图像预处理方法及特征点提取技术介绍

图像的预处理过程是整个VSLAM算法的基础，经过预处理可以将图像信息转换为特征点信息。如图3所示，预处理过程包括三个阶段：特征点的检测识别过程，解决的是特征点在哪儿的问题；特征点的描述表达过程，解决的是特征点什么样的问题；特征点的分类匹配过程，解决的是特征点属于哪儿的问题。

图3　图像预处理过程

目前，提取和描述图像特征点方法多种多样，最具代表性的是以下几种：

（1）SIFT特征点检测与描述［13］。SIFT特征点检测与描述方法（scale invariant feature transform）由Lowe提出，通过检测图像尺度空间的极值确定特征点的位置，把特征点周围16个梯度方向直方图离散化为128维浮点矢量作为描述符。

（2）SURF特征点检测与描述［14］。SURF特征点检测与描述方法（speeded up robust feature）由Bay提出，通过计算像素的Hessian矩阵确定特征点位置，把特征点在横向和纵向的Harr小波响应构成的64维浮点矢量作为描述符。

（3）FAST特征点检测［15］。FAST特征点检测方法（feature from accelerated segment test）由Rosten提出，通过比较像素点与圆圈邻域内像素点灰度值的大小判断是否为特征点。此过程简单易于实现，并且具有较高的效率。(www.xing528.com)

（4）BRIEF特征点描述［16］。BRIEF特征点描述方法（binary robust independent elementary features）是由Calonder提出，在特征点邻域内依据正态分布选择像素点对，通过比较像素点对的灰度值大小产生二进制矢量来描述特征点。此方法描述特征点具有较高的效率和鲁棒性，并且易于实现。

（5）FREAK特征点描述［17］。FREAK特征点描述方法（fast retina keypoint）由Alahi提出，与BRIEF特征点描述方法类似，也是通过二进制矢量表示，区别在于比较用的像素点对的选取方法不同，FREAK是基于人眼视网膜特性选择像素点对，越接近特征点采样点越密集。

（6）ORB特征点检测与描述［18］。ORB特征点检测与描述方法（Oriented FAST and rotated BRIEF）是由Rublee提出，是具有方向信息的FAST特征点检测方法和旋转的BRIEF描述方法的组合，由于结合了两者的优点，因此ORB特征点是满足VSLAM要求的较为理想的选择。

对于特征点分类匹配的方法，目前比较流行的有两种：基于概率的FAB-MAP［19］和二进制词袋技术（DBoW2）［20-23］。由于FAB-MAP技术在VSLAM长时间处于相似环境中时鲁棒性会下降，因此DBoW2技术成为更为理想的选择。DBoW2技术对特征点二进制描述空间进行分类，建立词汇表，通过查找词汇表得到图像特征点的顺序索引表和逆序索引表，把两个索引表用于图像匹配和闭环检测，大大提高了算法的效率。