[发明专利]一种具有尺度不变性的ORB特征点匹配方法

说明书

技术领域

本发明属于图像处理领域，特别涉及一种具有尺度不变性的ORB特征点匹配方法。

背景技术

图像特征点的检测、描述及匹配，是图像处理领域中极其重要的一个分支。图像识别、视频跟踪、图像拼接、三维重建等许多技术的实现，都要依靠图像特征点的检测、描述及匹配。

ORB是一种优秀的特征点检测、描述及匹配算法，使用快速的FAST角点检测及二进制编码的Brief描述子，其运算速度快，光照鲁棒性好，仿射性也不错，但不具有尺度不变性，导致ORB在应用领域上具有局限性。SURF是一种稳健的图像识别和描述算法，采用积分图像和盒式滤波器进行卷积，使用高斯核函数构建尺度空间，通过求解快速Hessian响应提取特征点，对提取到的特征点利用滑动窗口建立主方向，生成一个64bit的特征描述符。SURF具有良好的尺度不变性，但是运算速度较慢，难以应用在对实时性要求较高的系统里。

发明内容

有鉴于此，本发明的目的是提供一种具有尺度不变性的ORB特征点匹配方法，结合SURF对ORB进行改进，同时引入图像金字塔，使之既有ORB优秀的光照鲁棒性、快速的运算能力，又有SURF的尺度不变性。

    本发明采用以下方案实现：一种具有尺度不变性的ORB特征点匹配方法，其包括以下步骤：

步骤S1：输入待检测图像，对图像进行改进的SURF特征点检测，并确定特征点坐标；

步骤S2：对所述步骤S1中的图像建立图像金字塔；

步骤S3：去除靠近图像边缘的特征点；

步骤S4：计算剩余特征点的质心方向；

步骤S5: 计算ORB特征点描述子；

步骤S6：采用K近邻算法进行特征点匹配；

步骤S7：筛选特征点匹配对并输出检测后的图像。

    进一步地，所述步骤S1中改进的SURF特征点检测采用积分图像和盒式滤波器进行卷积，通过高斯核函数构建尺度空间并求解快速Hessian响应提取特征点，并在所述特征点的3*3*3邻域插值，确定所述特征点坐标。

    进一步地，所述的尺度空间为不分组的16层尺度空间结构。

进一步地，所述步骤S2中建立图像金字塔的具体方法为：根据改进的SURF特征点检测中滤波模板的大小，对输入的待检测图像进行高斯降采样，所述高斯降采样中尺度值为其中N为滤波模板的大小。