赵 辉， 于春梅,2

(1.西南科技大学 信息工程学院，四川 绵阳 621010；2.特殊环境机器人技术四川省重点实验室， 四川 绵阳 621000)

0 引 言

特征点匹配在机器人领域中有着广泛的应用[1,2]，其中,ORB算法的效率，是SIFT和SURF的10倍以上。ORB算法结合了FAST特征点检测与BRIEF特征描述子，并在此基础上作出了改进，具有了旋转与尺度不变的特性[3～6]。但特征点在匹配过程中不可避免地存在着误匹配[7]。对此，人们提出了很多相关的误匹配点剔除算法。文献[8]结合ORB与SURF算法，提取了SURF-ORB特征点，并对图像进行分块处理，然后通过Hamming距离进行初步剔除，再结合顺序采样一致性[9](progressive sample consensus,PROSAC)算法进一步剔除；该算法具有一定的准确性及实时性，但是在Hamming初剔除阶段，没有通过实验设计选取最优阈值，因此后续阶段的处理未能得到最优点对。文献[10]采用K最近邻算法，对前后2帧特征点进行双向匹配，再通过PROSAC算法进一步提纯，该算法具有较高的精度且具有一定的实时性，但是算法未能运用在复杂场景下，对光照变化以及噪声影响下未做相应分析，有一定的不足。文献[11]虽然在算法中融入了特征点周围的灰度信息，但是也仅仅涉及了特征点周围区域的灰度整体信息，如方差、均值等。特征点周围的局部区域相对较为稳定，是可以充分利用的信息。

本文在ORB特征的基础上，针对匹配过程中存在的大量误匹配点对[12]以及上述文献中的不足，提出一种新的特征点误匹配剔除算法并做了补充实验，相较于传统的随机采样一致性[13](random sample consensus,RANSAC)算法，提高了图像特征点匹配的准确性。……