本发明涉及图像处理技术的领域，具体地说，涉及ORB特征匹配方法的改进。
背景技术：
图像匹配技术通过分析图像的内容、特征、结构、关系、纹理及灰度等对应关系，分析相似性和一致性，寻求相似图像目标。 图像匹配技术在车牌识别、遥感图像、图像拼接、医学图像诊断、人脸识别等领域有着广泛的应用。 图像配准算法有很多特征提取和匹配的方法，包括：SUSAN算子、Harris算子和SIFT算子。 其中SIFT算法是性能最鲁棒的局部特征算法，但运算量大，不能很好地满足实时性要求。 因此，Ethan Rublee与2011年提出的ORB算法相同，ORB算法建立在改进的FAST特征和改进的BRIEF特征之上，由于FAST特征和BRIEF特征都具有运算速度快的优点但是，在匹配精度上，ORB算法比SIFT算法弱。
技术实现要素：
因此，本发明的目的是改进ORB特征匹配方法，以提高ORB的匹配精度。
为了实现上述目的，本发明采用以下手段。
ORB特性匹配方法的改进。 包括以下步骤。
步骤S1:采用改进的FAST14-24方法进行角点的预提取，得到角点；
根据步骤S2:中获得的角点，使用Shi-Tomasi角点检测算法进行特征点优化以获得特征点；
步骤S3:使用灰度法处理特征点集，并确定特征点方向；
根据步骤S4:特征点集，利用类视网膜描述符提取算法得到特征描述符；
步骤S5:基于获得的特征描述符，使用学习的方法提取低相关采样点对的位置，以获得最佳特征描述符；
步骤S6:基于得到的优化特征描述符，使用汉明距离进行特征匹配。
此外，上述步骤S1，具体而言，将：像素点p周围的24像素点作为检测模板，将p点的灰度值作为Ip，设定阈值t，如果24像素点中连续的14像素点的灰度值大于Ip T或小于Ip-T
此外，上述步骤S2，具体是：
通过计算向步骤S21:局部小窗口w(x，y )各方向移动后的灰度来检测特征点；
步骤S22:由窗口移位引起的灰度变化E[u，v]如下。
其中，m是22的自相关矩阵，根据图像的导数进行计算：
分析矩阵m的两个特征值max和min。 由于曲率大的不确定度依赖于min，所以将角点响应函数定义为min
使用步骤s23:Shi-tomasi算法计算各点的角点响应函数min，确定从min开始的前n个响应值最大的点作为特征点。 在筛选出的特征点周围存在至少两个不同方向的强边界，这样的特征点容易识别且稳定。
此外，上述步骤S3具体是：
Rosin定义图像块的力矩。
I(x，y )是图像的灰度表示，力矩的重心如下。
设特征点的坐标为o，则OC成为该特征点的方向，方位角的计算公式如下。
=Atan2(m01，m10 ) ) ) ) ) ) ) ) )) ) ) ) )) )。
另外，上述步骤S4，具体是：
采用与步骤S41:视网膜感受区相似的结构，在中间特征点的基础上分割7层同心圆，使6个采样点均匀分布在每层同心圆上；
步骤S42:对于各同心圆上的采样点，采用不同边长的方形邻域描述，从中间特征点向外，每层采样边长为1、3、5、7、9、11、13、15的顺序；
如果级联步骤S43:采样点的邻近灰度平均值的比较结果，将f作为某个特征点描述符，则为。
在这里，(PAB )是二进制测试，n是特征向量的维数，Pa是取样点对中a点的位置，Pb是取样点对中b点的位置，I(pa )和I(pa )是取样点附近的色调平均。
此外，步骤S5，具体地，可以以：采用模式选择43个采样点，形成一个采样点对。 为了采用混叠式感受野，需要选择采样点对之间相关性高、其中相关性低的采样点对，提高描述符的区分性。 为此，采用学习方法提取一对低相关采样点，利用PascalVOC 2007数据库的部分图像集，从660幅图像中提取230K个以上的特征点；
步骤S51:使用步骤S1和步骤S2，从660张图像中提取超过230K个特征点，将43个采样点进行两个比较，生成构成903维二进制矢量的矩阵h；
步骤S52:针对矩阵h每一列计算方差，取出方差最大的列，计算其他列和该列的协方差，选择协方差最小的列并添加到新构成的描述向量中；
步骤S53:设定维数上限Nmax=512，重复执行步骤S52直到取出512列，得到512个低相关采样点对的位置；
步骤S54:是通过根据得到512个低相关采样点对的位置生成512维二进制向量而优选的特征描述符。
进一步，所述步骤S6具体为：汉明距离是指，将两个等长二进制字符串中的一个变换为另外一个所需的最小置换次数. 给定改进的ORB描述符中的两个特征向量F1、F2，F1=m1、m2、m512、F2=n1、n2、n512，F1、F2的汉明距离表示为：
通过确定汉明距离阈值，确定特征向量是否一致。
本发明与现有技术相辅相成
比具有以下有益效果：1、本发明相比现有算法具有更高的匹配正确率。
2、本发明得到的优化的特征描述符具有更好的鲁棒性和更高的精度。
附图说明
图1是本发明方法流程图；
图2是本发明角点检测示意图；
图3是本发明类视网膜采样模式结构图；
图4是本发明实施例1特征点重复率比较结果图；
图5是本发明实施例2的特征点匹配性能比较结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种改进的ORB特征匹配方法，包括以下步骤：
步骤S1:采用改进的FAST14-24方法进行角点的初步提取,得到角点；
步骤S2:根据得到的角点，采用Shi-Tomasi角点检测算法进行特征点优选，得到特征点；
步骤S3:利用灰度质心法对特征点集进行处理确定特征点的方向；
步骤S4:根据特征点集，采用类视网膜描述符提取算法，得到特征描述符；
步骤S5:根据得到的特征描述符，采用学习的方法来提取低相关性的采样点对的位置，得到优化的特征描述符。
在本发明一实施例中，所述步骤S1具体为:取像素点p周围24个像素点为检测模板，p点的灰度值为Ip，设定阈值T，如果24个像素点中有连续14个像素点的灰度值大于Ip+T或小于Ip-T，则p点为角点。
在本发明一实施例中，所述步骤S2具体为:
步骤S21:通过计算局部小窗口W(x,y)在各个方向移动后的灰度情况检测特征点；
步骤S22:将窗口平移[u,v]产生灰度变化E[u,v]为：
其中M是2×2的自相关矩阵，由图像的导数计算：
对矩阵M的两个特征值λmax和λmin进行分析，因为曲率较大的不确定度取决于λmin，定义角点响应函数为λmin；
步骤S23:用Shi-Tomasi算法计算每点的角点响应函数λmin，根据λmin取前N个响应值最大的点确定为特征点。筛选出的特征点的周围至少存在两个不同方向的强边界，这样的特征点易于识别且稳定。
在本发明一实施例中，所述步骤S3具体为:
Rosin定义了图像块的矩：
I(x,y)为图像灰度表达式，该矩的质心为：
设特征点的坐标为O，则OC为该特征点方向，方向角的计算公式如下：
θ＝atan2(m01,m10)
参照图3，在本发明一实施例中，所述步骤S4具体为:
步骤S41:采用与视网膜感受域相似的结构，除中间特征点，还划分7层同心圆，每层同心圆上均匀分布6个采样点；
步骤S42:对于各同心圆上的采样点采用不同边长的方形邻域描述，从中间特征点向外，每层的采样边长依次为：1、3、5、7、9、11、13、15；
步骤S43:采样点的邻域灰度均值比较结果级联组成,令F为某特征点描述符，则：
其中，τ(Pab)为二进制测试，N为特征向量维数，Pa为采样点对中a点的位置，Pb为采样点对中b点的位置，I(Pa)和I(Pb)为采样点在采样邻域的灰度均值。
在本发明一实施例中，所述步骤S5具体为:采用模式选取了43个采样点，可以形成个采样点对。因为采用混叠式的感受野，采样点对之间具有较高的相关性，需要选择其中相关性较低的采样点对，提升描述符的区分性。因此采用学习的方法来提取低相关性的采样点对，使用PascalVOC 2007数据库中的部分图像集，从660张图像中提取超过230K个特征点；
步骤S51:利用步骤S1和步骤S2,从660张图像中提取超过230K个特征点并建立矩阵H，每个描述符由43个采样点两两比较组成903维二进制向量，矩阵H的每一行代表一个描述符；
步骤S52:对矩阵H的每一列计算方差，把方差最大的一列取出来，然后计算其他列与该列的协方差，并选择协方差最小的一列加入到新组成的描述向量中；
步骤S53:设置维数上限Nmax＝512，反复执行步骤S52直至取出512列,得到512个低相关性的采样点对的位置；
步骤S54:根据得到512个低相关性的采样点对的位置，通过生成512维二进制向量即为优选的特征描述符。
为了让一般技术人员更好的理解本发明的技术方案，以下结合附图对本发明进行详细介绍。
实施例1：
如图4所示，采用4组图像作为重复率比较的实验图像，分别是boat图像对、bikes图像对、leuven图像对和graf图像对。boat图像对间存在着2～2.5倍的缩放和30°～45°的旋转；bikes图像对间存在认真的芹菜噪声污染，认真的芹菜半径σ＝3；leuven图像对间存在明显的光线变化；graf图像对间存在20°～40°的视角变化。分别对4组图像用ORB特征点检测算法和本发明改进方法计算特征点的重复率，可以看出针对存在尺度变换、旋转变化、光照变换、噪声干扰以及视角变换的图像，本发明改进的特征点检测方法都比ORB特征点检测算法在重复率上有所提升。这是因为本发明使用改进的FAST14-24算法剔除了一些边缘的伪角点，排除一定的干扰，并且在特征点优选过程中，使用Shi-Tomasi算法选取曲率变化大，易于识别且稳定的特征点。
实施例2：
实施例2，如图5所示，对实施例1中的4组图像分别利用ORB算法和本发明的改进方法进行匹配，可以看出，本发明改进的ORB特征匹配方法相对于传统ORB算法在匹配正确率上有所提升，正确率提升10％～50％左右。实验结果表明针对各自类型的图像匹配，本发明方法无论从匹配精度上还是鲁棒性上都优于传统ORB算法。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。