一種基于區(qū)域劃分的改進ORB算法

孫浩，王朋

（山東交通學(xué)院 信息科學(xué)與電氣工程學(xué)院，濟南 250357）

基于特征的圖像匹配算法越來越受到人們的青睞，特別是在視覺SLAM（Simultaneous Localization and Mapping）［1］和視頻監(jiān)控領(lǐng)域更是成為了一項關(guān)鍵技術(shù)。隨著多媒體信息技術(shù)的發(fā)展，視頻監(jiān)控技術(shù)被用于公共區(qū)域的視頻監(jiān)控，以提高公共區(qū)域的管理和監(jiān)控能力。在公共區(qū)域視頻監(jiān)控系統(tǒng)的設(shè)計中，需要對公共區(qū)域的視頻監(jiān)控圖像進行準確的檢測和監(jiān)控，提取公共區(qū)域視頻監(jiān)控的目標(biāo)特征，提高公共區(qū)域的管理能力，消除公共區(qū)域的危險性。在公共區(qū)域除害追蹤監(jiān)測方法的研究上具有十分重要的意義，而且在公共安全管理和刑事偵察領(lǐng)域具有良好的應(yīng)用價值［2］。根據(jù)圖像匹配方法的基本思想可將圖像匹配方法分成兩大類，即基于區(qū)域的匹配方法和基于特征的匹配方法。兩類方法相比而言，基于特征的匹配方法有計算量小、魯棒性好、對圖像形變不敏感等優(yōu)點，所以基于特征的匹配方法成為目前研究的熱點?；谔卣鞯膱D像匹配方法主要包括3步：特征提取、特征描述和特征匹配。當(dāng)前常見的特征點提取算法有SIFT（Scale Invariant Feature Transform）［3］、SURF（Speeded-Up Robust Features）［4］以及ORB（Oriented FAST（Features from Accelerated Segment Test） and Rotated BRIEF（Binary Robust Independent Elementary Features））［5］。

ORB算法由Rublee等在2011年提出［6］，該算法通過FAST［7］算法提取特征點，通過BRIEF［8］計算得到描述子，使得系統(tǒng)對于噪聲具有更高的魯棒性。與之前的算法相比，ORB算法在計算速度上具有絕對的優(yōu)勢，在計算速度上是SURF的10倍，是SIFT的100倍［9］，能滿足實時性要求，但是其魯棒性不如SIFT，且不具備尺度不變性，在圖像匹配中容易造成誤匹配［10］。文獻［11］對傳統(tǒng)ORB算法進行了改進，提出了一種基于模塊化區(qū)域分割的ORB算法，算法雖能保證特征點均勻提取，但無法按照實際要求改變特征點的提取數(shù)量，且提取速度也要慢于傳統(tǒng)ORB算法。文獻［12］針對ORB算法不具有尺度不變性和匹配精度低的問題，提出了一種結(jié)合SURF算法和BBF（Best Bin First）算法的思想對ORB算法進行改進，算法雖然提高了匹配精度，但提取速度相較于傳統(tǒng)ORB算法卻慢很多，無法保證系統(tǒng)的實時性。

本文提出了一種全新的基于區(qū)域劃分的ORB算法，在保證特征點提取速度的同時，使得后續(xù)的特征點匹配精度也得到了提高。

1 ORB算法原理

1.1 特征點檢測

圖像特征點能夠簡單理解為圖像中更重要的點，如輪廓點、較暗區(qū)域的高光點、較亮區(qū)域的暗點等。ORB算法運用FAST算法來尋找特征點，F(xiàn)AST的核心思想是找出那些突出的點，即將一個點與周圍的點進行比較，如果與周圍的大多數(shù)點不同，則可以將其挑選出來作為一個特征點。圖1為FAST特征點的提取示意圖。

FAST具體計算過程如下：

步驟1從圖1中挑選一個像素點P，判斷它是否可以作為特征點。首先假設(shè)它的灰度值為Ip。

圖1 FAST特征點提取示意圖Fig.1 Schematic diagram of FAST feature point extraction

步驟5遍歷所有圖像區(qū)域，直到提取的特征總數(shù)∑nj達到條件數(shù)量時，結(jié)束提取。

步驟3以像素點P為圓心，挑選出半徑為3的圓上的16個像素點。

步驟4分別對挑選出的點對進行T操作，將得到的計算結(jié)果進行組合。

步驟5為了更高效地檢測出特征點，可以增加一項預(yù)判操作，這樣可以快速地篩選掉大部分不是角點的像素點。通過直接檢查鄰域圓上的1、9、5和13這4個位置的像素點灰度進行預(yù)判。首先檢查1和9，看它們是否和P點相同，如果是，再檢查5和13。只有當(dāng)這4個像素點中的3個同時大于Ip+t或者同時小于Ip-t時，P點才被認為是一個角點。如果不能滿足上述條件，則不能作為角點，直接排除。通過該操作可以獲得3種不同的點，如下：

2.2 藥物敏感試驗 GBS菌株對9種常見抗生素藥物敏感試驗見表2。紅霉素耐藥率從2014年的58.8%升至2016年的59.8%；克林霉素耐藥率從64.6%升至71.0%；四環(huán)素耐藥率從86.1%升至90.2%；左氧氟沙星耐藥率有所下降，由32.1%降至21.0%。

式中：Sp→x為第x個點提取到的點集；Ip→x為圓上16個點中的第x個點的灰度值；a為圓上比P點暗的點；b為圓上與P點相似的點；c為圓上比P點亮的點。

1.2 計算特征點描述子

ORB使用改進的BRIEF算法計算一個特征點的描述子。其核心思想是在特征點P的周圍以特定模式選取n個點對，把這n個點對的比對結(jié)果組合起來作為描述子［13］。

“在這半月里，我才真知道人民革命軍真是不行，要干人民革命軍那就必得倒霉，他們盡是些‘洋學(xué)生’，上馬還得用人抬上去。他們嘴里就會狂喊‘退卻’。二十八日那夜外面下小雨，我們十個同志正吃飯，飯碗被炸碎了哩！派兩個出去尋炸彈的來路。大家來想一想，兩個‘洋學(xué)生’跑出去，唉！喪氣，被敵人追著連帽子都跑丟了，‘學(xué)生’們常常給敵人打死?！?/p>

計算描述子具體步驟如下：

針對我校研究生培養(yǎng)過程中遇到的問題，開展了基于GDP導(dǎo)師團隊指導(dǎo)模式下燃氣輪機性能分析課程教學(xué)活動設(shè)計及實踐的研究，提出以小組設(shè)計項目(GDP)為載體，以導(dǎo)師團隊指導(dǎo)為保證的基于GDP導(dǎo)師團隊指導(dǎo)模式下的研究生培養(yǎng)研究模式，不同小組針對本專業(yè)基礎(chǔ)知識選擇不同的燃氣輪機設(shè)計題目，由學(xué)生自主討論安排研究計劃，學(xué)習(xí)燃氣輪機專業(yè)相關(guān)設(shè)計理論，掌握壓氣機、燃燒室和渦輪等不同部件的設(shè)計方法和設(shè)計軟件，激發(fā)學(xué)生創(chuàng)新能力，建立知識體系與工程應(yīng)用的關(guān)系，為工程實際需要培養(yǎng)創(chuàng)新型人才。

步驟2在圓O內(nèi)選取n個點對。為了便于描述，令n=4。如圖2所示，將挑選出的4個點對分別標(biāo)記為：P1（A，B）、P2（A，B）、P3（A，B）、P4（A，B）。

圖2 描述子計算示意圖Fig.2 Schematic diagram of descriptor calculation

步驟3定義操作T。

式中：Iα和Iβ分別為A和B的灰度值。

步驟4假如這16個像素點中有連續(xù)的l個點的灰度都大于Ip+t或者都小于Ip-t，那么P就可以被認為是一個角點。這里l設(shè)定為12，若有至少12個點超過閾值，則認為P是特征點；否則，認為P不是特征點。

假如：

則最終的描述子為：1011。

由于FAST算法無法檢測到特征點方向信息，在ORB算法中，利用矩來確定特征點的方向，通過計算特征點附近的圖像灰度質(zhì)心［14］來表示。在一個小的圖像塊B中，定義圖像的矩為

式中：p，q=0，1，2，…；I（x，y）為（x，y）點處的灰度值。通過式（3）可以得到零階矩m00、一階矩m10和m01。

通過矩可以計算其質(zhì)心為

目前，東營市不少農(nóng)民合作社都是白手起家，社員數(shù)量少，生產(chǎn)規(guī)模小，經(jīng)濟實力較弱，在資金融通、技術(shù)引進、設(shè)施改造、市場開拓上面臨很大困難，導(dǎo)致帶動輻射能力弱。

由于BRIEF描述子不具備旋轉(zhuǎn)不變性，在對其增加方向信息后，在（xi，yi）的位置，對n個點對定義矩陣A為

變換矩陣利用特征點的方向角θ與旋轉(zhuǎn)矩陣Rθ進行變換：

式中：Aθ為 旋 轉(zhuǎn) 后 的 特 征 點 對 矩 陣；Rθ=

BRIEF中點對灰度值的比較值又叫做binary test值，其定義為

算法具體步驟如下：

步驟1在構(gòu)建圖像金字塔時，將圖像均勻分割成M×N個大小相同的區(qū)域，M 為分割的行數(shù)，N為分割的列數(shù)，在這些區(qū)域中，特征點會隨機分布。將區(qū)域按照先行后列進行排序，表示為｛h1，h2，h3，…，hM×N｝。

得到改進的描述子后，再進行搜索，在像素塊中挑選n個點對作為最終的描述子［15］。

國內(nèi)磷肥產(chǎn)能過剩仍然嚴重，落后產(chǎn)能退出加快，未來磷肥產(chǎn)能將集中在有資源優(yōu)勢的區(qū)域。國家環(huán)保政策的不斷出臺對行業(yè)影響較大，部分企業(yè)生產(chǎn)暫時受影響，但長遠來看能加速行業(yè)洗牌，規(guī)范市場競爭。隨著行業(yè)自律效果逐漸顯現(xiàn)，磷銨供應(yīng)趨緊，加之出口市場轉(zhuǎn)好，今年秋季磷酸二銨價格穩(wěn)中見漲，也是對行業(yè)改革發(fā)展的行動給予積極回應(yīng)。市場供應(yīng)量不足將推動價格上漲，出口的穩(wěn)定走勢能幫助消化國內(nèi)過剩產(chǎn)量，環(huán)保壓力持續(xù)則有利于規(guī)范市場，將不達標(biāo)的小企業(yè)淘汰出局，維護市場的健康規(guī)范。

2 改進ORB算法

ORB算法使用FAST算法檢測圖像特征點，獲得的特征點分布密集，存在冗余。一般來說，特征點越多，則獲得的圖像匹配越準確，但特征點密集分布對后續(xù)的特征描述十分不利，并且會影響圖像匹配精度［16］。本文提出一種基于區(qū)域劃分的ORB算法，通過對每個區(qū)域分別進行特征點提取來解決上述問題。同時，設(shè)置自適應(yīng)閾值，當(dāng)提取的特征點數(shù)量達到條件數(shù)量即需要提取的特征點總數(shù)時，提前結(jié)束來減少特征提取的時間。改進ORB算法流程如圖3所示。

步驟1以特征點P為圓心，以d為半徑做圓O。

多模射頻前端的實現(xiàn)包括硬件電路的搭建以及FPGA對射頻鏈路的配置,其處理框圖如圖5所示。多模射頻接收鏈路配置模塊主要包括:各芯片寫控制模塊,射頻混頻參數(shù)查找表模塊及指令接收模塊。

圖3 改進ORB算法的流程圖Fig.3 Flow chart of improved ORB algorithm

式中：p（x）和p（y）分別為點x和點y處的像素灰度值。隨機選擇n個點對（xi，yi）就可以生成一個二進制字符串，則生成的特征描述子可以表示為

于是，改進后的描述子為

步驟2設(shè)置閾值j。式中：需要提取的特征點總數(shù)Tf與ORB算法提取的特征點總數(shù)相同，一般為500，使得特征點能夠更加均勻地分布，而且可以節(jié)省篩選最佳特征點的時間。

步驟3對每個區(qū)域分別進行特征點檢測，將每個區(qū)域在閾值等于t時檢測到的FAST特征點的個數(shù)nj與j進行比較，若nj不小于j，則選取j個最佳點；若nj小于j，則降低提取FAST特征點時的閾值t，重新檢測。由于只有當(dāng)兩點之間的灰度值之差的絕對值大于閾值t時，才能認為2個點是不同的，才可以進行下一步檢測。因此，通過降低閾值t，能夠增加灰度值之差的絕對值大于閾值的點的個數(shù)，從而可以檢測到更多的角點以供篩選。

步驟4經(jīng)過步驟3的檢測，有些區(qū)域的特征點數(shù)會超過需要的特征點數(shù)，容易造成檢測出來的點彼此相鄰，無法成為最佳特征點，需要篩選掉這一部分點。本文采用非最大值抑制的方法。假設(shè)P和Q兩點相鄰，分別計算兩點與周圍16個點的差分和，去掉差分和最小的點，直到剩下的點與所需要的點數(shù)一致時停止篩選，剩下的即為最佳點。差分和計算公式為

無論在當(dāng)下還是未來，AT變速器一定還是要走多擋位路線，AT變速器作為最為傳統(tǒng)類型的一款有級自動變速器，已經(jīng)有超過100多年的歷史，而電子控制技術(shù)也有近40年的歷史?，F(xiàn)如今AT變速器擋位數(shù)已經(jīng)達到10個前進擋位，因此無論是低端家庭用車還是中高端以上車型，我們都很難再看到新車搭載4AT或5AT的變速器。2018年5月，吉利和廣汽與全球知名的自動變速器生產(chǎn)廠家日本愛信簽約，為滿足市場小排量低端車型的需求，將愛信公司生產(chǎn)的一款6AT生產(chǎn)線拿到國內(nèi)進行量產(chǎn)，從這一信息來看，未來幾年國內(nèi)低端小排量車型，在AT變速器選擇上一定

式中：Sbright為16個鄰域像素點中灰度值大于Ip+t的像素點的集合；Sdark為灰度值小于Ip-t的像素點的集合。

步驟2設(shè)值一個合適的閾值t（比如Ip的20%），當(dāng)2個點的灰度值之差的絕對值大于t時，可以認為這2個點不相同。

It is an interesting manuscript on important topic. The paper is well-written.

由于FAST特征點不具有尺度不變性，可以采用SIFT高斯金字塔來實現(xiàn)，高斯金字塔的構(gòu)建分為兩部分：對圖像做不同尺度的高斯模糊和對圖像做下采樣［17］。

高斯模糊常被用來模擬物體在人眼中的快速遠近效應(yīng)。其核心是利用高斯函數(shù)對輸入圖像進行模糊模板解卷積運算，去除圖像的高頻成分，實現(xiàn)圖像的模糊化。高斯函數(shù)一維和二維表達式分別為

通過姿態(tài)檢測系統(tǒng)來實時檢測車身姿態(tài)及運動狀態(tài)，并根據(jù)姿態(tài)信息對小車進行控制.目前多重技術(shù)方案都可以實現(xiàn)傾角檢測，Column-Bot采用微機電系統(tǒng)(Micro Elector Mechanical System，MEMS)陀螺儀和MPU6050加速度慣性傳感器構(gòu)成的姿態(tài)檢測系統(tǒng)，可以實時、準確地檢測兩輪自平衡移動底盤的傾角.使用PID中的雙閉環(huán)控制控制算法、卡爾曼濾波算法，對陀螺儀和加速度慣性傳感器采集的數(shù)據(jù)進行融合，使測量角度更加真實穩(wěn)定.

式中：x、y分別為原點到x軸、y軸的距離；σ為高斯函數(shù)G的標(biāo)準差。

本文中通過設(shè)置一個比例因子scaleFactor和金字塔層數(shù)nlevels，將原圖像I按比例因子縮小成nlevels幅圖像?？s放后的圖像I′為

3.4.1 有關(guān)醫(yī)療部門規(guī)定，但凡接觸過患者體液的物品均被視為污染，凡是污染物均需進過相應(yīng)處理后才能廢棄或再利用。由此可見，棉布也不是完全環(huán)保的，其在清洗過程中會產(chǎn)生廢水，這些廢水若處理不當(dāng)同樣會造成環(huán)境的污染。而一次性無紡布不重復(fù)使用，直接焚燒處理。焚燒產(chǎn)生的廢氣只要處理得當(dāng)，將大大減少對環(huán)境的污染。另外，隨著環(huán)保意識的增強，對聚丙烯制品的回收再利用成為目前日益關(guān)注的焦點，一次性無紡布雖為醫(yī)療廢棄物，但只要經(jīng)過消毒處理同樣可以成為再生的能源［6］。

分別對nlevels幅不同比例的圖像通過本文算法提取特征點，提取的特征點總數(shù)作為這幅圖像的FAST特征點以解決ORB算法不具有尺度不變性的問題［18］。

長期以來，廣播電視對自已定位于黨和人民的喉舌，關(guān)注較多的是其政治屬性，但是，在全球經(jīng)濟一體化的新形勢下，應(yīng)當(dāng)而且必須正確認識到廣播電視的多種屬性，將新的思維和辦法，應(yīng)用到節(jié)目生產(chǎn)的每個環(huán)節(jié)，這是新形勢下提升廣播電視節(jié)目質(zhì)量發(fā)展的必由之路。

本文中高斯金字塔一共生成8層不同尺度的圖像，圖像金字塔示意圖如圖4所示。圖中L0～L7分別為第1幅～第8幅下采樣圖像。

4.企業(yè)責(zé)任。在生產(chǎn)建設(shè)的同時，積極參與社區(qū)建設(shè)，時刻心系群眾，關(guān)心群眾生活，為當(dāng)?shù)卮迕裉峁﹦趧泳蜆I(yè)機會，解決就業(yè)難題。要與當(dāng)?shù)卮迕窠M織建立定期、不定期協(xié)商磋商機制，共同研究制定因礦業(yè)開發(fā)造成群眾利益損害的有關(guān)補償條件、補償標(biāo)準和補償辦法，對當(dāng)?shù)厝罕娞岢龅膿p害補償訴求經(jīng)認定屬實的，按共同約定的補償條件、補償標(biāo)準和補償辦法及時協(xié)商解決。要通過礦地和諧建設(shè)，及時化解礦山開發(fā)與當(dāng)?shù)厝罕姷拿?，營造企業(yè)與社區(qū)共同發(fā)展、人與環(huán)境和諧融洽的良好局面。

圖4 圖像金字塔示意圖Fig.4 Image pyramid illustration

3 實驗結(jié)果與分析

本實驗在Linux系統(tǒng)+Opencv3.4.1平臺上實現(xiàn)，原始圖像如圖5所示。

圖5 原始圖像Fig.5 Original images

傳統(tǒng)ORB算法和本文算法提取的特征點分別如圖6所示。圖像匹配結(jié)果分別如圖7所示。

它是對一個問題的指稱，以及對一種不確定性的指稱。這種不確定性既是對視覺機制(視覺藝術(shù)、視覺傳媒、布展和觀展的行為)與語言機制(文學(xué)、語言、話語、聽、說、讀寫的行為)之間不規(guī)范、不固定的邊界的描述。......

圖6 不同算法提取結(jié)果Fig.6 Extraction results of different algorithms

圖7 不同算法匹配結(jié)果Fig.7 Matching results of different algorithms

從圖6可以看出，相較于圖6（a），圖6（b）的特征點分布更加均勻，大大減少了重疊特征點的數(shù)量，說明本文算法提取的特征點更具有代表性，后續(xù)的圖像匹配也更加準確穩(wěn)定。匹配準確率對比如表1所示。

通過表1可以看出，本文算法在匹配精度方面較ORB算法提升了3.4%，較文獻［12］改進的ORB算法存在一定差距，通過該數(shù)據(jù)指出了本文算法未來的優(yōu)化方向。

表1 匹配精度對比Table 1 M atching accuracy com parison

另一方面，算法運行速度是衡量一個算法優(yōu)劣的重要標(biāo)準，在平臺相同的情況下，若匹配結(jié)果基本相同，則速度越快的算法越好；若運行時間基本相同，則匹配結(jié)果越好的算法越優(yōu)秀。本文將10次實驗結(jié)果取平均值，實驗運行時間的部分截圖如圖8所示，算法運行時間和匹配時間比較如表2、表3所示。

圖8 不同算法運行截圖Fig.8 Screenshot of running of different algorithms

從表2可以看出，本文算法在提取速度方面比傳統(tǒng)的ORB算法提升了16%，較文獻［11］改進的ORB算法速度提升了55%，較文獻［12］改進的ORB算法速度提升了84%。從表3可以看出，在匹配算法相同的前提下，本文算法在匹配速度方面比傳統(tǒng)ORB算法提升了9%左右。本文算法不僅提升了特征點提取速度，也使得所提取的特征點分布更加均勻，匹配速度也得到了提升。

表2 算法運行時間比較Tab le 2 Com parison of algorithm running tim e

表3 算法匹配時間對比Tab le 3 Com parison of m atching tim e

4 結(jié) 論

1）針對傳統(tǒng)ORB算法提取的無效特征點較多且不具有尺度不變性的問題，本文提出了一種基于區(qū)域劃分的改進的特征點提取算法。

2）算法將圖像進行區(qū)域劃分，提取的特征點都是在區(qū)域中表現(xiàn)最佳的點，通過設(shè)置自適應(yīng)閾值，在特征點提取速度方面獲得了較大提升，在圖像匹配精度較ORB算法得到了提升，但對比文獻［12］改進的ORB算法還存在一定差距。在接下來的工作中，可以通過以下方法對該算法做進一步的優(yōu)化：在構(gòu)建圖像金字塔時，可以對圖像信息進行計算，并自動調(diào)節(jié)尺度信息，以保證圖像的尺度信息更加合理，使算法在尺度不變性方面得到進一步提升。