SIFT、ORB及KAZE算法的分析和比较

SIFT、ORB及KAZE算法的分析和比较
刘增峰;杨俊
【摘要】特征点提取和匹配是影像处理与分析的基础,目前主要是利用各种算法对影像进行特征点提取与描述.介绍了SIFT、ORB及KAZE算法的原理及步骤,并利用这3种算法对影像进行特征点提取及匹配实验,从运行时间和匹配率上定量地分析这3种算法的优异性.实验结果表明:在影像特征点提取实验,ORB算法提取特征点的速度最快,所用的时间最少,SIFT、KAZE算法其次;在影像特征点匹配实
验,KAZE算法的匹配率最高,达39.00%,SIFT、ORB其次.
【期刊名称】《江西科学》
【年(卷),期】2017(035)006
【总页数】4页(P952-955)
【关键词】SIFT算法;ORB算法;KAZE算法;特征点提取和匹配;分析与比较
【作者】刘增峰;杨俊
【作者单位】东华理工大学测绘工程学院,330013,南昌;东华理工大学测绘工程学院,330013,南昌
【正文语种】中文
【中图分类】TP391.41
近年来，计算机视觉技术在国内外发展相当迅速。

图像特征提取作为该领域内的一个重要研究内容，它的发展也是势不可挡的。

图像局部特征点提取是图像处理、三维重建、数字水印及视频检索等计算机视觉领域的研究基础。

自Lowe提出了
SIFT算法后[1]，学者们沿着尺度空间的思想提出了很多改进算法，如SURF算法[2]。

它不同于SIFT，在建立高斯尺度空间时，SURF算法利用盒子滤波构建高斯金字塔。

随着影像处理技术的不断发展，学者们在研究影像处理技术上有了更深层次的认识，提出了很多优秀的算法，如ORB[3]、KAZE算法[4]等。

本文基于现有的多种特征点提取算法，选取SIFT、ORB及KAZE算法对影像进行特征点提取及匹配实验，从运行时间及匹配率上定量地分析影像提取算法的性能。

本文研究的主要意义在于，可以快速准确的选取性能相对更优的图像匹配算法对图像进行处理。

SIFT算法是Lowe于1999年提出的用来描述影像局部特征的算法。

它通过建立影像高斯金字塔，在不同的尺度空间上寻找极值点。

SIFT算法可以用以下4步来概括。

1)尺度空间极值检测：搜索所有尺度上的极值点。

2)关键点的定位：在每一个提取出的特征点位置上，都要进行内插来精确确定关键点的位置及尺度。

3)确定关键点的方向：依赖于图像的局部梯度方向，每一个关键点都有一个或者多个方向。

4)关键点的描述：它是对关键点周边邻域形状和纹理结构特性的一种描述。

SIFT算法提取的特征点稳定性好，可区分性强，对影像的各类变化都具有一定的不变性。

但SIFT算法不能很好地保留影像的边缘特征，且算法中所使用的描述子是128维特征矢量，计算量很大，耗时颇长。

ORB即Oriented Fast and Rotated BRIEF，它是Fast特征点检测[5]和BRIEF 特征描述子[6]的结合与改进。

它利用Fast特征点检测的方法来检测特征点，然后用Harris角点度量的方法来挑选出响应值最大的多个特征点。

Fast特征点是没有尺度不变性的，ORB通过建立高斯金字塔，在每层金字塔上检测角点，来实现特征点的尺度不变性。

在ORB论文中提出了利用灰度质心[7]的方法来解决Fast特
征点不具有方向性的问题。

灰度质心法假设角点的灰度与质心之间存在一个偏移，这个向量可以用来表示一个方向。

对于任意的一个特征点p，定义点p的邻域像素的矩为：
其中I(x,y)是点(x,y)处的灰度值。

那么可以得到图像的质心为:
C=(,)
求得特征点与质心的夹角即为Fast特征点的主方向：
θ=arctan(m01,m10)
为了提高方法的旋转不变性，需要确保x和y在半径为r的圆形区域内，即
x,y∈|-r,r|，r等于邻域半径。

ORB选择了BRIEF为特征点的描述方法，BRIEF提供了计算二值串的捷径。

但是BRIEF没有旋转不变性，因此ORB论文中提出了”Steer BRIEF”方法，使得BRIEF具备了旋转不变性。

对于任何一个特征点来说，它的BRIEF描述子是一个长度为n的二值码串，这个二值串是由特征点周围n个点对生成的，现在将这2n 个点(xi,yi)，i=1,2,…,2n组成一个矩阵S：
在ORB论文中，使用邻域方向θ和对应的旋转矩阵Rθ，建立了一个矩阵S的校正版Sθ：
Sθ=RθS
其中：
ORB算法速度至今为止是最快的，它能很好地达到实时应用的效果，并且具有较好的旋转不变性和抗噪性。

但是ORB算法并没有解决尺度不变性问题，因为Fast 本身就不具有尺度不变性。

因此在opencv中，通过建立高斯金字塔，在每层金字塔上检测角点来实现尺度不变性。

KAZE算法是2012年由Pablo等人提出的一个基于非线性尺度空间的特征点检测
算法。

它利用AOS(Additive Operator Splitting)算法和可变传导建立非线性尺度空间并提出了进化时间这个新的概念。

在高斯尺度空间下，使用标准差为σ的高
斯核对图像进行卷积，相当于对图像进行持续时间为t=σ2/2的滤波。

对于一幅图像，KAZE算法首先对其进行高斯滤波，然后计算图像的梯度直方图，从而获得对比度参数k值，根据一组进化时间，利用AOS算法获得非线性尺度空间的所有图像：
Li+1=(I-(ti+1-ti)Al(Li))-1Li
式中：Li+1是进化图像，Al是传导矩阵，ti是进化时间，I为原始影像。

在所得的尺度空间图像上进行特征点提取，并利用M-SURF描述子对特征点进行
描述。

KAZE算法的运行速度相对较快，所提取的特征点稳定性好，即使影像发生一定的变形，对特征点的影响也不大。

本次实验选取SIFT、ORB及KAZE算法对影像进行特征点提取与匹配，从提取速度及匹配率上定量地分析算法性能。

每幅影像提取的特征点数控制在4 000左右，基于Microsoft Visual Studio 2015实验平台，opencv3.1编程环境。

图1是3种算法在影像上的特征点检测图，表1是特征点检测算法实验对比结果，表2是特征点匹配实验对比结果。

由以上实验数据可知，ORB算法无论是在特征点检测还是匹配上，运行速度都很快，可以达到实时应用的效果。

但是，在特征点数量相等的情况下进行匹配时，它的匹配效果在3个算法中是最差的，仅有548个匹配对，匹配率为13.07%。

SIFT与KAZE算法虽然在速度上不及ORB算法，但是匹配效果更优于ORB，在
相同的特征点数量下，SIFT算法的匹配率为28.87%，KAZE算法的匹配率为
39.00%。

在实验中SIFT算法在特征点检测上耗时4.683秒， KAZE在特征点检
测上所花费的时间大约是SIFT的2倍。

这是因为KAZE利用AOS算法建立非线
性尺度空间，计算量很大，因此很耗时。

在对影像进行特征点匹配时，SIFT与KAZE算法所用的时间相差不大。

通过以上实验，可以看出在SIFT、ORB及KAZE算法中，SIFT算法的综合性能更稳定。

在对影像进行特征点提取与匹配时，虽然ORB算法的运行速度很快，但它的匹配精度低，不适用于影像匹配。

在相同特征点数目条件下，KAZE算法的影像匹配率优于SIFT算法，但KAZE算法在建立非线性尺度空间时，计算量太大，很耗时。

因此，综合考虑特征点提取时间及影像匹配率，SIFT算法更加适用于影像的提取与匹配。

【相关文献】
[1] Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.
[2] Bay H,Tuytelaars T,Van Gool L,et al.SURF:Speeded up robust features[J].European Conference on Computer Vision,2006:404-417.
[3] Rublee E,Rabaud V,Konolige K,et al.ORB:An efficient alternative to SIFT or
SURF[J].International Conference on Computer Vision,2011,58(11):2564-2571.
[4] Alcantarilla P F,Bartoli A,Dasison A J.KAZE features[J].Lecture Notes in Computer Science,2012,7577(1):214-227.
[5] Rosten E,Drummond T.Machine learning for high-speed corner detection[J].European Conference on Computer Vision,2006,3951:430-443.
[6] Calonder M,Lepetit V,Strecha C,et al.BRIEF:Binary robust independent elementary features[J].European Conference on Computer Vision,2010,6314:778-792.
[7] Rosin P L.Measuring Corner Properties[J].Computer Vision and Image Understanding,1999,73(2):291-307.。