一种改进的fast角点检测和描述算法

李旺 朱文球 杨维 罗哲

摘要：针对FAST特征不具备尺度不变特性和图像匹配阶段耗时过多的问题，提出了基于多尺度fast和旋转不变LBP算子的快速特征匹配算法。首先提出一种多尺度fast算法，提取出模板图像和待匹配图像的稳定特征点，然后使用旋转不变的LBP描述符描述特征向量，最后对特征向量使用BBF算法进行匹配，寻找最近邻特征点，采用欧式距离作为特征点匹配的判定标准，如最近的距离与次近的距离比值小于一个阈值，则是一对匹配点，并使用RANSAC算法剔除误匹配点。旋转不变的LBP算子的旋转不变性能够一定程度上克服特征点主方向不准确的缺点，是提取的特征描述符更加稳定，生成更简单的51维局部不变特征描述符。实验证明：该算法与SURF算法描述能力相近，光照和旋转条件下比SURF性能更好，并且匹配速度更快。

关键词：FAST；旋转不变LBP；BBF；K-d树；RANSAC

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）06-0177-02

图像匹配作为模式识别和图像处理的一种关键技术，在遥感数据分析[1]，医学图像处理[2]和计算机视觉方面[3]已经得到了广泛的应用。

LOWE等人提出了SIFT算法[4-5]，这种算法是一种鲁棒性好、尺度不变的特征描述方法，但是实时性不够。Bay等[6]提出的SURF算法，在特征点周围区域计算Harr小波，生成特征向量进行配准，是在一定程度上对SIFT算法进行的改进，最大特点就是快，并且在快的基础上还保持性能，能满足实时性的要求。Rosten和Drummondden等[7]提出FAST角点检测算法，一种快速寻找角点的算法。1996年Ojala等在文献[8]中提出了一种基于局部二值模型的LBP描述子，但该描述子不具备旋转不变性。随后，Pietikainen等在文献[9]中对LBP描述子进行改进，提出了LBPROT描述子，该描述子具备旋转不变性。

本文提出了一种基于多尺度FAST和旋转不变LBP算子的算法。创新点在于：提出多尺度FAST特征点提取算法；提出用旋转不变的LBP算子来描述，生成相对短的51维向量。

1 特征點检测（Feature Points Detection）

针对FAST检测算法的不足，本文将FAST算法与尺度空间相结合，从而使FAST角点检测算法具有尺度不变性。因为FAST算法对于斑点噪声非常敏感，所以要对图像进行平滑处理来去掉影响。然后建立尺度空间金字塔。

尺度空间金字塔具有n个内层di和n层ci，i=0，1，…，n-1，实验中n=4。c0是原始图像，c0降采样1.5 倍得到d0，di-1隔半采样得到di，di位于ci+1和ci之间，ci-1隔半采样得到ci。比如尺度用t来表示，那么ti（di）=2i*1.5，ti（ci）=2i。这样的方式去掉了SIFT那种的图像和高斯核卷积的步骤，而建立的金字塔，节省了很多时间。然后，在每层中找到FAST特征性点，并在其特征点的当前层和相邻层中，算出3*3领域的高斯差分值。

2 改进的LBP特征描述（The Improved LBP Feature Description）

2.1 LBP特征描述（LBPFeature Description）

假设中心像素点的灰度值为gc，8个采样的点的灰度值分别为g0 ， g1 ，… ， g7 ，则中心点的LBP特征计算公式为：

[]LBP8，1.0 = LBPP=8，R=1.0=其中

改进之后， Ojala 等人实现了具有旋转不变性的LBP 特征. 旋转不变的LBP 特征（ 记为LBP riP， R ） 可以通过LBP 特征数据的循环移位来实现，计算公式为

LBP riP ，R = min{ ROR （ LBP P ，R ， k ） | k = 0， 1， ，， P - 1}

其中ROR （ x ， k） 表示对P 位二进制数x 进行向右循环移位k 次（ | k | < P ）。

2.2 改进的特征描述向量（The Characteristics of The Improved Description Vector）

假如提取到的特征点为p（x，y，θ，σ），σ是特征点的尺度，θ为特征点的主方向，（x，y）为特征点的坐标。然后把坐标轴转到特征点的主方向，以3σ、6σ 和10σ作为半径创建三个圆，并把这些圆进行八等分，算上圆心一起有25个点。对于中心像素点，计算、、、3 个旋转不变LBP值。最靠近中心点的圆上的8 个采样点，分别计算其 、，对于次靠近的8 个点计算、，最远的8 个 点，计算值。

3 特征向量匹配（Feature Matching Vector）

当特征点的描述向量生成后，利用BBF算法进行快速匹配，寻找最近邻特征点，采用欧式距离作为特征点匹配的判定标准，如果最近的距离与次近的距离比值小于一个阈值，则是一对匹配点，并使用RANSAC算法剔除误匹配点。

4 实验结果（Experiment Results）

文中使用多尺度FAST算法对两幅待配准图像进行特征点检测，用旋转不变LBP算子进行特征描述，通过BBF算法完成特征匹配，再用RANSAC算法剔除错误匹配点。软件环境是Windows 7操作系统，Visual Studio2010，OpenCV2.4.8。硬件环境是：CPU Intel（R） Core（TM） i5-4440，3.10GHz主频，4G内存。实验图像是标准图像库的四种图片。

由表可知虽然改进FAST算法在噪声干扰的情况下性能较差，但在缩放、旋转和光照变化情况下要优于FAST。

5 结束语（Conclusion）

针对FAST特征不具备尺度不变特性和圖像匹配过程中消耗时间多的现象，提出了一种新的算法，通过 FAST与尺度空间相结合检测特征点，使用旋转不变LBP算子生成51维的特征描述向量。多尺度FAST算法能快速检测到特征点，旋转不变的LBP和SURF描述符的性能相当，在光照和旋转条件下效果更好，并且向量维数少，速度更快。实验证明文中提出的算法具有比较好的鲁棒性，可以实现快速的匹配图像。

参考文献：

[1] Misra I， Moorthis M， Dhar D，et al.An automatic satellite Image registration technique based on Harris corner detection and random sample consensus outlier rejection model[C]//Proc of the 1st International Conference on Recent Advances in Information Technology， 2012：68-73.

[2] Tian J，Bao S L，Zhou M Q.Medical image process and analysis[M].Beijing： Publishing House of Electronices Industry，2003.

[3] Se S， Lowe D， Little J. Global localization using distinctivevisual features [C]//IEEE/RSJ International Conference on Intelligent Robots and System， 2002： 226-231.

[4] Lowe D G. Object recognition from local scale-invariant features[C]. In international conference on computer vision. Corfu，Greece. 1999， 1150-1157.

[5] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision. 2004，60（2）： 91-110.

[6] Herbert Bay， Andreas Ess， Tinne Tuytelaars， et al.Speeded-up robust features（SURF）[J]. Computer vision and image understanding， 2008， 110（3）： 346-359.