Page 117 - 《武汉大学学报（信息科学版）》2025年第10期

2052 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

ORB-SLAM3 中的角点特征提取算法进行对比 次左右。特征点检测结果见图 3，从定性对比结
实验。定性对比实验中图像特征点数量设置为 果中不难看出，本文构建的自适应角点特征检测算
1 000，角点特征检测最低阈值为 9，图像金字塔层 法 相 比 ORB-SLAM3 算 法 中 的 角 点 特 征 提 取 结
数设置为 8 层。实验中常规纹理下算法提取仅需 果，在室内低/弱纹理、常规纹理以及光照不足的图
循环迭代 3 次左右，低纹理场景下需循环迭代 10 像上呈现相对较好且稳健的角点特征提取结果。

图 3 不同场景下两种角点特征提取算法定性对比结果
Fig. 3 Qualitative Comparison Results of Two Corner Features Extraction Algorithms in Several Scenarios
图 4 展 示 了 本 文 自 适 应 角 点 特 征 提 取 和 多，并借助 Kd-tree 实现了特征点在图像中的均匀

ORB-SLAM3 的角点特征提取结果的特征匹配 分布。相比 ORB-SLAM3，更丰富的特征点有助
阶段的定性定量实验结果。这两种方法都基于 于提高潜在匹配对的数量。根据图 4 中的实验对
角点特征描述子完成匹配。从特征点数量和整 比结果，基于自适应角点特征算法的匹配结果比
体 分 布 来 看 ，本 文 方 法 提 取 的 角 点 特 征 数 量 更 ORB-SLAM3 中的角点特征匹配结果能得到更

图 4 两种角点特征提取算法匹配结果定性对比
Fig. 4 Qualitative Comparison Matching Results of Two Corner Feature Extraction Algorithms