廖泓真，王亮，孙宏伟，刘云清，*

(1.长春理工大学 电子信息工程学院，长春 130022；2.北京信息技术研究所，北京 100094）

特征匹配是三维重建、目标跟踪、SLAM、机器人环境识别和图像拼接等应用中的重要技术［1］，如何提高特征匹配的准确率和鲁棒性一直受到很多研究者的关注。

特征匹配的主要过程是在2幅图像中提取特征点，并对特征点进行描述，通过比较特征点之间相似度判断是否匹配［2］。常用的图像特征提取方法包括SIFT［3］、SURF［4］、ORB［5］、LIET［6］、Key.Net［7］、RF-NET［8］等。Lowe［3］提出的SIFT特征具有尺度、旋转和光照等的不变性，但计算时间长［9］。Bay等［4］改进了SIFT特征，提出了SURF特征，提高了特征提取的速度［10］。FAST角点能够快速确定特征点的位置［11］，但不具有方向信息［12］。Calonder等［13］提出了对特征点周围图像区域进行描述的BRIEF描述子。Rublee等［5］改进FAST角点和BRIEF描述子，提出了ORB特征，其能够有效替代SIFT和SURF［14］。ORB适当降低了精度，但提取速度比SIFT、SURF快，是不同类型特征点中性能与质量的较好折中［15］。

上述方法的主要思想是改进特征点的提取方式或改进描述子使特征点更具独特性。改进特征点的方法虽然可以改善特征匹配，但无法有效剔除误匹配。此外，Muja和Lowe［16-17］通过建立kdtree和k-means tree的方法加快了特征匹配速度，但仍无法有效剔除误匹配。

RANSAC(Random Sample Consensus）算法可以剔除误匹配，但当误匹配较多时，效果会下降［18-20］。Bian等［20］提出运动网格统计算法(Grid-based Motion Statistics，GMS），通过统计匹配点邻域内的支持度剔除误匹配。但在图像模糊等条件下，匹配准确率下降［2，21］。本文提出了一种改进的ORB特征匹配算法。首先，分散化提取ORB特征点，使提取的特征点更具代表性［22］。……