文章全稱是《Comparing ORB and AKAZE for visual odometry of unmanned aerial vehicles》。這是一篇來自巴西的文章，沒有在百度文庫中找到，是在其他博客中給出的鏈接得到的。從鏈接的URL可以看出這是一篇來自會議CCIS云計算與智能系統(tǒng)國際會議的文章。

文章將特征點檢測和匹配的方法應用在了無人控制飛行器Unmanned Aerial Vehicles(UAV)，也就是無人機drone上。無人控制，就必須知道飛行器的實時位置，我們當然可以使用GPS，但是GPS也有一些缺點，比如一些極端天氣下GPS信號被干擾，而考慮到飛行器上安裝了越來越多的傳感器如攝像頭，所以可使用計算機視覺的方法來實現(xiàn)。

利用捕捉到的圖像計算UVA的displacement，估計UAV的飛行位置的方法就叫做visual odometry。文章中作者主要比較了ORB算法和AKAZE算法。結(jié)論是AKAZE在實時性的表現(xiàn)和準確度之間可以取得更好的平衡。

UAV需要捕獲連續(xù)的圖像幀，幀之間有足夠多的重疊場景，這樣才能通過圖像之間的變化來估計變化。下圖是UAV捕捉到的場景連續(xù)的圖像。可以看到兩幅圖像之間主要是視角發(fā)生了變化，或者是飛行器姿態(tài)發(fā)生了變化。

在特征點的檢測步驟，ORB使用改進的FAST算法檢測特征點，改進后可以實現(xiàn)對于旋轉(zhuǎn)的不變性。AKAZE相比于KAZE，在構建非線性金字塔中使用了Fast Explicit Diffusion(FED)來加速。在特征點的描述中，ORB基于BRIEF方法，這種方法在圖像的平滑版本中的特征點周圍建立二進制的數(shù)據(jù)集binary tests。但是BRIEF分缺陷是對平面旋轉(zhuǎn)in-plane rotation沒有魯棒性，ORB使用學習方法learning method找到相關性更小的二進制對，并選擇了其中性能好的子集，使得最近鄰匹配中可以得到很好的效果。AKAZE的描述子是基于(LDB)Local Difference Binary.改進得到了M-LDB，挖掘出了梯度和密度的信息(exploits gradient and intensity information),改進的版本由方格的下采樣構成(consists of subsampling the grid)，而不是使用子方格中所有像素的均值。描述子生成的步驟是特征點的尺度的函數(shù)，所以采樣時的尺度獨立保證了描述子是尺度不變的。This is performed in steps that are a function of the scales of the feature, so that the scale-dependent sampling makes the descriptor robust to changes in scale.在特征點匹配中，可以使用相似性或者距離來比較兩個特征點，ORB和AKAZE均使用的是二進制的描述子，所以他們都使用了漢明距離來進行高效的匹配。

實驗圖像來自兩個不同的數(shù)據(jù)集。一個含1098個7360x4912的圖像，攝像頭是SONY ILCE-7R，焦距45mm，安裝在固定翼飛行器上，飛行高度平均360m，飛行區(qū)域是鄉(xiāng)村區(qū)域。第二個數(shù)據(jù)集由4000x3000的148幅圖像構成。圖像來自Canon PowerShot S110攝像頭，焦距長度5.2mm，安裝在四軸飛行器上，平均飛行高度是28m，飛行區(qū)域在市區(qū)標志性建筑附近。遺憾的是文章沒有給出數(shù)據(jù)集的鏈接。

上圖是第一個的鄉(xiāng)村圖像數(shù)據(jù)集的例子。之前含汽車的圖像是是城市數(shù)據(jù)集的圖像。

檢測和匹配的特征對算法表現(xiàn)有直接的影響。在作者的實驗中，將圖像大小縮放為736x491和640x480大小，從而便于實時處理。

表1表2表示了兩種算法分別在兩種數(shù)據(jù)集下的特征點匹配數(shù)和運行時間的情況。運行時間是在使得兩種算法檢測得到的特征點數(shù)目相等下進行測量的。可以看到，ORB的速度約是AKAZE的3倍。

特征點的匹配過程中會有錯誤匹配對，文章使用了RANSAC方法進行特征點匹配對的提純。RANSAC通過迭代，可以將樣本點分為內(nèi)點和外點兩部分，內(nèi)點用來回歸分析，外點則認為是一些畸變點。

表3和表4是在兩個數(shù)據(jù)集下兩種算法的內(nèi)點占比情況。AKAZE的正確匹配對比重的均值average ratio of correct matching(their accuracy)更高。

圖3是使用所有特征點和僅僅使用內(nèi)點進行配對的情況。可以看到在b中特征點更少，匹配情況更準確。B中的綠色框是左圖以擬合得到的矩陣變換得到的。

結(jié)論

ORB比AKAZE要快，并且AKAZE的運行時間隨著圖像分辨率的增加快速增加，然而，在剔除外點之后，AKAZE有更多的正確匹配對。對于分辨率為640x480的低分辨率圖像，AKAZE在速度和結(jié)果表現(xiàn)之間取得了一個更好的平衡。這篇文章的實驗圖像來自UAV搭載的攝像頭，作者接下來的工作是在真實visual adometry應用中驗證兩種算法在估計UAV位置中的準確性。

總結(jié)

以上是生活随笔為你收集整理的comparing ORB and AKAZE的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。