对比 ORB 与 SIFT 两种特征匹配算法在求解 ICP 时的效果

邢振宇 闫家超

摘要：为了解决点云图建立时，相机位姿估算精度问题，使用传统的ORB算法和使用SIFT算法对相机位姿估算，对比两次估算后的数据得到更优秀的特征匹配方法。这两种算法的对比有望提供一种更加优秀的方法解决视觉slam中位姿估算。

关键词：ORB算法;SIFT算法;位姿估算;视觉slam  

1引言

在建立模型的点云图时，需要精确的估算出相机的位置姿态才可以，此时就需要运用到一个具有标志性的点去计算，

相机拍摄第一张照片的位置为，运动后拍摄的第二张图片的位置为，P点为空间中标识的一个点，也就是所谓的路标点，其在相机拍摄的两张照片中的位置分别是，这两个点在相机中的成像是一样的。如何获取这样的相同点就是用到特征点匹配的方法[1]。

2 ORB特征提取与匹配

2.1 FAST关键点

FAST角点的检测方式是找到图像中灰度变化较明显的地方，即先把图片转化为灰度图，找到灰度梯度较大的地方。这种方法检测速度特别快速。具体检测过程如下[2]：

1、在图像中提取一个像素点p，读取其灰度值为。

2、设置灰度阈值T。

3、选择以像素p为中心的半径为R的圆边缘上的像素点。(在这里我选择了半径为3的圆里16个像素点)

4、当读取图片的时候发现像素点p在选取的圆边缘上发现有连续N个像素点的亮度在阈值外，即大于。若小于，那么这个像素点p被认定为特征点，其中N可以根据图像分辨率选取。

5、循环上述方法遍历每一个元素[3]。

2.2 描述子

提取出所有的ORB的FAST角点后，需要对角点计算其描述子。首先介绍一下什么是描述子以及描述子计算。

ORB使用的描述子是BRIEF，它在表达关键点附近的两个元素的时候使用了0与1表示其大小，若p比q点大则记为1，反之则为0。如果一共选取了N个这样的点，那么最后会获得N维的由0与1组成的向量，然后对其强度比较[4]。

3 SIFT特征提取与匹配

3.1SIFT特征点提取

先假设图像的尺度空间为,定义一个变化的尺度的高斯分布函数与原图像的卷积表达式为：

              

x与y是图像像素的位置，表达尺度空间因子，当越小表示相应的尺度变化就越小。

高斯金字塔的建立大致分为两个步骤：

1、对图像进行不同程度的高斯模糊处理。

2、对图像做隔点采样计算。

假设高斯图像金字塔具有s组高斯模糊图像，那么每层的尺度则有如下公式：

                 

其中:  i--当前层数或当前组数

O--当前组数其中的interval图像的层数坐标

   S--表示总层数

--表示初始尺

为了提高关键点的稳定性，需要进行关键点的曲线拟合，利用DOG在尺寸空间的泰勒展开拟合函数为：

                 

其中，X=表示该点相对于插值中心点的左右偏移量。高斯梯度计算公式：

关键点方向计算公式：

3.2关键点的描述与匹配

把像素的坐标旋转到关键点方向上去使得两坐标重合。转变公式如下：

                          

加权公式如下所示：

                          

其中：a,b--关键点在图像中的位置

x,y--种子点在未旋转下图像位置坐标

,--种子点在旋转下图像位置坐标

d--划分的子区域的边界这里面我用的是d=4

经过计算出每个子区域内不同像素点的权重后可以得到梯度图[5]。

具体匹配步骤如下：

(1)在参考图像中先用高斯金字塔把图像分出128层，并选择每一层的关键点组成图像的一个关键点的子集：

(2)在观测图中也按上述找出子集：

(3)计算两个关键点相似度：

得到的相似度[7]。

4结果对比

根据OpenCV算法库提供的ORB算法与SIFT算法，结合上述两种方法获得如下结果一种是ORB特征匹配算法的，一种是SIFT特征匹配算法的。

方式	R
ORB	0.9365  0.3240  0.1340  0.3150  0.9260  0.2473 0.2042  0.1934  0.9596
SIFT	0.9365 0.3050 0.1342   0.3240  0.9260  0.2234 0.2040 0.2073  0.9590

SIFT特征匹配出来的匹配对数明显比ORB算法要多。如下表所示，不难看出矩阵是有所变动的。

在实际应用中需要多次计算相机位姿，这样ORB就会产生更多累计误差使所建立的点云图精度变差。

参考文献

[1] 闫元.基于深度学习与双目视觉的草莓识别定位研究[D].太谷：山西农业大学，2020.

[2] 陈乾辉.空间目标成像原理及运动控制[J],长春工业大学学报(自然科学版)：2011,32(05)，433-437.

[3] 李艳,基于RGBD图像的多前景物体分割研究[D].济南：山东大学，2023.

[4] 熊伟萌.视觉SLAM图像点特征提取和配准算法改进与评估[D].南昌：南昌大学，2023.

[5] 陈咏真.基于SLAM的视觉里程计特征匹配方法研究[D].西安：西安电子科技大学，2022.