一种融合颜色和尺度特征的ORB图像匹配方法组成比例

针对传统ORB算法因忽略图像颜色信息，对光照变化的鲁棒性较差，易造成误匹配的情况，本发明专利技术公开了一种融合颜色和尺度特征的ORB图像匹配方法。所述方法包括：首先使用颜色不变量模型对彩色图像进行预处理，求出图像的颜色不变量，以颜色不变量作为输入信息，建立积分图像，采用盒式滤波器建立尺度空间，使用快速Hession矩阵检测极值点，提取具有尺度不变性的特征点，然后使用rBRIEF算法得到特征描述符，最后采用汉明距离和改进RANSAC算法去除误匹配点。本发明专利技术在保证ORB算法特点的基础上，改善了ORB算法在颜色不同而对应灰度值相同区域正确匹配率低的问题，并且使算法具备尺度不变性，解决了特征点分布不均匀的情况，提高了图像发生尺度变化时匹配精度。像发生尺度变化时匹配精度。像发生尺度变化时匹配精度。

【技术实现步骤摘要】
一种融合颜色和尺度特征的ORB图像匹配方法


[0001]本专利技术属于机器人视觉
，尤其涉及一种融合颜色和尺度特征的ORB图像匹配方法。

技术介绍

[0002]图像匹配技术是机器人视觉的基础，已广泛应用于视觉SLAM、目标跟踪等多个领域。图像匹配算法可以分为：基于变换域的方法、基于灰度的方法和基于特征的方法。基于特征的图像配准具有很好的鲁棒性，计算量小，速度快，成为研究的主流方向。图像中提取到的特征点需要对图像的光照变换、尺度变换、旋转变换等具有一定的鲁棒性，才能有效保证特征点的精确匹配。现有的特征点提取和匹配算法在匹配精度和匹配效率上仍存在不足，随着图像处理技术的发展，对特征点提取和匹配算法的准确性和实时性提出了更高的要求。
[0003]在视觉SLAM中，特征点的提取和准确的特征匹配对机器人的位姿推断具有重要作用。目前，ORB(Oriented FAST and Rotated BRIEF)算法因特征点提取速度快，具有良好的稳定性，被广泛应用于视觉SLAM中。然而，为了降低复杂度，ORB算法的第一步是将彩色图转化为灰度图，在灰度图上进行特征提取，没有考虑到原始彩色图像的颜色信息，而颜色信息是图像的重要组成部分，在对彩色图像的检测、识别、跟踪过程中有着非常重要的意义，由于颜色信息的缺失，降低了彩色图像的对比度，就会导致在颜色不同而对应灰度值相同的区域内无法提取出特征点、正确匹配率低等问题；而且传统的ORB算法使用FAST角点进行特征点提取，所提取到的特征点不具有尺度不变性，对发生尺度变化的图像配准，鲁棒性较低。
[0004]针对上述问题，文献《结合颜色不变量和ORB特征的图像匹配算法》提出将颜色不变量与ORB特征描述子相结合，形成C
‑
ORB算法，存在如下问题：ORB算法采用FAST角点检测算法来对特征点进行检测，所得到的特征点分布不均匀、存在冗余，且不具有尺度不变性的特点，对发生尺度变化的图像，匹配性能较差。
[0005]中国专利CN 111784576 A《一种基于改进ORB特征算法的图像拼接方法》提出通过多尺度空间理论，构建Hession矩阵和高斯金字塔对ORB算法进行改进，达到尺度不变的目的。但由于缺少图像的颜色信息，就会导致在颜色不同而对应灰度值相同的区域内无法提取出特征点且正确匹配率低。

技术实现思路

[0006]针对现有方法的不足，本专利技术提供一种融合颜色和尺度特征的ORB图像匹配方法，目的是为了解决传统ORB算法在颜色不同而对应灰度值相同区域正确匹配率低的问题，在图像匹配过程中即体现了ORB算法的快速性，又充分利用了图像的颜色信息，并且提高了算法在发生尺度变化时的正确匹配率。首先使用颜色不变量模型对彩色图像进行预处理，求出图像的颜色不变量，以颜色不变量作为输入信息，建立积分图像，采用盒式滤波器建立尺
度空间，使用快速Hession矩阵检测极值点，提取具有尺度不变性的特征点，然后使用rBRIEF算法得到特征描述符，最后采用汉明距离和改进RANSAC算法去除误匹配点。本专利技术在保证ORB算法特点的基础上，通过引入颜色不变量模型，充分利用图像的颜色信息，改善了ORB算法在颜色不同而对应灰度值相同区域正确匹配率低的问题，采用盒式滤波的方法来构建尺度空间，在不同尺度下搜索特征点，该方法在获取特征点的数量上和质量上都有着较好的稳定性，使得ORB算法具备了尺度不变性，解决了ORB算法特征点分布不均匀的情况，提高了匹配精度。一种融合颜色和尺度特征的ORB图像匹配方法包括以下步骤：
[0007]S1、使用颜色不变量模型对待匹配的前后两帧彩色图像进行预处理，求出图像各位置的颜色不变量；
[0008]S2、对待匹配的前后两帧彩色图像，将计算得到的颜色不变量作为输入信息，建立积分图像，采用盒式滤波器代替二阶高斯微分，通过不断增大盒式滤波器的窗口大小构建图像尺度空间；
[0009]S3、对图像进行高斯滤波，构建Hession矩阵，在尺度空间上对使用快速Hessian矩阵局部极值来确定图像的特征点；
[0010]S4、使用带有旋转不变特性的rBRIEF算法提取特征描述符；
[0011]S5、使用汉明距离剔除部分错误匹配点对，完成对特征点的粗匹配；
[0012]S6、使用改进RANSAN算法进一步去除图像中的误匹配点对，对特征点进行精匹配，提高匹配精度；
[0013]所述的S1中，使用颜色不变量模型对图像进行预处理：
[0014]Kubelka
‑
Munk理论的物体光谱辐射模型表达式为：
[0015]E(λ,x)＝e(λ,x)[1
‑
ρ
f
(x)]2R
∞
(λ,x)+e(λ,x)ρ
f
(x)
ꢀꢀꢀꢀ
(1)
[0016]式中：λ表示波长；x为图像的二维平面位置；e(λ,x)表示光谱强度；ρ
f
(x)表示x处的Fresnel反射系数；R
∞
(λ,x)表示反射率；E(λ,x)为光谱反射的成像结果。
[0017]通常，e(λ,x)在各波长上保持不变而与位置有关，所以可将e(λ,x)改写为位置函数i(x)，则式(1)变为：
[0018]E(λ,x)＝i(x)[1
‑
ρ
f
(x)]2R
∞
(λ,x)+i(x)ρ
f
(x)
ꢀꢀꢀꢀꢀꢀ
(2)
[0019]对式(2)中λ分别进行一阶微分和二阶微分相除，可得：
[0020][0021]H为颜色不变量的一种表述，同观察位置、表面朝向、光强大小、反射系数均无关。
[0022]彩色图像的RGB分量和(E,E
λ
,E
λλ
)的关系近似为：
[0023][0024]根据下式可求得彩色图像的颜色不变量H为：
[0025][0026]所述的S2中，对待匹配的前后两帧彩色图像，将计算得到的颜色不变量H作为输入
信息，建立积分图像，采用盒式滤波器代替二阶高斯微分，建立尺度空间具体包括以下步骤：
[0027]对于参考图像I1(x,y)和待匹配图像I2(x,y)，分别求出颜色不变量H1(x,y)和H2(x,y)后，以H1、H2作为输入信息，采用盒式滤波器取代二阶高斯微分，采用积分图提高计算速度，通过不断增大盒式滤波器的窗口大小构建不同尺度的图像金字塔。
[0028]定义图像f(x,y)，图像上任意一点I(x,y)，对其进行高斯滤波，如下式所示：
[0029]L(x,y,σ)＝G(x,y,σ)*I(x,y)
ꢀꢀꢀꢀꢀꢀ
(6)
[0030]式中：σ为尺度信息，G(x,y,σ)为固定的高斯核函数，*为高斯核函数卷积运算，I(x,y)表示输入图像(相当于H1(x,y)或H2(x,y))。
[0031]然后对高斯滤波后的图像中的每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合颜色和尺度特征的ORB图像匹配方法，其特征在于，包括以下步骤：S1、使用颜色不变量模型对待匹配的前后两帧彩色图像进行预处理，求出图像各位置的颜色不变量；S2、对待匹配的前后两帧彩色图像，将计算得到的颜色不变量作为输入信息，建立积分图像，采用盒式滤波器代替二阶高斯微分，通过不断增大盒式滤波器的窗口大小构建图像尺度空间；S3、对图像进行高斯滤波，构建Hession矩阵，在尺度空间上对使用快速Hessian矩阵局部极值来确定图像的特征点；S4、使用带有旋转不变特性的rBRIEF算法提取特征描述符；S5、使用汉明距离剔除部分错误匹配点对，完成对特征点的粗匹配；S6、使用改进RANSAN算法进一步去除图像中的误匹配点对，对特征点进行精匹配，提高匹配精度；所述的S1中，根据颜色不变量模型，对待匹配的前后两帧彩色图像进行预处理，得到彩色图像的颜色不变量H，具体步骤为：式中：E为光谱反射的成像结果，E
λ
、E
λλ
分别为物体光谱辐射模型的一阶微分和二阶微分，λ表示波长，R
∞
(λ,x)表示反射率；彩色图像的RGB分量和(E,E
λ
,E
λλ
)的关系近似为：彩色图像的颜色不变量H为：所述的S2中，以颜色不变量作为输入，采用盒式滤波器建立尺度空间，具体步骤为：定义图像f(x,y)，图像上任意一点I(x,y)，对其进行高斯滤波，如下式所示：L(x,y,σ)＝G(x,y,σ)*I(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中：σ为尺度信息，G(x,y,σ)为固定的高斯核函数，*为高斯核函数卷积运算，I(x,y)表示输入图像(相当于H1(x,y)或H2(x,y))；对高斯滤波后的图像中的每个像素进行拉普拉斯运算，拉普拉斯运算结果用Hession矩阵表示，如下式所示：式中：L
xx
(x,y,σ)、L
xy
(x,y,σ)、L
yx
(x,y,σ)、L
yy
(x,y,σ)分别代表在x方向的二阶导数，在x和y方向依次求偏导数，在y和x方向依次求偏导数，在y方向求二阶导数的高斯滤波窗口，使用不同尺寸的盒式滤波器，在滤波的过程中完成尺度变化，生成图像金字塔即是尺度空间；
所述的S3中，构建Hession矩阵，利用近似Hession矩阵的局部极大值计算不同尺度下特征点的位置，具体步骤为：为了减小计算代价，采用Fast
‑
Hession矩阵，把高斯二阶偏导数近似化处理，得到盒式滤波器估计值D
xx
、D
xy
、D
yy
，考虑到使用盒式滤波器近似可能带来的误差，设置一个大小为0.9的补偿系数，进而可求得Fast
‑
Hession矩阵的近似行列式表达式，即：Det(H)＝D
xx
·
D

【专利技术属性】
技术研发人员：孙明晓，王潇，班喜程，栾添添，袁晓亮，李小岗，连厚鑫，谭政纲，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：