《表1 常用算法比较：增强现实中三维跟踪注册技术概述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《增强现实中三维跟踪注册技术概述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在基于自然特征的跟踪注册技术中，特征点的提取与匹配是实现稳定跟踪注册的关键。特征点检测与特征匹配方法主要有SIFT（Scale-Invariant Feature Transform）[21]、FAST（Features from Accelerated Segment Test）[22]、SURF（Speed-Up Robust Features）[23]、BRIEF（Binary Robust Independent Elementary Features）[24]、ORB（Oriented FAST and Rotated BRIEF）[25]等。SIFT算法又称为尺度不变特征检测法，该算法在空间和变尺度上均具有较高的定位精度，但由于其巨大的特征计算量而使得特征点提取比较耗时，所以SIFT算法适用于匹配精准且不考虑速度的场合。SURF算法相对于SIFT算法而言特征点检测速度大幅提升，即SURF算法多应用于实时视频流图像的匹配。FAST（加速分割测试获得特征）算法专门用于快速检测特征点，因此适用于优先考虑速度的场合。BRIEF算法的速度较快，但对于噪声敏感且不具备尺度不变性。ORB算法是BRIEF算法的改进版，相较于SIFT算法与SURF算法的速度更快，综合性能较好，但仍没有解决尺度不变性问题。各算法性能如表1所示。