《ORB中Steer BREIF特征点描述算法改进》由会员分享，可在线阅读，更多相关《ORB中Steer BREIF特征点描述算法改进（4页珍藏版）》请在金锄头文库上搜索。
1、ORB 中 Steer BREIF 特征点描述算法改进ORB 算法主要由 Fast 检测与 BRIEF 特征描述构成，为了使 ORB 算法具有旋转不变的特性，引入 Steer BREIF算法，但 Steer BREIF 算法的方差很小、相关性差.本文设计了一个学习算法，用于从二进制测试子集当中，选取出一个好的子集，可以使 steered BRIEF 的损失方差里面恢复出来，并且减少二进制测试的相关性。 【关键词】关键词 ORB 算法 BREIF 特征描述 steered BRIEF 算法 学习算法 ORB 算法是图像配准中的重要算法，主要由 Fast 检测与 BRIEF 特征描述构成。图像配准
2、在图像处理领域有着十分重要的地位，其广泛应用于图像医学、遥感、工业控制、监控系统中。近年来，在机器人技术领域都广泛运用到了局部不变的特征。早之前已经有人提出灰度图像尺度不变特征的变换算法以及提出了以二进制的鲁棒性为基础的独立特征，同时，存储空间的需求也得到降低。但是，其对特征点进行检测不具有旋转和尺度的不变形。以此为基础，ORB 算法逐渐被开发，运算的适应性在 ORB 算法中得到提高，运算速度更快。但 ORB 算法中 Steer BREIF 算法存在的方差很小、相关性差的缺点。根据上述情况，本文设计了一个学习算法，来恢复损失方差和减少二进制测?的相关性。 1 ORB 介绍 1.1 FAST 检
3、测符 以中心像素 P 作为参考，在围绕 P 的半径为 3 的圆内，如果有连续 12 个像素的灰度比 P 大，则将 P 选为我们感兴趣的关键点。 1.2 BRIEF 算法 2 steered BRIE 算法改进 为了从 steered BRIEF 的损失方差里面恢复出来，并且减少二进制测试的相关性，我们设计了一个学习算法，用于从二进制测试子集当中，选取出一个好的子集。 方法如下：我们首先建立其中一些关键点的训练集。从 3131 的像素块中提取出所有可能的二进制测试，并将它们一一列举出来。测试对象是图像块的一对 55 的子窗口。如果我们将图像块的宽度定义为 p=31，并且将测试子窗口的宽度定义为
4、t=5，然后我们就得到了 N=（p-t）2 个可能的子窗口。我们从这些子窗口中两个一对地进行选取，这样我们就有（2N）个二进制测试。我们剔除掉那些重复的测试，然后我们得到了 M=205590 个测试项。算法如下： （1）对所有的训练块进行测试。 （2）依据偏离平均值 0.5 的程度来对所有测试进行排序，形成向量 T。 （3）贪婪搜索： 将第一个测试放入结果向量 R 中，并在 T 中将其剔除。 从 T 中选取出下一个测试，并将其与 R 中的所有测试进行比较。如果它的绝对相似系数比阈值大，剔除；否则，将它加入到 R 当中。 重复之前的步骤直到在 R 中有 256 个测试。如果少于 256，则提高阈
5、值重试。 该算法从平均值接近 0.5 的一系列无关测试中进行贪婪搜索。搜索结果称为 rBRIEF。在方差和相关性方面，rBRIEF 比 steered BRIEF 有了明显的改进。 这样，对于每个关键点，我们得到了一个 256 位的描述符。图像上所有关键点的描述符共同构成图像的 ORB 特征值。 3 结语 本文在研究 ORB 算法中 FAST 检测符和 BRIEF 算法的基础上，提出的学习算法，首先建立关键点训练集，然后剔除重复测试。采用这种学习方法可以有效的改进 steered BRIE 算法中存在的弊端。 参考文献 1ZhizhongSun，Multi-scale Edge Detection of Digital Image Based on Improved Mallat Wavelet Decomposition Algorithm，Sensors &. TransducersJ，2013，25（special） ，239-243. 2任景明.注塑机模具图像监测系统的研究D.浙江大学，2013. 3毛锋，张树有，黄长林.图像散布图和小波多分辨分析的模具异物检测J.浙江大学学报（工学版） ，2009（10）：174-175. 作者单位 河南财政金融学院 河南省郑州市 45000
