基于ORB算法的三维注册跟踪方法研究

郭 俊 谷学静

（华北理工大学电气工程学院，河北 唐山 063210）

增强现实技术是计算机图形学、传感器技术、人机交互等多项技术的融合，近十年来，该技术已经被广泛应用在休闲娱乐、工业制造、军事作战、教育培训等不同行业[1-2]。为了解决增强现实应用存在的复杂环境变化下三维注册跟踪效果不佳的问题，同时可以让增强现实技术在更多领域为人们提供服务，本文通过基于对机器视觉中的ORB特征匹配算法进行改进，提高三维注册跟踪方法的鲁棒性与实 时性。

1 算法改进

1.1 四叉树分解法

ORB特征匹配算法是一种综合性能良好的匹配算法。特征检测环节采用具备良好速率的FAST(Features From Accelerated Segment Test)算法，特征描述符的添加使用改进的BRIEF(Binary Robust Independent Elementary Features)算法。

为了提高特征点检测效率，结合FAST算法本身的实现原理，提出一种基于区域分裂合并思想的四叉树分解法来精简检索域，剔除图像中特征点响应即灰度变化不明显的区域。

为了满足FAST算法对有效检索域的需求，对四叉树分解法进行改进。具体实现过程如下：

1）假设图像区域为R，均分为4个子区域，设置一个逻辑谓词P。

2）对任一区域Ri,如果灰度级与其水平和垂直方向上的邻域都相同，则P(Ri)=FALSE，将此区域排除在检索域之外，否则P(Ri)=TRUE，保留为待检索域。

3）对保留区域重复步骤1～2，继续筛选检索域。

4）依据不同应用场景的实际需求确定分裂次数，最终所有保留的检索域即为FAST在原始图像上的检索域。

其中，相似度准则T(Ri)定义为：

其中zij表示区域Rij中第j个点的灰度级；mi表示区域Ri的平均灰度级；σi表示区域Ri灰度级的标准方差。若区域内像素点存在80%满足则将此区域所有像素灰度等级置为Ri。

1.2 RANSAC误匹配消除

传统ORB算法中存在相当一部分错误匹配，主要表现为两种形式：匹配到的特征点是错误的以及存在无法匹配的特征点。

RANSAC错误匹配消除是利用匹配点计算两个图像之间单应矩阵，然后利用重投影误差来判定某一个匹配是不是正确的匹配[3]。基于特征检测环节引入四叉树分解法进行检索域筛选时产生包含局部特征点的区块，其原理是通过迭代方式估计数学模型参数，对一组观测数据集进行数学模型拟合，从包含大量局外点的数据中估计出高精度参数，去除不属于模型的局外点及噪声[4]。通常寻找一个大小为3×3的单应性矩阵H，在图像中存在最多的特征点满足该矩阵，有

使h33=1对H进行归一化处理。

由于存在8个未知参数，则需将最小点对数目设置为4对或者多于4对，才可以进行矩阵求解，其对应关系为：

式中(x ,y)表示原始图像特征点位置，( x′,y′)表示特征点在待匹配图像上的位置，σ为尺度系数。

对单应性矩阵H求解后，得到模型对剩余点对进行测试，提取满足模型特征点的数量及代价函数J，代价函数最小时表明投影误差最小，即寻找到最优模型。

其表达为：

为进一步提高误匹配筛选效率，本文通过对四叉树分解法所得到检索域的不同区块进行随机采样，来提高模型参数计算的准确性和稳定性。

2 实验结果与分析

实验仿真环境为Visual Studio 2017，计算机系统是Windows 10 SPI，处理器为Intel(R) Core(TM)i5-3230M，频率为2.60GHz，内存8G。为保证实验结果具有客观典型性，测试图像均来源于牛津大学机器人实验室图像库，选用该图库中涉及光照变化、模糊变化以及旋转缩放变化三组更贴近实际应用场景环境复杂变化的图像。其特征匹配结果如图1所示，左侧为原始算法，右侧为本文改进算法。

图1 特征匹配结果

从上述结果可以看出，本文基于ORB改进的三维注册跟踪算法在环境发生光照、模糊、旋转等复杂变化时具备良好的鲁棒性与实时性，对特征误匹配具有良好的剔除效果。

3 结论

本文以机器视觉中ORB特征匹配算法为核心改进了增强现实中的三维注册跟踪方法，使用四叉树分解法精简特征检索域，在匹配环节使用RANSAC方法消除误匹配。实验结果表明，本文改进的三维注册跟踪方法在增强现实应用环境发生复杂变化时具备良好的鲁棒性与实时性，具备一定的实际应用价值。