一种基于区域密度划分改进的ORB特征提取算法

原ORB算法在面对特征点分布不均匀的图像做特征提取时，常会出现特征点提取效率低，特征点冗余的问题，导致特征点在匹配时出现误匹配，甚至位姿丢失的情况。针对这一问题，提出了一种基于区域密度划分改进的ORB特征提取算法。首先对图像构造图像金字塔，确保图像的尺度不变性。其次用FAST特征点提取算法对图像进行特征点提取，提取完毕后，使用核密度估计方法，以每个特征点为中心，计算该点周围的密度值，并采用聚类算法将密度分布相似的特征点看成一簇，根据每一簇的特征点密度和图像平均密度的比值，将图像区域划分为三类，即特征点密集区域，特征点稀疏区域和特征点均匀区域。然后利用自适应四叉树法对三个区域图像进行分割，并根据每个区域的特征点密度计算阈值，达到特征点筛选均匀的目的。然后利用自适应非极大值抑制法对特征点进行最佳筛选，并使用BRIEF算法计算出特征点的描述子。最后进行特征点匹配。实验结果表明，本文算法相较于传统的ORB算法有效地减少了冗余特征点的数量，降低了特征点的重叠率，在特征匹配的精度和效率上有了明显的提升。

近年来随着人工智能和相关技术的发展，智能化，科技化已经逐步走进了现代社会。移动机器人正在为人类的生活提供便利。因此移动机器人的控制和路径规划在研究领域就显得尤为重要，而实现移动机器人的路径规划， 需要定位与建图技术作为支撑，因此基于机器视觉的定位和同步建图技术(V-SLAM)已经成为机器人领域研究的热点话题。在视觉SLAM [1]领域，其中最核心的就是特征点的提取与匹配， 特征点的提取通常使用基于梯度或角点的方法， 例如Harris角点检测器[2]、SIFT [3]、SURF [4]、FAST [5]、ORB 等，其中Harris 角点检测器对于拐角处、角落处的特征点具有很好的响应，且响应值大小可以用于衡量角点的强度。但是其不适用于纹理比较丰富的区域，对于尺度变化、旋转变化比较敏感；SIFT 可以在不同尺度下检测出特征点，具有良好的尺度和旋转不变性，对于光照变化、噪声等干扰也有一定的鲁棒性，但是由于其特征点描述子的维度较高，需要消耗大量的存储空间，计算量较大，不适用于实时应用；SURF 算法利用积分图、近似Hessian 矩阵和Haar 小波转换运算对SIFT 算法进行了改进，但仍存在着特征描述子计算量大的问题；FAST 算法计算速度快，能够快速地检测出图像中的角点，但是由于其仅仅是通过比较目标像素周围的邻近像素来判断角点，忽略了像素的分布情况，因此在特征点分布杂乱