基于ORB和SLIC超像素分割的特征点匹配方法

为了增加特征点的提取数量以及提高特征点匹配正确率，本文提出一种基于ORB和SLIC超像素分割的特征点匹配方法。首先利用ORB算法提取出特征点进行匹配，同时加入SLIC超像素分割算法的限制因素进一步提高精度，最后得到优化的特征点匹配结果。本文将SIFT算法，SURF算法和ORB算法相比较，以多次测试求取平均值的方式得出实验数据，得出特征点提取数量的比较情况和特征匹配准确率的比较情况。

图像特征点的提取和匹配在图像处理领域有着非常重要的作用。

例如在图像匹配， 图像拼接， 3D (三维)建模等技术方面的实现依赖于图像特征点提取和匹配。经过多年对图像特征点的提取和匹配算法的深入研究和应用实践，特征点提取和描述算法得到不断改进和完善。

例如Lowe 等人提出的SIFT (尺度不变特征变换) [1]算法。由于其优越和稳定的性能，已成为这种算法的基准， 但时效性差是影响算法应用的主要障碍。

鉴于SIFT 算法的时效性较差， Bay 等人提出的SURF (加速稳健特征) [2]算法，此算法比SIFT 算法更有效。Rublee 等人在2011 年提出的ORB (对象请求代理)算法的计算及时性[3]是SIFT 的100 倍， 是SURF 的10 倍。

Leutenegger 等人在2011 年提出的BRISK (二进制鲁棒不变可伸缩关键点)算法[4]是一个特征提取和二进制描述运算符，它还具有良好的旋转不变性， 尺度不变性和鲁棒性。

当然，为了追求算法的及时性，不可避免地会损失算法的准确性。其中BRISK 和ORB 是典型的快速特征点检测和描述算法，具有很强的时效性。两种算法的优点是强大的鲁棒性，良好的仿射性能和及时性。缺点是它们不具有尺度不变性和较高的错误匹配率，这导致了该算法的一些局限性。

将图像分为超像素有助于进一步处理图像。通过对像素的颜色和距离特性进行聚类，简单线性迭代聚类(SLIC)算法获得了良好的分割效果。在机器视觉和图像处理的研究领域，从具有一定大小的像素块中提取图像特征以进行分析。随机选择或直接给出像素块，将破坏对象的边缘，甚至在同一像素块中对具有不同颜色的像素进行分类。使用超像素，可以将图像分割为语义上有意义的子区域，而不会破坏对象的边界信息。这些子区域中的整个像素共享相似的图像特征，包括颜色，亮度和纹理。超像素不同于图像的基本单位像素。通过使用很少的超像素而不是大像素来表示图像特性。有利于局部特征的提取和结构信息在图像中的表达；它还有助于减小处理对象的大小和后续处理的计算复杂性。作为图像处理的预处理步骤，超像素被广泛应用于图像分割，目标检测和跟踪[1]。

超像素通常定义为在感知上有意义的原子区域[5]，不仅可以有效地捕捉图像的功能，而且也大大降低了在随后的图像处理任务中实体的数目， 如图像分割， 显着性检测， 轮廓闭合，草图提取，对象位置， 对象跟踪，3D 重建等其他图像处理任务。每种超像素分割方法都是一种折衷方法，没有一种方法是完美的。例如，ERS 是规律性擅长但粘附弱，而SLIC 是擅长粘着但规律性弱[6] [7] [8]。