【阅读文献】单目视觉SLAM方法综述【2】~特征的检测与匹配

2.1 特征的检测与匹配

SLAM系统中，是以环境中的路标点为基础的。

单目视觉系统无法从单帧图像恢复深度。如何 利用图像特征检测与匹配获得高质量的路标，关系到单目视觉SLAM的鲁棒性。

图像特征可分为：点特征、直线特征、边缘、轮廓

相比于其他，点特征具有对遮挡相对鲁棒，识别性好，提取速度快。点特征的检测和匹配来实现SLAM数据关联。

2.1.1 角点特征

角点在保留图像重要特征时，可以有效减少信息数据量，使其信息含量很高，有效提高计算速度，有利于图像可靠匹配，有利于实时。

Harris角点：

• Harris角点是Harris在1988年提出的一种基于信号的点特征提取算子，前身是Moravec 算子。
• Harris角点使用自相关矩阵 改进了Moravex方法， 避免了使用离散的方向和偏移，它在窗口内使用高斯函数加权导数，取代了简单的求和。
• 如果自相关矩阵有2个较大的特征值就表示该店为检测到的特征点。
• 但其对亮度和对比度变化不敏感，具有旋转不变形，不具备尺度不变形。

Shi-Tomasi角点：

• Shi1994年 采用不同的响应函数来提取图像角点，其方式是如果2个特征值中较小的一个大于最小阈值，则判定为角点。
• Shi的角点判定 方法比较充分，很多情况下都比Harriss算法结果更好

FAST（features from accelerated segment test）角点：

• Rosten在2006年提出的一种简单快速的角点检测算法。
• 该算法检测的角点定义为在像素点的周围邻域内有足够多的像素点与该点处于不同的区域
• 在灰度图像中，即有足够多的像素点灰度值大于该点的灰度值或者小于该点的灰度值
• 由于FAST算法能在短时间生成大量角点，因此广泛用于实时性较高的SLAM系统中。

2.1.2 SIFT和SURF特征

SIFT（scale invariant feature transform）方法：

• SIFT是Lowe在1999年提出的一种特征点提取方法。
• SIFT特征对图像的尺度变化、图像缩放、旋转甚至仿射变换具有不变形
• 对光照变换和图像变形具有较强的适应性
•  首先检测由高斯差分构建的尺度空间上的局部极值点，并将其作为候选特征点，排除不太稳定的和对比度低的，从而确定关键点，接下来 为关键点分配方向，并通过采样关键点周围图像块图像梯度的幅值和方向来建立SIFT特征描述子
• 由于SIFT特征提取和匹配存在大量的浮点运算，时间 复杂度较高，不能保证实时性，因此在单目SLAM应用不多
• 利用GPU加速后克服了浮点运算，因此有一些GPU-SIFT作为特征检测和匹配方法。

SURF（speeded up robust features）方法：

• 是对SIFT的改进，基本结构、步骤与SIFT相近
• 速度快，且稳定性高，广泛应用

2.1.3 BRIEF与ORB特征

BRIEF（binary robust independent elementary features）特征：

•  Calonder在2010年提出的可以快速计算且表达方式为二进制编码的描述子
• 主要思路是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个长为256 的二进制串，并将这个二进制串作为该特征点的特征描述子。由于其描述子利用二进制编码，因此在特征匹配时只需计算2 个特征点描述子的Hamming 距离。经过大量实验数据测试，不匹配特征点的描述子的Hamming 距离在128 左右，匹配点对描述子的Hamming 距离则远小于128。由于BRIEF 的匹配速度远高于SURF 和SIFT，因此被很多系统采用。

ORB（oriented brief）特征：

• 由于BRIEF 特征不具备旋转不变性，因此很难用于旋转比较剧烈的环境。
• 为了解决这一问题，EthanRublee在2011 年提出了ORB( oriented brief)特征，较好地解决了尺度不变性。
• 在尺度变化不大的环境，ORB 特征在SLAM 系统中获得了大量应用 

文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。

原文链接：kings.blog.csdn.net/article/details/87907773