基于ORB特征匹配的电子稳像算法

摘要：为了快速准确的稳定抖动序列，提取准确的全局运动参数至关重要，而特征匹配结果决定了参数的估计精度，为了解决这一问题，本文结合稳像中运动估计全局一致性的特点，提出了一种基于ORB特征匹配的电子稳像算法。快速鲁棒的ORB特征能够提供强鲁棒性特征，而优化匹配算法能保证高的匹配精度和速度。仿真实验证实了该方法的有效性。

关键词：运动估计 ORB特征 电子稳像

中图分类号：TN911.73 文献标识码：A 文章编号：1007-9416（2015）04-0128-01

ORB特征[1]引入了机器学习的思想，以著名的FAST（features from accelerated segment test）[2]特征检测算子和BRIEF（Binary Robust Independent Elementary Features）二进制描述子为基础，继承了两类算子低功耗、高速率的优势，同时增加了描述子的旋转不变性和抗噪性。将其应用到电子稳像中，并根据全局运动一致性的特点，提出了一种基于ORB特征匹配的电子稳像法。

1 ORB特征匹配算法

1.1 特征检测算子

FAST算法本身不能描述方向信息，对噪声影响敏感。ORB算法引入了图像矩的方式弥补这一缺陷，定义公式如下所示：

其中， I（x，y）表示位于 （x，y）位置处的图像灰度值， p，q代表图像矩的阶数。为了保证检测特征的旋转不变性，算法选择一定尺寸的圆形区域作为特征领域，并计算邻域内所有像素的图像矩，根据对应矩值得到质心位置C，将特征点O到质心C的向量方向定义为该位置的特征方向，计算公式如下所示：

1.2 特征描述算子

ORB算法选用BRIEF算子作为特征描述子，运算速度非常快。选取图像的一块平滑区域S，则二进制灰度测试算子的定义如下所示：

其中，S（X），S（Y）分别表示位于坐标X（x1，y1）和Y（x2，y2）两处的图像灰度值，对应的BRIEF特征描述子的计算形式如下所示：

其中，n为构成描述子的测试算子数量，通过选取邻域内n个随机点对即可构造特征描述子。

选用FAST算法中的质心方向作为主方向，克服BRIEF算子对方向的敏感性，并依据主方向提取旋转不变描述子。同时，为了增加算法对噪声的抵抗能力，将像素到像素的匹配运算改为子块间的运算。

2 电子稳像算法实现过程

电子算法中的运动估计指的是全局运动估计，即符合图像中大部分背景特征运动趋势的全局一致性参数，根据这一特点，对初步匹配结果进行分类优化，将匹配结果分为全局匹配和局部匹配，只利用全局匹配坐标求解参数。

2.1 全局运动估计

实拍序列图像匹配结果可能存在部分与全局运动趋势不一致的匹配结果；同时ORB描述子是局部特征的表现形式，匹配结果中也会包含误匹配特征；这些均不可避免的会影响全局运动参数的求解精度。为了避免集合中初次误匹配特征对参数结果造成的不良影响，采用两步操作优化初始匹配集合：

（1）按照匹配距离升序的顺序对初始匹配点对进行排列，根据需要保留的匹配数量设置距离阈值，剔除集合中匹配距离较大的点对；

（2）ORB特征的主方向代表了该位置的方向信息，因此如果两个特征点对是正确的匹配关系，则对应主方向的差值应该相同，可以根据这一特点对匹配集合进行再次优化。图1给出了序列Tree加入二次优化前后的图像特征匹配结果。

对比图1（a）和（b）可以看出，原ORB特征匹配结果包含了较多的误匹配特征，而优化后的匹配集合去除了大部分位于局部运动区域的特征点对，提高了匹配集合精度，同时减少了匹配过程运算量。

2.2 运动补偿（表1）

本文仅考虑摄像机静止的情况，直接采用全局运动参数反向补偿当前图像即可得到的视频序列。以四类序列为实验对象，分别采用SIFT、SURF和ORB三种特征匹配，结合迭代最小二乘法求解运动参数。采用图像中心区域的峰值信噪比PSNR评价补偿前后图像的性能。

3 结语

ORB特征匹配算法能有效改善运动估计性能，同时引入优化算法，筛选初始匹配集合，只保留稳定的全局匹配进行参数估计，降低运算负担的同时降低了局部匹配的不良影响，提高了全局参数求解精度。对多类抖动序列仿真发现，算法能有效去除抖动成分，能提高原始图像的PSNR平均2dB以上。

参考文献

[1]E. Rublee， V. Rabaud， K. Konolige， and G. Bradski. ORB： an efficient alternative to SIFT or SURF. IEEE International Conference on Computer Vision， 2011，. 2564-25711.

[2]E. Rosten， R. Porter， and T. Drummond. Faster and better： A machine learning approach to corner detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010，32（1）： 105-119.