钥闯觯ヅ潼c(diǎn)的方差和均值都在不斷增大。

圖5 wall圖片與其不同變體特征點(diǎn)距離分布情況

如圖5可知，不匹配點(diǎn)之間的距離大致呈正態(tài)分布，均值約為64 bit。匹配點(diǎn)的距離分布也呈正態(tài)分布，對(duì)于不同的變體圖片，匹配點(diǎn)的距離均值不同，第一張圖變化和距離均值最小，最后一張圖變化和距離均值最大。隨著變化程度加劇，匹配點(diǎn)之間的海明距離變化范圍逐漸增大，這符合實(shí)際情況。

接下來(lái)，對(duì)不同描述子匹配正確率進(jìn)行比較，對(duì)比對(duì)象包括 SIFT（scale-invariant feature transform）[20]、ORB、BRISK、BRIEF、FREAK 這 4種描述子，其中SIFT是最流行的實(shí)數(shù)描述子，其余3個(gè)是主流的二進(jìn)制描述子。程序采用了 OPENCV中的開源代碼或者作者提供的代碼，均使用默認(rèn)參數(shù)。對(duì)數(shù)據(jù)集中 wall、graffiti、ubc、boat、tree、leuven的匹配正確率對(duì)比結(jié)果如圖6所示，具體數(shù)據(jù)如表1所示。

圖6 不同描述子正確率對(duì)比

表1 不同描述子的正確率對(duì)比

通過分析結(jié)果可以發(fā)現(xiàn)，SIFT平均正確率最高，尤其在有大視角變化和焦距變化的圖片（graffiti和boat）下。4種二進(jìn)制描述子中，隨機(jī)采樣模式（BRIEF和 ORB）性能低于特定模式采樣（BRISK、FREAK 和 RBS）。RBS-128分別超過BRIEF和ORB 約8.6%和4.1%，RBS-64則分別超過約4.8%和1.3%，RBS-32優(yōu)于BRIEF約0.7%，但比ORB低約2.7%。RBS優(yōu)于512 bit的BRISK，與FREAK性能接近，RBS-32、RBS-64和RBS-128性能隨著長(zhǎng)度增加匹配正確率不斷上升，RBS-128性能最高，其平均正確率超過FREAK約8.4%，超過BRISK約1.9%，正確率提升比例分別達(dá)到16.4%和5.3%。二進(jìn)制描述子BRISK性能高于FREAK，分析可能是由于FREAK并沒有很好地模擬視網(wǎng)膜分布，而被使用均勻采樣的 BRISK超出。實(shí)驗(yàn)還顯示，160 bit時(shí)匹配正確率相對(duì)128 bit已經(jīng)開始下降，這表明隨著點(diǎn)對(duì)選擇方法能夠有效地篩選出穩(wěn)定點(diǎn)對(duì)，隨著排序靠后點(diǎn)對(duì)數(shù)量的增加，描述子開始受到噪聲點(diǎn)的負(fù)面影響。

最后，使用leuven原圖對(duì)不同描述子的計(jì)算速度進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 描述子提取算法速度對(duì)比

由表2可以看出，RBS描述子在速度上有很大的優(yōu)勢(shì)，比SIFT快了近2個(gè)數(shù)量級(jí)，與其他二進(jìn)制描述子（ORB、BRISK、BRIEF）相比，也有一定優(yōu)勢(shì)，RBS-32和RBS-64均快于其他二進(jìn)制描述子，而 RBS-128僅慢于對(duì)比描述子中最快的FREAK。

4 結(jié)束語(yǔ)

本文模仿人眼視網(wǎng)膜細(xì)胞分布特性，實(shí)現(xiàn)了一種仿視網(wǎng)膜視神經(jīng)分布和感知特性的采樣學(xué)習(xí)方法，以生成更頑健、更緊致的二進(jìn)制描述子。實(shí)驗(yàn)表明，描述子對(duì)光照、旋轉(zhuǎn)、退化、模糊具有較高的頑健性，RBS-128匹配正確率超過512bitFREAK和BRISK二進(jìn)制描述子，計(jì)算性能比SIFT描述子提高了近2個(gè)數(shù)量級(jí)，相比其他二進(jìn)制描述子也有一定的優(yōu)勢(shì)。但是，由于本文的方法仍舊是像素點(diǎn)對(duì)之間的比較，對(duì)于大角度的視角變化頑健性較低，如圖 6中 boat和graffiti，需要進(jìn)一步研究如何提高二進(jìn)制描述子對(duì)視角變化的頑健性。