[发明专利]一种基于Hessian矩阵的改进ORB特征点匹配方法

说明书

本发明公开了一种基于Hessian矩阵的改进ORB特征点匹配方法，包括如下步骤：首先采用FAST算法对图像进行特征点初步提取，并对其进行非极大值抑制处理。然后采用SURF特征点提取中用到的Hessian矩阵对特征点进行优化提取，具体过程分为：对图像进行高斯滤波；分别计算每个初步提取特征点的Hessian矩阵判别式，若满足判别式取得局部最大值则保留；将该特征点的Hessian矩阵判别式与领域内的点Hessian矩阵判别式差值之和与设定的阈值进行比较，若大于设定阈值，则保留为最终的特征点，并通过灰度质心法确定特征点的方向。再通过改进BRIEF算法得到特征点的二进制特征描述符。最后根据汉明距离匹配来实现特征匹配。本发明能够寻找出更稳定的特征点，也一定程度提升了ORB算法的匹配精度。

技术领域：

本发明涉及属于数字图像处理领域；尤其涉及一种基于Hessian矩阵的改进ORB特征点匹配方法。

背景技术：

图像匹配是一种通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性的分析，寻求相似影像目标的方法。而特征匹配作为图像匹配最为关键的方法之一，是利用图像的灰度信息，优先找出图像的特征点再进行图像匹配的一种方法。

ORB特征匹配算法是将FAST特征点检测与BRIEF特征描述相结合并进行了改进，是oFAST和rBRIRF的结合，不仅保留了FAST算法速度快的特性，同时具有较稳定的旋转不变性。ORB算法比SIFT算法效率高两个数量级，但是匹配精度却不及SIFT算法。而SURF算法中运用Hessian矩阵可以提取更稳定的特征点。因此，考虑在ORB算法的特征提取步骤，结合Hessian矩阵优化特征点的提取，提出一种基于Hessian矩阵的改进ORB特征点匹配方法。

发明内容

本发明公开了一种基于Hessian矩阵的改进ORB特征点匹配方法。首先采用FAST算法对图像进行特征点粗提取，并对其进行非极大值抑制处理；然后利用SURF算法中运用到Hessian矩阵对特征点进行优选；再通过改进BRIEF算法得到特征点的二进制特征描述符；最后通过汉明距离实现特征匹配。

本发明的技术方案分为四个阶段，包括以下步骤：

S1:输入待配准图像和参考图像，采用FAST特征点判别方法对图像进行特征点粗提取，然后对提取到的特征点进行非极大值抑制处理，去除局部较密集的特征点；

S2:对选取的特征点进行特征点优选，首先对图像进行高斯滤波，然后利用Hessian判别式判断该特征点处的响应是否为局部最大值，若是，则进入下一步判断，若否，则舍弃该特征点，再判断该特征点的Hessian矩阵判别式与相邻领域内的点的差值是否大于所设定的阈值，若是，则保留该特征点，若否，则舍弃该特征点，最后利用灰度质心法确定剩余特征点的特征方向；

S3：计算特征点的特征描述符，通过rBRIEF算法计算特征点的二进制特征描述符；

S4：根据待配准图像和参考图像得到的特征描述符，利用汉明距离进行特征匹配。

进一步的，所述步骤S1具体包括如下步骤：

S1-1：利用FAST特征判别算法进行特征点粗提取；

以点P为圆心画一个半径为3pixel的圆，若圆周上存在连续N个像素点的灰度值都比P点的灰度值大或者都比P点的灰度值小，则认为P点为特征点，一般N取12。同时为了尽快找出特征点，优先检测圆周上位置为1、5、9、13的灰度值，若满足4个位置中至少有3个满足上述条件，则继续进行判断，否则直接排除该点。

S1-2：对特征点进行非极大值抑制处理；

将特征点P与以其为圆心的圆上的16个点的灰度值偏差的绝对值和作为响应值，若响应值大于所设定的阈值，则保留该特征点，否则舍弃该特征点，以此来去除局部较密集的特征点。