改进人工鱼群的ORB特征匹配算法

doi:10.3778/j.issn.1002-8331.2007-0352

摘要/Abstract

摘要： 针对室内轮椅定位与地图构建中传统ORB（oriented FAST and rotated BRIEF）受到特征点检测与选取策略的影响导致特征匹配正确率不理想，提出一种改进人工鱼群的ORB特征匹配算法。使用改进后的FAST检测特征点，利用改进后的人工鱼群在组合优化问题中具有收敛速度快且易获得最优解的特点，在图像中计算出不同特征区域，根据特征点所在区域位置赋予其相应的状态，对不同状态的特征点选择保留或去除，使用汉明距离的RANSAC算法在特征区域之间进行特征匹配。实验结果表明，改进后的FAST在图像边缘处提取到更多的图像特征，在实际环境中改进后的ORB匹配算法平均正确匹配率达到了92.7%，比传统ORB平均正确匹配率高52.3%。

关键词: 改进FAST, 改进人工鱼群, 提取与选取策略, 特征区域

Abstract: In the field of in indoor wheelchair localization and mapping , aiming at the problem of the unsatisfactory feature matching accuracy of the traditional ORB（oriented FAST and rotated BRIEF） with feature point detection and selection strategies, an ORB feature matching algorithm of improved artificial fish swarms is proposed. Firstly, the improved FAST is used to the feature points. Then, since the improved artificial fish population has the characteristics of fast convergence and easy to obtain the optimal solution in the combinatorial optimization problem, it is used to calculate different feature areas in the image, the corresponding state is given according to the location of the feature points, the feature points of different states are selected to be retained or removed, and finally the RANSAC algorithm of Hamming distance is used to perform feature matching between the feature regions. The experiments show that the improved FAST can extract more image features at the image edges, and the average correct matching rate of the improved ORB matching algorithm in the actual environment reaches 92.7%, which is 52.3% higher than the traditional average correct matching rate.

Key words: improved FAST, improved AFSA, extraction and selection strategy, feature areas

李思璇, 胡志刚, 王新征, 付东辽, 祖向阳. 改进人工鱼群的ORB特征匹配算法[J]. 计算机工程与应用, 2022, 58(1): 292-299.

LI Sixuan, HU Zhigang, WANG Xinzheng, FU Dongliao, ZU Xiangyang. Improved AFSA for ORB Feature Matching Algorithm[J]. Computer Engineering and Applications, 2022, 58(1): 292-299.

参考文献

[1] WANG Z，HUANG S，DISSANAYAKE G.Simultaneous localization and mapping[M].Berlin，Heidelberg：Springer，2008.
[2] RUBLEE E，RABAUD V，KONOLIGE K，et al.ORB：An efficient alternative to SIFT or SURF[C]//Proceedings of International Conference on Computer Vision，2012.
[3] 杨弘凡，李航，陈凯阳，等.基于改进ORB算法的图像特征点提取与匹配方法[J].图学学报，2020，41（4）：548-555.
YANG H F，LI H，CHEN K Y，et al.Image feature points extraction and matching method based on improved ORB algorithm[J].Journal of Graphics，2020，41（4）：548-555.
[4] 伍锡如，黄榆媛，王耀南.改进ORB特征的机器人RGB-D SLAM算法[J].计算机工程与应用，2020，56（14）：35-44.
WU X R，HUANG Y Y，WANG Y N.Robot RGB-D SLAM algorithm based on improved ORB feature[J].Computer Engineering and Applications，2020，56（14）：35-44.
[5] 戴雪梅，郎朗，陈孟元.基于改进ORB的图像特征点匹配研究[J].电子测量与仪器学报，2016，30（2）：233-240.
DAI X M，LANG L，CHEN M Y.Research of image feature point matching based on improved ORB algorithm[J].Journal of Electronic Measurement and Instrumentation，2016，30（2）：233-240.
[6] 奚绍礼，李巍，谢俊峰，等.基于SIFT/ORB几何约束的红外与可见光图像特征点匹配[J].红外技术，2020，42（2）：168-175.
XI S L，LI W，XIE J F，et al.Feature point matching between infrared image and visible light image based on SIFT and ORB operators[J].Infrared Technology，2020，42（2）：168-175.
[7] 白雪冰，车进，牟晓凯，等.结合快速鲁棒性特征改进ORB的特征点匹配算法[J].计算机应用，2016，36（7）：1923-1926.
BAI X B，CHE J，MOU X C，et al.Improved feature points matching algorithm based on speed-up robust feature and oriented fast and rotated brief[J].Journal of Computer Applications，2016，36（7）：1923-1926.
[8] 马琴，张兴忠，李海芳，等.基于谱残差和聚类法的运动目标检测研究[J].计算机工程与科学，2018，40（10）：1867-1873.
MA Q，ZHANG X Z，LI H F，et al.A moving object detection algorithm based on spectral residual algorithm and clustering algorithm[J].Computer Engineering ＆ Science，2018，40（10）：1867-1873.
[9] 王娜娜，李晓旭，曹洁.提取目标区域词袋特征的图像分类方法[J].计算机工程与应用，2018，54（20）：208-212.
WANG N N，LI X X，CAO J.Image classification method based on extracting bag of words features of object area[J].Computer Engineering and Applications，2018，54（20）：208-212.
[10] 王盼盼.基于SLAM算法的移动机器人定位导航技术研究[D].芜湖：安徽工程大学，2018.
WANG P P.Research on positioning and navigation technology of mobile robots based on slam algorithm[D].Wuhu：Anhui Polytechnic University，2018.
[11] 漆保凌.室内环境下的移动机器人视觉SLAM导航研究及系统实现[D].重庆：重庆邮电大学，2019.
QI B L.Research and realization on visual SLAM of indoor mobile robot’s navigation system[D].Chongqing：Chongqing University of Posts and Telecommunications，2019.
[12] ZHANG F S，LI S W，HU Z G，et al.Fish swarm window selection algorithm based on cell microscopic automatic focus[J].Cluster Computing，2017，20（1）：485-495.
[13] 李晓磊，邵之江，钱积新.一种基于动物自治体的寻优模式：鱼群算法[J].系统工程理论与实践，2002（11）：32-38.
LI X L，SHAO Z J，QIAN J X.An optimizing method based on autonomous animats：Fish-swarm algorithm[J].Institute of Systems Engineering，2002（11）：32-38.
[14] 盛明伟，唐松奇，万磊，等.基于改进CNN-RANSAC的水下图像特征配准方法[J].计算机工程与科学，2020，42（5）：859-868.
SHENG M W，TANG S Q，WAN L，et al.An underwater image feature registration method based on improved CNN-RANSAC[J].Computer Engineering & Science，2020，42（5）：859-868.
[15] 张雪芹，刘远远，曹逸尘，等.一种基于改进SURF和K-Means聚类的布料图像匹配算法[J].华东理工大学学报（自然科学版），2017，43（1）：105-112.
ZHANG X Q，LIU Y Y，CAO Y C，et al.A fabric image matching algorithm based on improved SURF and K-Means clustering[J].Journal of East China University of Science and Technology（Natural Science Edition），2017，43（1）：105-112.
[16] 黄春凤，刘守山，别治峰，等.改进的SURF算法在图像匹配中的应用[J].现代电子技术，2020，43（10）：111-115.
HUANG C F，LIU S S，BIE Z F，et al.Application of improved SURF algorithm in image matching[J].Modern Electronics Technique，2020，43（10）：111-115.