基于视觉与惯性组合信息的图像特征提取与匹配

孙新成，刘胜兰，赵雪冬

(南京航空航天大学机电学院, 江苏 南京 210016)

图像特征提取与匹配属于机器视觉的基础研究内容，在位姿估计、三维重建、特征跟踪以及地图构建等应用中占据着重要的地位。目前常用的特征提取算法有SIFT[1](scale-invariant feature transform)、SURF[2](speeded-up robust features)、ORB[3](oriented FAST and rotated BRIEF)等，其中用SIFT和SURF算法提取的特征具有尺度、光照以及旋转不变性的优良性质[4]，但提取特征耗时长，难以在无人机导航定位、增强现实等实时性要求比较高的场合使用。而ORB算法由改进的FAST[5]检测子和二进制描述子BRIEF[6]组合而成，它不仅具有旋转和尺度不变的性质，而且能够缩短特征提取的耗时，满足实时性的要求，因此广泛应用于视觉即时定位与地图构建(vision simultaneous localization and mapping，VSLAM)等领域。但是在某些局部纹理丰富的场景下，采用ORB算法提取的特征会出现局部特征密集而造成特征冗余，从而影响特征点匹配的准确性且容易丢失大量图像信息。

在ORB特征点匹配过程中，由于噪声、遮挡以及图像中存在相似纹理等因素的影响易导致误匹配[7]。如果将错误的数据关联信息保留下来，将会导致后续运动估计的结果不精确或者失败，因此需要剔除掉误匹配的特征点，常用的误匹配剔除方法有距离阈值法、交叉验证法以及随机抽样一致(random sample consensus，RANSAC) 算法[7-8]等。距离阈值法操作简单，但是效果往往难以满足要求。交叉验证法是通过互换查询集和训练集来保证特征点匹配的唯一性，具有速度快、耗时少的优点，但是它并不能够完全剔除误匹配点对。RANSAC算法则是根……