一种基于自适应阈值和几何约束的ORB特征提取与匹配方法
本发明涉及图像处理领域，特别是视觉里程计中的特征提取与特征匹配技术。
背景技术：
1、在视觉里程计/视觉slam领域，特征提取与特征匹配是最为关键的步骤，这些技术广泛应用于自动驾驶等多种场景。传统的特征提取算法如sift(尺度不变特征变换)和surf(加速稳健特征)能够提供高度鲁棒的特征点，但这些算法的计算成本较高，处理时间长，不适合需要实时反应的应用。
2、orb(oriented fast and rotated brief)算法因其高效性而在实时系统中得到了广泛的应用。orb算法结合了fast特征点检测和brief描述符，通过其特定的设计，显著提高了计算速度。然而，orb算法在处理光照变化明显的场景时效果不佳，这是因为其使用固定阈值进行特征点检测，未能适应图像亮度的变化。此外，orb算法在特征点分布上也存在不均匀的问题，导致特征点容易聚集在纹理丰富的区域，而在纹理较少的区域则特征点稀缺。
3、在特征匹配方面，常见的方法如基于欧氏距离的暴力匹配或是基于树的搜索算法虽然能够找到精确的匹配点，但在处理包含大量噪声和误匹配的数据时，效果并不理想。误匹配的存在会显著影响后续的位置估计等结果。为了解决这一问题，ransac算法被广泛应用于移除一场匹配，但该算法在高误匹配环境下的效率和鲁棒性仍然有限。
4、因此，需要一种新的特征提取与匹配方法，不仅要在光照变化的环境下保持稳定，还要在特征分布的均匀性、计算效率和匹配准确性上有所改进，以满足实时图像处理系统的需求。
技术实现思路
1、(一)解决的技术问题
2、针对上述问题，本发明提供一种基于自适应阈值和几何约束的orb特征提取与匹配方法。现有的orb特征提取算法通常使用固定的阈值来检测特征点，这导致在光照变化显著的环境中，特征提取的稳定性和准确性大幅下降，本发明通过引入基于图像灰度均值的自适应阈值调整机制，提高了算法在不同光照条件下的适应性和鲁棒性。在传统的特征提取过程中，特征点往往倾向于聚集在纹理丰富的区域，而在纹理较少的区域特征点稀缺，本发明通过采用四叉树管理特征点的分布，确保特征点在图像中均匀分布，从而提升了特征匹配的准确度。在现有的特征匹配技术中，在复杂的场景中误匹配问题尤为突出，影响视觉里程计的准确性，本发明引入了基于斜率、距离和描述符距离的几何约束模型，有效筛选出真实地匹配点对，降低误匹配率，提高了处理速度。
3、(二)技术方案
4、本发明为了实现上述目的具体采用以下技术方案：
5、一种基于自适应阈值和几何约束的orb特征提取与匹配方法，包括以下步骤，
6、s1、对输入图像进行预处理，采用改进的自适应阈值算法进行orb特征提取，所述自适应阈值算法基于图像的灰度均值作为评估函数；
7、s2、使用四叉树管理特征点，以保证特征点的均匀分布；
8、s3、采用基于几何约束的外点去除算法，通过匹配特征点之间的斜率、距离和描述符距离构造约束集。
9、进一步地，所述s1具体步骤如下：
10、s11、使用单目相机获取连续图像序列；
11、s12、对于输入的每一张图像都进行灰度化和去噪处理；
12、s13、计算图像的灰度均值并通过以下公式确定特征提取的阈值t：
13、
14、其中，i(xi)为第i个像素点的灰度值，α和β为比例系数；
15、s14、特征点提取时使用t来判断像素点是否为特征点，从而实现对光照变化的适应性调整。
16、进一步地，所述s2具体步骤如下：
17、s21、将图像初始化为一个节点，并将其划分为四个象限，每个象限作为一个子节点，继续进行进一步的划分；
18、s22、对于每个子节点，判断其中包含的特征点数量，如果特征点数量大于1，则继续将该子节点划分为四个子节点，重复此过程，直到达到预期的特征点数量或划分深度；
19、s23、在每个子节点中，计算所有特征点的harris响应值，并使用非最大值抑制方法保留响应值最大的特征点，公式如下：
20、r＝det(m)-k(trace(m))2
21、其中m为梯度矩阵，k为经验参数，用于平衡行列式和迹的影响，进一步调整响应值的计算；
22、s24、梯度矩阵m可通过以下公式计算：
23、
24、其中ω(x,y)是窗函数，ix为特征点在水平方向上的梯度，iy为特征点在垂直方向上的梯度；
25、s25、通过非最大值抑制的方法，保留每个子节点中harris响应值最大的特征点，去除冗余特征点，保证特征点的均匀分布。
26、进一步地，所述s3具体步骤如下：
27、s31、设特征匹配时计算出来的orb描述符之间的距离为desi；
28、s32、计算每对匹配特征点像素平面上的斜率ki和距离di：
29、
30、其中和为一对匹配特征点的像素坐标，所对应的像素点分别表示为和
31、s33、通过以下公式将斜率转换为角度：
32、
33、s34、通过s31、s32和s33建立几何约束集：
34、
35、其中，k为斜率参考值，εk为斜率阈值，di为距离参考值，εd为距离阈值，εdes为描述符距离阈值；
36、s35、在几何约束筛选后的特征点对基础上，进一步采用ransac算法进行二次筛选，以去除更多的误匹配点。
37、(三)有益效果
38、与现有技术相比，本发明提供了一种基于自适应阈值和几何约束的orb特征提取与匹配方法，具备以下有益效果：
39、本发明通过自适应阈值调整机制，能够根据图像的灰度均值动态调整特征提取阈值，使特征检测过程对光照变化具有更强的适应性。采用四叉树管理特征点，改善了特征点在图像中的分布均匀性，不仅提升了特征匹配的准确性，还增强了视觉里程计的定位精度。引入基于几何约束的特征误匹配滤除，有效减少了误匹配的发生，这种基于斜率、距离和描述符距离的筛选机制能够精确识别并派出不符合特征的匹配点对，从而提高了匹配结果的准确性。本发明优化了特征提取与匹配的计算流程，减少了不必要的计算量，使得整个处理过程更加高效。
技术特征：
1.一种基于自适应阈值和几何约束的orb特征提取与匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应阈值和几何约束的orb特征提取与匹配方法，其特征在于：所述s1具体步骤如下：
3.根据权利要求1所述的一种基于自适应阈值和几何约束的orb特征提取与匹配方法，其特征在于：所述s2具体步骤如下：
4.根据权利要求1所述的一种基于自适应阈值和几何约束的orb特征提取与匹配方法，其特征在于：所述s3具体步骤如下：
技术总结
本发明属于图像处理领域，是一种基于自适应阈值和几何约束的ORB特征提取与匹配方法，其中方法包括以下步骤：通过自适应阈值算法根据图像的平均灰度值和灰度方差动态调整ORB算法中的特征提取阈值，以适应不同光照条件下的图像特征提取；采用四叉树结构管理特征点，实现特征点的均匀分布；利用基于特征点对之间的斜率、距离和描述符距离的几何约束来优化特征匹配过程，移除误匹配点；最后，利用处理后的特征点对进行视觉里程计任务，提高定位和导航的准确性和鲁棒性。与现有技术相比，本发明能够在不同光照环境下提供更为稳定和均匀的特征提取，同时大幅提高特征匹配的效率和准确性。
技术研发人员：崔炜,崔志成
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/12/5