SURF特征点与SIFT特征点一样具有尺度不变性，但它有更好的实时性能。
关于SIFT特征点算法，博主 xiaowei_cqu 曾写过系列文章 “【OpenCV】SIFT原理与源码分析”，对SIFT的原理及其在opencv中的源码实现做了详尽解释，我没有完整看过这个系列但也从中受到不少启发（主要是算法原理方面），后来自己也从头过了一遍SIFT的源码，才算是对SIFT的整个流程和一些细节有了清晰的认识。此外博主 zddhub 也写过一篇“极好的”介绍SIFT原理的文章“SIFT算法详解”，几乎涉及到了每一个细节，我自己研究源码时也是更多地参考了这篇文章。
博主 xiaowei_cqu 的 “【OpenCV】SIFT原理与源码分析” ： http://blog.csdn.net/xiaowei_cqu/article/details/8069548
博主 zddhub 的“SIFT算法详解”： http://blog.csdn.net/zddblog/article/details/7521424
我自己也写过一篇SIFT的源码分析，不过主要是留给自己看的，注释有些混乱，未好好整理。
有了SIFT算法的基础，理解SURF算法就比较容易了。博主 PeOS 有一篇博文“SURF算法解析”，简述了SURF算法的几个关键步骤的原理，并贴出了一部分openSURF的实现源码。这篇文章在这里： http://blog.csdn.net/cxp2205455256/article/details/41311013
但只读这篇文章，很多细节可能还是不了解，深入源码才能搞透每一个环节。本文就对 OpenCV 中SURF算法的源码进行了分析，基本覆盖了所有主要环节。
注意，“OpenCV 中的SURF” ≠ “openSURF”。
OpenCV中的SURF类
opencv中SURF被实现为一个类，包含的几个主要成员变量如下：
hessianThreshold 是特征点的判别门限
nOctaves 是图像金字塔的组数
nOctaveLayers 图像金字塔每个组内有多少层
extended为true时，特征向量是128维；否则特征向量是64维
upright为true时，所有特征点的主方向都被认为是 -90°；否则特征点的主方向通过计算得出
class CV_EXPORTS_W SURF : public Feature2D
{
public:
...
...
CV_PROP_RW double hessianThreshold;
CV_PROP_RW int nOctaves;
CV_PROP_RW int nOctaveLayers;
CV_PROP_RW bool extended;
CV_PROP_RW bool upright;
explicit CV_WRAP SURF(double hessianThreshold,
int nOctaves=4, int nOctaveLayers=2,
bool extended=true, bool upright=false);
...
protected:
...
};
通过重载SURF类的 "()" 运算符，来实现具体的SURF操作，包括SURF特征点检测和特征点描述符的计算。
void SURF::operator()(InputArray _img, InputArray _mask,
CV_OUT vector<KeyPoint>& keypoints,
OutputArray _descriptors,
bool useProvidedKeypoints) const
{
Mat img = _img.getMat(), mask = _mask.getMat(), mask1, sum, msum;
bool doDescriptors = _descriptors.needed();
CV_Assert(!img.empty() && img.depth() == CV_8U);
if( img.channels() > 1 )
cvtColor(img, img, COLOR_BGR2GRAY);
CV_Assert(mask.empty() || (mask.type() == CV_8U && mask.size() == img.size()));
CV_Assert(hessianThreshold >= 0);
CV_Assert(nOctaves > 0);
CV_Assert(nOctaveLayers > 0);
integral(img, sum, CV_32S);
先作一些输入合法性检查**注意输入的图像img只支持BGR 8位图像和单通道8位图像**，然后计算积分图像（存入 sum 中）。
// Compute keypoints only if we are not asked for evaluating the descriptors are some given locations:
if( !useProvidedKeypoints )
{
if( !mask.empty() )
{
cv::min(mask, 1, mask1);
integral(mask1, msum, CV_32S);
}
fastHessianDetector( sum, msum, keypoints, nOctaves, nOctaveLayers, (float)hessianThreshold );
}
如果没有指定特征点，则用fastHessianDetector()来检测特征点。如果指定了mask掩码图像，则首先将掩码图像二值化成(0,1)存入mask1，再计算mask1的积分图像msum，fastHessianDetector()函数中会用到msum。（需要使用msum的具体位置是在SURFFindInvoker::findMaximaInLayer()中，来屏蔽某些位置的特征点）
int i, j, N = (int)keypoints.size();
if( N > 0 )
{
Mat descriptors;
bool _1d = false;
int dcols = extended ? 128 : 64;
size_t dsize = dcols*sizeof(float);
dcols代表每个特征向量有多少维，dsize代表存储每个特征向量需要多少字节的空间。
还有一个bool型变量 _1d，它指明了输出的描述符数组是否是单列的：如果 _1d 为true，说明输出的描述数组是个 1 维单列数组(每行一个元素)，每dcols行个元素构成一个特征向量；如果 _1d 为true，说明输出的描述符数组是个 2 维数组，每行有 dcols列，每行代表一个特征向量。
if( doDescriptors )
{
_1d = _descriptors.kind() == _InputArray::STD_VECTOR && _descriptors.type() == CV_32F;
if( _1d )
{
_descriptors.create(N*dcols, 1, CV_32F);
descriptors = _descriptors.getMat().reshape(1, N);
}
else
{
_descriptors.create(N, dcols, CV_32F);
descriptors = _descriptors.getMat();
}
}
如果需要计算特征点的描述符，则创建一个 N 行、dcols列 的矩阵descriptors，用于存储描述符数组。
// we call SURFInvoker in any case, even if we do not need descriptors,
// since it computes orientation of each feature.
parallel_for_(Range(0, N), SURFInvoker(img, sum, keypoints, descriptors, extended, upright) );
无论是否需要计算描述符，都应调用SURFInvoker，因为他可以计算出特征点的主方向。
这里打断一下，前面出现了一个函数 parallel_for_()，它是什么作用呢？
如果有多组数据需要进行相似的操作，且这些操作互不影响，则这些数据可以被并行处理，在多核处理器上这可以大大增加算法的执行速度。而函数parallel_for_()的作用就是对某个区间中的多组数据进行某种相同的操作，且最大可能地将这些操作并行。它的原型为：
CV_EXPORTS void parallel_for_(const Range& range, const ParallelLoopBody& body, double nstripes=-1.);
第一个参数range代表数据的区间；第二个参数类型ParallelLoopBody，它是一个抽象接口类，封装了某种"操作"，定义如下，（只重载了一个 () 操作符，且参数为 Range）
class CV_EXPORTS ParallelLoopBody
{
public:
virtual ~ParallelLoopBody();
virtual void operator() (const Range& range) const = 0;
};
对于不存在多线程机制的情况下，parallel_for_( range, body ) 等价于直接调用 body(range) .
而上面出现的 SURFInvoker 则是 ParallelLoopBody 的一个派生类。因此仅从功能上来看的话，上面那行代码的作用相当于：
SURFInvoker(img, sum, keypoints, descriptors, extended, upright).(Range(0, N)) ;
不过这样写就不能利用并行特性，运算速度会降低。
SURFInvoker主要用于提取特征点的主方向、描述符等信息。
下面继续回到 SURF::operator() 函数中，接之前的代码。
// remove keypoints that were marked for deletion
for( i = j = 0; i < N; i++ )
{
if( keypoints[i].size > 0 )
{
if( i > j )
{
keypoints[j] = keypoints[i];
if( doDescriptors )
memcpy( descriptors.ptr(j), descriptors.ptr(i), dsize);
}
j++;
}
}
if( N > j )
{
N = j;
keypoints.resize(N);
if( doDescriptors )
{
Mat d = descriptors.rowRange(0, N);
if( _1d )
d = d.reshape(1, N*dcols);
d.copyTo(_descriptors);
}
}
做一些收尾工作： 删掉所有 size <= 0 的特征点（特征点的 size<=0 表示该特征点被标记为待删除），并更新特征点的数量，对输出描述符数组的维数进行转换等。
}
}
SRUF特征点的检测： fastHessianDetector()
SURF特征点检测。先求每一层图像的Hessian行列式（迹），再在尺度空间中寻找极值点作为特征点。
static void fastHessianDetector( const Mat& sum, const Mat& mask_sum, vector<KeyPoint>& keypoints,
int nOctaves, int nOctaveLayers, float hessianThreshold )
{
/* Sampling step along image x and y axes at first octave. This is doubled
for each additional octave. WARNING: Increasing this improves speed,
however keypoint extraction becomes unreliable. */
const int SAMPLE_STEP0 = 1;
int nTotalLayers = (nOctaveLayers+2)*nOctaves;
int nMiddleLayers = nOctaveLayers*nOctaves;
每个Octave中的图像层数应比指定的nOctaveLayers多2层，因为在尺度空间寻找极值点时，每个Octave需要额外的两层。
nTotalLayers代表所有层的数量，包括额外层；
nMiddleLayers代表所有“中间层”的数量，即不包含额外层；
vector<Mat> dets(nTotalLayers);
vector<Mat> traces(nTotalLayers);
vector<int> sizes(nTotalLayers);
vector<int> sampleSteps(nTotalLayers);
vector<int> middleIndices(nMiddleLayers);
定义了一系列vector：
dets : 记录每层图像的 Hessian 行列式；
traces : 记录每层图像的 Hessian 迹；SIFT特征点算法中为了抑制边缘区域的响应所以需要计算Hessian 迹，但SURF特征点算法本身就不会对边缘区域有响应，为什么还需要计算迹？只是为了通过迹的符号（正负）来判断特征点的凹凸特性，具体参见后面SURFFindInvoker::findMaximaInLayer()函数中的相关注释。
sizes: 记录每层图像的方框size
sampleSteps: 记录每层图像的采样间隔
middleIndices: 记录所有中间层图像的全局层索引，通过这个数组可以知道第 k 个中间层对应的全局层号是多少。注意前四个vector的size都是 nTotalLayers，只有这个vector的size是nMiddleLayers。
keypoints.clear();
// Allocate space and calculate properties of each layer
int index = 0, middleIndex = 0, step = SAMPLE_STEP0;
for( int octave = 0; octave < nOctaves; octave++ )
{
for( int layer = 0; layer < nOctaveLayers+2; layer++ )
{
/* The integral image sum is one pixel bigger than the source image*/
dets[index].create( (sum.rows-1)/step, (sum.cols-1)/step, CV_32F );
traces[index].create( (sum.rows-1)/step, (sum.cols-1)/step, CV_32F );
sizes[index] = (SURF_HAAR_SIZE0 + SURF_HAAR_SIZE_INC*layer) << octave;
sampleSteps[index] = step;
if( 0 < layer && layer <= nOctaveLayers )
middleIndices[middleIndex++] = index;
index++;
}
step *= 2;
}
为dets和traces分配空间，并初始化 sizes、sampleSteps 和 middleIndices 。
上面的step 被初始化为 SAMPLE_STEP0，后者被定义为1。且step在每次octave循环后会乘以2， "step *= 2"，因此第octave组中的各层图像的采样间隔都是2^(octave)；
SURF_HAAR_SIZE0被定义为9，代表最底层图像的方框尺寸（对应尺度1.2）；SURF_HAAR_SIZE_INC被定义为6，代表第0组图像中相邻两层图像的方框尺寸差，而第octave组图像中相邻两层图像的方框尺寸差则为 6*2^(octave)，因此，第octave组第layer层的图像的方框尺寸size=(9+6*layer)*2^(octave)。
middleIndices记录了所有中间层的全局层索引
// Calculate hessian determinant and trace samples in each layer
parallel_for_( Range(0, nTotalLayers),
SURFBuildInvoker(sum, sizes, sampleSteps, dets, traces) );
利用SURFBuildInvoker为每一层图像计算行列式和迹。注意这个操作的Range是从0到nTotalLayers。
// Find maxima in the determinant of the hessian
parallel_for_( Range(0, nMiddleLayers),
SURFFindInvoker(sum, mask_sum, dets, traces, sizes,
sampleSteps, middleIndices, keypoints,
nOctaveLayers, hessianThreshold) );
利用SURFFindInvoker寻找极值。注意这个操作的Range是从0到nMiddleLayers，只在中间层中寻找极值。
std::sort(keypoints.begin(), keypoints.end(), KeypointGreater());
排序
}
到这里，只剩下3个具体的操作需要研究了，这三个操作也都被实现成了三个类，他们分别是：
SURFBuildInvoker，用于计算每一层图像的hessian行列式和迹
SURFFindInvoker，用于在尺度空间寻找极值点（特征点）
SURFInvoker，用于计算特征点的主方向和描述符
下面分别介绍。从SURFInvoker（特征点描述符的计算）开始，这个最麻烦。另外两个操作都比较简单。
SURFInvoker： 特征点主方向和描述符的计算
SURFInvoker类的定义如下。我们主要关心它的构造函数和重载的()运算符。SURFInvoker 是代码最繁琐的类。
struct SURFInvoker : ParallelLoopBody
{
enum { ORI_RADIUS = 6, ORI_WIN = 60, PATCH_SZ = 20 };
这里首先定义了几个在SURF算法中需要使用的一些常量参数，它们被定义为枚举变量。
先解释一下这些枚举变量的含义：
ORI_RADIUS : 计算关键点的主方向时，邻域（圆形）区域的半径。被定义为6，且单位是关键点的尺度
ORI_WIN : 计算关键点的主方向时，扇形窗的夹角。被定义为60°
PATCH_SZ : 计算关键点的描述符时，邻域（方形）区域的直径。被定义为20，且单位是关键点的尺度
// Parameters
const Mat* img;
const Mat* sum;
vector<KeyPoint>* keypoints;
Mat* descriptors;
bool extended;
bool upright;
// Pre-calculated values
int nOriSamples;
vector<Point> apt;
vector<float> aptw;
vector<float> DW;
这里列出的是 SURFInvoker 的成员变量。可分为两部分，一部分是传入的参数，另一部分是一些需要预先计算出来的变量或数组。
nOriSamples ： 用于计算关键点主方向的邻域采样点数量。当关键点尺度 σ 较大时，位于邻域内的样点有很多，但只有坐标偏移是整数倍 σ 的样点才被用于计算主方向。因此不用担心计算量随 σ 增加而增加。为叙述方便，后面将“邻域内坐标偏移是整数倍 σ 的样点”称为“邻域网格样点”。
apt ： 存储了用于计算关键点主方向的所有邻域网格样点的坐标偏移，单位 σ 。
aptw： 存储了用于计算关键点主方向的所有邻域网格样点的权重。高斯SIGMA = 2.5
DW: 存储了用于计算关键点描述符的邻域采样点的权重。高斯SIGMA = 3.3
SURFInvoker的构造函数。它主要初始化了自己所用到的参数。包括需要预先计算的变量和数组，即nOriSamples、apt、aptw 和 DW。
SURFInvoker( const Mat& _img, const Mat& _sum,
vector<KeyPoint>& _keypoints, Mat& _descriptors,
bool _extended, bool _upright )
{
keypoints = &_keypoints;
descriptors = &_descriptors;
img = &_img;
sum = &_sum;
extended = _extended;
upright = _upright;
// Simple bound for number of grid points in circle of radius ORI_RADIUS
const int nOriSampleBound = (2*ORI_RADIUS+1)*(2*ORI_RADIUS+1);
// Allocate arrays
apt.resize(nOriSampleBound);
aptw.resize(nOriSampleBound);
DW.resize(PATCH_SZ*PATCH_SZ);
/* Coordinates and weights of samples used to calculate orientation */
Mat G_ori = getGaussianKernel( 2*ORI_RADIUS+1, SURF_ORI_SIGMA, CV_32F );
nOriSamples = 0;
for( int i = -ORI_RADIUS; i <= ORI_RADIUS; i++ )
{
for( int j = -ORI_RADIUS; j <= ORI_RADIUS; j++ )
{
if( i*i + j*j <= ORI_RADIUS*ORI_RADIUS )
{
apt[nOriSamples] = cvPoint(i,j);
aptw[nOriSamples++] = G_ori.at<float>(i+ORI_RADIUS,0) * G_ori.at<float>(j+ORI_RADIUS,0);
}
}
}
CV_Assert( nOriSamples <= nOriSampleBound );
/* Gaussian used to weight descriptor samples */
Mat G_desc = getGaussianKernel( PATCH_SZ, SURF_DESC_SIGMA, CV_32F );
for( int i = 0; i < PATCH_SZ; i++ )
{
for( int j = 0; j < PATCH_SZ; j++ )
DW[i*PATCH_SZ+j] = G_desc.at<float>(i,0) * G_desc.at<float>(j,0);
}
}
重载的()运算符实现特征点主方向和描述符的计算。
void operator()(const Range& range) const
{
/* X and Y gradient wavelet data */
const int NX=2, NY=2;
const int dx_s[NX][5] = {{0, 0, 2, 4, -1}, {2, 0, 4, 4, 1}};
const int dy_s[NY][5] = {{0, 0, 4, 2, 1}, {0, 2, 4, 4, -1}};
dx_s和dy_s用于生成计算X和Y方向Haar特征时需要的特征矩形。参见后面介绍的SurfHF结构体
// Optimisation is better using nOriSampleBound than nOriSamples for
// array lengths. Maybe because it is a constant known at compile time
const int nOriSampleBound =(2*ORI_RADIUS+1)*(2*ORI_RADIUS+1);
float X[nOriSampleBound], Y[nOriSampleBound], angle[nOriSampleBound];
uchar PATCH[PATCH_SZ+1][PATCH_SZ+1];
float DX[PATCH_SZ][PATCH_SZ], DY[PATCH_SZ][PATCH_SZ];
CvMat matX = cvMat(1, nOriSampleBound, CV_32F, X);
CvMat matY = cvMat(1, nOriSampleBound, CV_32F, Y);
CvMat _angle = cvMat(1, nOriSampleBound, CV_32F, angle);
Mat _patch(PATCH_SZ+1, PATCH_SZ+1, CV_8U, PATCH);
matX、matY、_angle三个矩阵分别是所有邻域网格样点的X小波、Y小波和方向。
_patch是计算关键点描述符时，用到的矩阵
int dsize = extended ? 128 : 64;
int k, k1 = range.start, k2 = range.end;
float maxSize = 0;
for( k = k1; k < k2; k++ )
{
maxSize = std::max(maxSize, (*keypoints)[k].size);
}
int imaxSize = std::max(cvCeil((PATCH_SZ+1)*maxSize*1.2f/9.0f), 1);
Ptr<CvMat> winbuf = cvCreateMat( 1, imaxSize*imaxSize, CV_8U );
[k1,k2)是需要被计算的关键点的索引区间，即只有第 k1到第(k2-1) 之间的关键点需要被计算。
这里先计算出了在所有需要被计算的关键点中最大的size，然后反推出了其尺度 σ :
σ = size / 9 * 1.2
这个公式的依据是，size 为 9 的关键点对应的尺度 σ 是0.9，因此按照这个比例关系可求出其他size对应的尺度。
然后，构造了一个矩阵winbuf，它是一个 imaxSize*imaxSize 的矩阵，其中 imaxSize = (PATCH_SZ+1) * σ 。
显然这个矩阵是用来计算描述符的。
下面开始循环计算每个关键点的主方向和描述符。
for( k = k1; k < k2; k++ )
{
int i, j, kk, nangle;
float* vec;
SurfHF dx_t[NX], dy_t[NY];
SurfHF的定义如下：
struct SurfHF
{
int p0, p1, p2, p3;
float w;
SurfHF(): p0(0), p1(0), p2(0), p3(0), w(0) {}
};
利用积分图像计算Haar特征时，使用这个结构体可以方便地描述一个矩形区域，再结合积分图像就能很方便地求出这个矩形区域得像素和。X-haar特征等于左半边矩形减去右半边矩形，这两个矩形分别被两个SurfHF结构体表示，且其中一个具有正的权重w，另一个具有负的权重。
p0、p1、p2、p3 分别对应矩形区域的 左上角、右上角、左下角、右下角，权重 w 等于矩形区域面积(包含像素点数量)的倒数，w的正负号取决于这个矩形是白的还是黑的。
每个Haar特征的计算都需要两个SurfHF结构，所以NX、NY都是2。其中 dx_t用于计算X方向的Haar特征，dy_t用于计算Y方向的Haar特征
利用积分图像求一个矩形区域的像素和时，可利用如下等式：
矩形内像素和 = 左上角积分 + 右下角积分 - 左下角积分 - 右上角积分
KeyPoint& kp = (*keypoints)[k];
float size = kp.size;
Point2f center = kp.pt;
/* The sampling intervals and wavelet sized for selecting an orientation
and building the keypoint descriptor are defined relative to 's' */
float s = size*1.2f/9.0f;
这里的 s 就是上面提到的 σ ，代表关键点的尺度:
σ = size / 9 * 1.2
/* To find the dominant orientation, the gradients in x and y are
sampled in a circle of radius 6s using wavelets of size 4s.
We ensure the gradient wavelet size is even to ensure the
wavelet pattern is balanced and symmetric around its center */
int grad_wav_size = 2*cvRound( 2*s );
if( sum->rows < grad_wav_size || sum->cols < grad_wav_size )
{
/* when grad_wav_size is too big,
* the sampling of gradient will be meaningless
* mark keypoint for deletion. */
kp.size = -1;
continue;
}
为了找到主方向，需要计算以关键点为中心、半径为6s（即6σ）的圆内的所有邻域网格样点的x、y方向的梯度小波，计算梯度小波所用的方框直径为grad_wav_size = 4s。
如果梯度小波的方框直径过大（比图像的尺寸还打），则认为该关键点为无效点，将其size设为-1，这样在SURF的后续处理中就会将其删掉。
float descriptor_dir = 360.f - 90.f;
if (upright == 0)
{
resizeHaarPattern( dx_s, dx_t, NX, 4, grad_wav_size, sum->cols );
resizeHaarPattern( dy_s, dy_t, NY, 4, grad_wav_size, sum->cols );
这里用两个resizeHaarPattern函数分别计算出了 dx_t[NX] 和 dy_t[NY]，这是计算Haar特征时需要用到的矩形 。其中NX、NY都是2。
resizeHaarPattern 用于Haar模板的变形： 例如我们有了某个尺度下 Haar模板的特征矩形，就可以利用这个函数得到在一个新的尺度下（放缩后的）Haar模板的特征矩形。
下面循环计算每个邻域网格样点对主方向的贡献
for( kk = 0, nangle = 0; kk < nOriSamples; kk++ )
{
int x = cvRound( center.x + apt[kk].x*s - (float)(grad_wav_size-1)/2 );
int y = cvRound( center.y + apt[kk].y*s - (float)(grad_wav_size-1)/2 );
计算以第 kk 个样点为中心的梯度小波窗的左上角“最近邻取整”后的坐标 (x,y) ，其中center是关键点的坐标，s是关键点的尺度
if( y < 0 || y >= sum->rows - grad_wav_size ||
x < 0 || x >= sum->cols - grad_wav_size )
continue;
如果梯度小波窗有一部分在图像的边界以外，则忽略该样点。
const int* ptr = &sum->at<int>(y, x);
float vx = calcHaarPattern( ptr, dx_t, 2 );
float vy = calcHaarPattern( ptr, dy_t, 2 );
X[nangle] = vx*aptw[kk];
Y[nangle] = vy*aptw[kk];
nangle++;
利用积分图像和 dx_t 、dy_t 计算出X、Y两个方向的Haar特征。
nangle记录了关键点周围的有效样点的数量，有效样点表示该样点的梯度小波窗整个都在图像的边界之内。
}
if( nangle == 0 )
{
// No gradient could be sampled because the keypoint is too
// near too one or more of the sides of the image. As we
// therefore cannot find a dominant direction, we skip this
// keypoint and mark it for later deletion from the sequence.
kp.size = -1;
continue;
}
如果nangle是0，说明关键点（及其邻域的样点）太靠近图像的边界，这时我们标记这个关键点（size设为-1），以便后期删除之。
matX.cols = matY.cols = _angle.cols = nangle;
cvCartToPolar( &matX, &matY, 0, &_angle, 1 );
根据梯度小波矩阵计算所有邻域网格样点的方向
float bestx = 0, besty = 0, descriptor_mod = 0;
for( i = 0; i < 360; i += SURF_ORI_SEARCH_INC )
{
计算60°的角度窗口内包含的所有样点的“组合梯度小波”：sumx和sumy，
float sumx = 0, sumy = 0, temp_mod;
for( j = 0; j < nangle; j++ )
{
int d = std::abs(cvRound(angle[j]) - i);
if( d < ORI_WIN/2 || d > 360-ORI_WIN/2 )
{
sumx += X[j];
sumy += Y[j];
}
}
temp_mod = sumx*sumx + sumy*sumy;
temp_mod代表关键点在当前角度方向上的响应，descriptor_mod代表关键点在其主方向附近的响应。在主方向附近，关键点的响应最大。下面的判断用于更新descriptor_mod以及bestx和besty： 响应越大的方向，越接近主方向。
if( temp_mod > descriptor_mod )
{
descriptor_mod = temp_mod;
bestx = sumx;
besty = sumy;
}
}
descriptor_dir = fastAtan2( -besty, bestx );
最后用bestx和besty计算主方向descriptor_dir。注意，关键点的主方向（角度）是按照笛卡尔坐标的习惯标定正负号，而笛卡尔坐标系与图像坐标系的y轴是相反的，因此上面计算atan2时用的是负的besty。
}
kp.angle = descriptor_dir;
将主方向descriptor_dir存储到kp.angle中。
if( !descriptors || !descriptors->data )
continue;
如果不需要计算描述符，则直接开始下一个关键点；否则，运行后面的代码来计算描述符
/* Extract a window of pixels around the keypoint of size 20s */
int win_size = (int)((PATCH_SZ+1)*s);
CV_Assert( winbuf->cols >= win_size*win_size );
Mat win(win_size, win_size, CV_8U, winbuf->data.ptr);
矩阵win是计算描述符用的窗口。这个矩形窗口是“斜”的，它的倾斜方向与关键点的主方向一致
矩阵win的size是 (PATCH_SZ+1)*s，为什么要加1？因为后面求Haar特征时使用的是 2s*2s 的窗，为了最后生成 PATCH_SZ*PATCH_SZ 即 20*20 个Haar特征，必须额外加1
if( !upright )
{
descriptor_dir *= (float)(CV_PI/180);
float sin_dir = -std::sin(descriptor_dir);
float cos_dir = std::cos(descriptor_dir);
/* Subpixel interpolation version (slower). Subpixel not required since
the pixels will all get averaged when we scale down to 20 pixels */
/*
float w[] = { cos_dir, sin_dir, center.x,
-sin_dir, cos_dir , center.y };
CvMat W = cvMat(2, 3, CV_32F, w);
cvGetQuadrangleSubPix( img, &win, &W );
*/
float win_offset = -(float)(win_size-1)/2;
float start_x = center.x + win_offset*cos_dir + win_offset*sin_dir;
float start_y = center.y - win_offset*sin_dir + win_offset*cos_dir;
uchar* WIN = win.data;
#if 0
// Nearest neighbour version (faster)
for( i = 0; i < win_size; i++, start_x += sin_dir, start_y += cos_dir )
{
float pixel_x = start_x;
float pixel_y = start_y;
for( j = 0; j < win_size; j++, pixel_x += cos_dir, pixel_y -= sin_dir )
{
int x = std::min(std::max(cvRound(pixel_x), 0), img->cols-1);
int y = std::min(std::max(cvRound(pixel_y), 0), img->rows-1);
WIN[i*win_size + j] = img->at<uchar>(y, x);
}
}
#else
int ncols1 = img->cols-1, nrows1 = img->rows-1;
size_t imgstep = img->step;
for( i = 0; i < win_size; i++, start_x += sin_dir, start_y += cos_dir )
{
double pixel_x = start_x;
double pixel_y = start_y;
for( j = 0; j < win_size; j++, pixel_x += cos_dir, pixel_y -= sin_dir )
{
int ix = cvFloor(pixel_x), iy = cvFloor(pixel_y);
if( (unsigned)ix < (unsigned)ncols1 &&
(unsigned)iy < (unsigned)nrows1 )
{
float a = (float)(pixel_x - ix), b = (float)(pixel_y - iy);
const uchar* imgptr = &img->at<uchar>(iy, ix);
WIN[i*win_size + j] = (uchar)
cvRound(imgptr[0]*(1.f - a)*(1.f - b) +
imgptr[1]*a*(1.f - b) +
imgptr[imgstep]*(1.f - a)*b +
imgptr[imgstep+1]*a*b);
}
else
{
int x = std::min(std::max(cvRound(pixel_x), 0), ncols1);
int y = std::min(std::max(cvRound(pixel_y), 0), nrows1);
WIN[i*win_size + j] = img->at<uchar>(y, x);
}
}
}
用双线性插值法计算“倾斜窗”win的所有像素。图像边界上无法进行双线性插值时，使用最近邻插值。
#endif
}
else
{
// extract rect - slightly optimized version of the code above
// TODO: find faster code, as this is simply an extract rect operation,
// e.g. by using cvGetSubRect, problem is the border processing
// descriptor_dir == 90 grad
// sin_dir == 1
// cos_dir == 0
float win_offset = -(float)(win_size-1)/2;
int start_x = cvRound(center.x + win_offset);
int start_y = cvRound(center.y - win_offset);
uchar* WIN = win.data;
for( i = 0; i < win_size; i++, start_x++ )
{
int pixel_x = start_x;
int pixel_y = start_y;
for( j = 0; j < win_size; j++, pixel_y-- )
{
int x = MAX( pixel_x, 0 );
int y = MAX( pixel_y, 0 );
x = MIN( x, img->cols-1 );
y = MIN( y, img->rows-1 );
WIN[i*win_size + j] = img->at<uchar>(y, x);
}
}
主方向指定为-90°时，即（upright==true）时,直接使用最近邻插值获取倾斜窗的像素
}
// Scale the window to size PATCH_SZ so each pixel's size is s. This
// makes calculating the gradients with wavelets of size 2s easy
resize(win, _patch, _patch.size(), 0, 0, INTER_AREA);
调整（缩小）倾斜窗win的尺寸以便计算Haar特征（图像win缩小后，计算Haar特征使用的 2s*2s 的窗，就变成了 2*2 的窗）。
缩小图像时插值方法使用区域插值INTER_AREA，即计算被覆盖区域像素的平均值。
缩小后的图像大小为 （PATCH_SZ+1）*（PATCH_SZ+1），即 21*21。
后面计算Haar特征时使用的都是 2*2 的窗，因此 21*21 的图像在X、Y方向可以各生成 20*20 个Haar特征。
// Calculate gradients in x and y with wavelets of size 2s
for( i = 0; i < PATCH_SZ; i++ )
for( j = 0; j < PATCH_SZ; j++ )
{
float dw = DW[i*PATCH_SZ + j];
float vx = (PATCH[i][j+1] - PATCH[i][j] + PATCH[i+1][j+1] - PATCH[i+1][j])*dw;
float vy = (PATCH[i+1][j] - PATCH[i][j] + PATCH[i+1][j+1] - PATCH[i][j+1])*dw;
DX[i][j] = vx;
DY[i][j] = vy;
}
共能求出 PATCH_SZ * PATCH_SZ 即 20*20 个X-Haar特征和Y-Haar特征。分别存入DX和DY数组（已进行高斯加权）。
// Construct the descriptor
vec = descriptors->ptr<float>(k);
for( kk = 0; kk < dsize; kk++ )
vec[kk] = 0;
double square_mag = 0;
if( extended )
{
// 128-bin descriptor
for( i = 0; i < 4; i++ )
for( j = 0; j < 4; j++ )
{
for(int y = i*5; y < i*5+5; y++ )
{
for(int x = j*5; x < j*5+5; x++ )
{
float tx = DX[y][x], ty = DY[y][x];
if( ty >= 0 )
{
vec[0] += tx;
vec[1] += (float)fabs(tx);
} else {
vec[2] += tx;
vec[3] += (float)fabs(tx);
}
if ( tx >= 0 )
{
vec[4] += ty;
vec[5] += (float)fabs(ty);
} else {
vec[6] += ty;
vec[7] += (float)fabs(ty);
}
}
}
for( kk = 0; kk < 8; kk++ )
square_mag += vec[kk]*vec[kk];
vec += 8;
}
}
else
{
// 64-bin descriptor
for( i = 0; i < 4; i++ )
for( j = 0; j < 4; j++ )
{
for(int y = i*5; y < i*5+5; y++ )
{
for(int x = j*5; x < j*5+5; x++ )
{
float tx = DX[y][x], ty = DY[y][x];
vec[0] += tx; vec[1] += ty;
vec[2] += (float)fabs(tx); vec[3] += (float)fabs(ty);
}
}
for( kk = 0; kk < 4; kk++ )
square_mag += vec[kk]*vec[kk];
vec+=4;
}
}
根据计算出的Haar特征来组成描述符。
首先将 20*20 个Haar特征等分成 4*4=16 个子区域，每个子区域有 5*5 个Haar特征。对每个子区域的Haar特征按某种方式求和，得到4或8个特征。这样每个关键点最后总共有 4*4*4 或 4*4*8 个特征。
此外还计算了 square_mag，它代表所有特征的平方和，用于归一化。下面几行就是进行特征向量的归一化操作
// unit vector is essential for contrast invariance
vec = descriptors->ptr<float>(k);
float scale = (float)(1./(sqrt(square_mag) + DBL_EPSILON));
for( kk = 0; kk < dsize; kk++ )
vec[kk] *= scale;
}
}
};
计算主方向与描述符的对比：
计算主方向时，搜索窗是半径为6s的圆，且计算Haar特征时使用的是 尺寸为 4s*4s 的正窗（不倾斜），由于是正窗，因此可借助积分图像快速求取Haar特征；
计算描述符时，搜索窗是边长为21s的方形，且是倾斜的，计算Haar特征时使用的也是 尺寸为 2s*2s 的倾斜窗，由于是倾斜窗，因此不能利用积分图像求Haar特征。
SURFBuildInvoker：行列式和迹的计算
再来看Hessian矩阵的行列式和迹是如何被计算的。
SURFBuildInvoker很简单，它重载的()运算符只是通过调用calcLayerDetAndTrace()，利用积分图像sum来求取图像的dets矩阵和traces矩阵。
calcLayerDetAndTrace() 函数的内部也是使用了前面提到的 SurfHF 结构体 （表示一个矩形区域）来计算二阶导数，二阶导数被近似成 “类Haar特征”。
// Multi-threaded construction of the scale-space pyramid
struct SURFBuildInvoker : ParallelLoopBody
{
SURFBuildInvoker( const Mat& _sum, const vector<int>& _sizes,
const vector<int>& _sampleSteps,
vector<Mat>& _dets, vector<Mat>& _traces )
{
sum = &_sum;
sizes = &_sizes;
sampleSteps = &_sampleSteps;
dets = &_dets;
traces = &_traces;
}
void operator()(const Range& range) const
{
for( int i=range.start; i<range.end; i++ )
calcLayerDetAndTrace( *sum, (*sizes)[i], (*sampleSteps)[i], (*dets)[i], (*traces)[i] );
}
const Mat *sum;
const vector<int> *sizes;
const vector<int> *sampleSteps;
vector<Mat>* dets;
vector<Mat>* traces;
};
/*
* Calculate the determinant and trace of the Hessian for a layer of the
* scale-space pyramid
*/
static void calcLayerDetAndTrace( const Mat& sum, int size, int sampleStep,
Mat& det, Mat& trace )
{
const int NX=3, NY=3, NXY=4;
const int dx_s[NX][5] = { {0, 2, 3, 7, 1}, {3, 2, 6, 7, -2}, {6, 2, 9, 7, 1} };
const int dy_s[NY][5] = { {2, 0, 7, 3, 1}, {2, 3, 7, 6, -2}, {2, 6, 7, 9, 1} };
const int dxy_s[NXY][5] = { {1, 1, 4, 4, 1}, {5, 1, 8, 4, -1}, {1, 5, 4, 8, -1}, {5, 5, 8, 8, 1} };
首先定义了 方框大小为 9 时的 3 个类 Haar 模板： dx_s、dy_s、dxy_s，分别代表 x二阶偏导、y二阶偏导、xy交叉二阶偏导。这三个模板作为基础模板。
SurfHF Dx[NX], Dy[NY], Dxy[NXY];
if( size > sum.rows-1 || size > sum.cols-1 )
return;
resizeHaarPattern( dx_s , Dx , NX , 9, size, sum.cols );
resizeHaarPattern( dy_s , Dy , NY , 9, size, sum.cols );
resizeHaarPattern( dxy_s, Dxy, NXY, 9, size, sum.cols );
根据 3 个基础模板生成对应尺度的类Haar模板： Dx、Dy、Dxy。
/* The integral image 'sum' is one pixel bigger than the source image */
int samples_i = 1+(sum.rows-1-size)/sampleStep;
int samples_j = 1+(sum.cols-1-size)/sampleStep;
/* Ignore pixels where some of the kernel is outside the image */
int margin = (size/2)/sampleStep;
for( int i = 0; i < samples_i; i++ )
{
const int* sum_ptr = sum.ptr<int>(i*sampleStep);
float* det_ptr = &det.at<float>(i+margin, margin);
float* trace_ptr = &trace.at<float>(i+margin, margin);
for( int j = 0; j < samples_j; j++ )
{
float dx = calcHaarPattern( sum_ptr, Dx , 3 );
float dy = calcHaarPattern( sum_ptr, Dy , 3 );
float dxy = calcHaarPattern( sum_ptr, Dxy, 4 );
sum_ptr += sampleStep;
det_ptr[j] = dx*dy - 0.81f*dxy*dxy;
注意上面这个等式，右边第二项有个 0.81 的系数，或 0.9^2 。
trace_ptr[j] = dx + dy;
}
}
用积分图像和类haar模板快速计算Hessian矩阵的行列式和迹。
}
SURFFindInvoker： 搜索极值点（特征点）
最后只剩下在尺度空间寻找极值点了。在各层图像的dets矩阵中寻找极值点，并用二阶泰勒展开拟合极值点的精确位置。特征点的尺寸(size)、符号（凹凸性）也是在这里被计算。
// Multi-threaded search of the scale-space pyramid for keypoints
struct SURFFindInvoker : ParallelLoopBody
{
SURFFindInvoker( const Mat& _sum, const Mat& _mask_sum,
const vector<Mat>& _dets, const vector<Mat>& _traces,
const vector<int>& _sizes, const vector<int>& _sampleSteps,
const vector<int>& _middleIndices, vector<KeyPoint>& _keypoints,
int _nOctaveLayers, float _hessianThreshold )
{
sum = &_sum;
mask_sum = &_mask_sum;
dets = &_dets;
traces = &_traces;
sizes = &_sizes;
sampleSteps = &_sampleSteps;
middleIndices = &_middleIndices;
keypoints = &_keypoints;
nOctaveLayers = _nOctaveLayers;
hessianThreshold = _hessianThreshold;
}
static void findMaximaInLayer( const Mat& sum, const Mat& mask_sum,
const vector<Mat>& dets, const vector<Mat>& traces,
const vector<int>& sizes, vector<KeyPoint>& keypoints,
int octave, int layer, float hessianThreshold, int sampleStep );
void operator()(const Range& range) const
{
for( int i=range.start; i<range.end; i++ )
{
int layer = (*middleIndices)[i];
int octave = i / nOctaveLayers;
findMaximaInLayer( *sum, *mask_sum, *dets, *traces, *sizes,
*keypoints, octave, layer, hessianThreshold,
(*sampleSteps)[layer] );
对每个中间层调用 findMaximaInLayer() 寻找极值点
}
}
const Mat *sum;
const Mat *mask_sum;
const vector<Mat>* dets;
const vector<Mat>* traces;
const vector<int>* sizes;
const vector<int>* sampleSteps;
const vector<int>* middleIndices;
vector<KeyPoint>* keypoints;
int nOctaveLayers;
float hessianThreshold;
static Mutex findMaximaInLayer_m;
};
/*
* Find the maxima in the determinant of the Hessian in a layer of the
* scale-space pyramid
*/
void SURFFindInvoker::findMaximaInLayer( const Mat& sum, const Mat& mask_sum,
const vector<Mat>& dets, const vector<Mat>& traces,
const vector<int>& sizes, vector<KeyPoint>& keypoints,
int octave, int layer, float hessianThreshold, int sampleStep )
{
// Wavelet Data
const int NM=1;
const int dm[NM][5] = { {0, 0, 9, 9, 1} };
SurfHF Dm;
int size = sizes[layer];
// The integral image 'sum' is one pixel bigger than the source image
int layer_rows = (sum.rows-1)/sampleStep;
int layer_cols = (sum.cols-1)/sampleStep;
积分图像sum的宽和高都比原始图像大 1 ，计算 sum.rows 和 sum.cols 都需要减 1 。
// Ignore pixels without a 3x3x3 neighbourhood in the layer above
int margin = (sizes[layer+1]/2)/sampleStep+1;
margin 是边缘区域的大小。在相邻的三层中（第layer-1、第layer和第layer+1 层）中，第layer+1层图像的边缘区域最多（因为它的滤波方框最大），所以参考第layer+1层来计算边缘区域（方框边长的一半）。
因为第layer层是一个中间层，所以这相邻的三层肯定都在同一个 octave 内，他们有相同的采样间隔 sampleStep。
if( !mask_sum.empty() )
resizeHaarPattern( dm, &Dm, NM, 9, size, mask_sum.cols );
根据dm的定义，可知Dm作用于某个积分图像后，仅相当于对源图像中一个大小为 size 的矩形区域求和。
int step = (int)(dets[layer].step/dets[layer].elemSize());
for( int i = margin; i < layer_rows - margin; i++ )
{
const float* det_ptr = dets[layer].ptr<float>(i);
const float* trace_ptr = traces[layer].ptr<float>(i);
for( int j = margin; j < layer_cols-margin; j++ )
{
循环检测极值点。不检测两边 margin 以外的边缘区域。
float val0 = det_ptr[j];
if( val0 > hessianThreshold )
{
只对响应大于阈值hessianThreshold的点进行极值点检测。
/* Coordinates for the start of the wavelet in the sum image. There
is some integer division involved, so don't try to simplify this
(cancel out sampleStep) without checking the result is the same */
int sum_i = sampleStep*(i-(size/2)/sampleStep);
int sum_j = sampleStep*(j-(size/2)/sampleStep);
(sum_i,sum_j) 代表以当前点(i,j)为中心的方框的左上角坐标。
/* The 3x3x3 neighbouring samples around the maxima.
The maxima is included at N9[1][4] */
const float *det1 = &dets[layer-1].at<float>(i, j);
const float *det2 = &dets[layer].at<float>(i, j);
const float *det3 = &dets[layer+1].at<float>(i, j);
float N9[3][9] = { { det1[-step-1], det1[-step], det1[-step+1],
det1[-1] , det1[0] , det1[1],
det1[step-1] , det1[step] , det1[step+1] },
{ det2[-step-1], det2[-step], det2[-step+1],
det2[-1] , det2[0] , det2[1],
det2[step-1] , det2[step] , det2[step+1] },
{ det3[-step-1], det3[-step], det3[-step+1],
det3[-1] , det3[0] , det3[1],
det3[step-1] , det3[step] , det3[step+1] } };
将 3*3*3 邻域的数据提取到一个数组 N9 中，方便后面比较。
/* Check the mask - why not just check the mask at the center of the wavelet? */
if( !mask_sum.empty() )
{
const int* mask_ptr = &mask_sum.at<int>(sum_i, sum_j);
float mval = calcHaarPattern( mask_ptr, &Dm, 1 );
if( mval < 0.5 )
continue;
}
calcHaarPattern( mask_ptr, &Dm, 1 ) 相当于对mask矩阵中以当前位置为中心的方框（大小为size）求和： Dm代表对一个大小为size的方框求和。
这一步检测当前点是否被mask: 如果以当前点为中心的方框中被mask的点数少于一半，即 mval < 0.5, 则说明当前点未被 mask，不再对其进行极值点检测。
为什么不直接检测方框中心点的 mask 值来判断是否跳过当前点？而非要用mask的方框区域和来判断？为什么后者更合理？
/* Non-maxima suppression. val0 is at N9[1][4]*/
if( val0 > N9[0][0] && val0 > N9[0][1] && val0 > N9[0][2] &&
val0 > N9[0][3] && val0 > N9[0][4] && val0 > N9[0][5] &&
val0 > N9[0][6] && val0 > N9[0][7] && val0 > N9[0][8] &&
val0 > N9[1][0] && val0 > N9[1][1] && val0 > N9[1][2] &&
val0 > N9[1][3] && val0 > N9[1][5] &&
val0 > N9[1][6] && val0 > N9[1][7] && val0 > N9[1][8] &&
val0 > N9[2][0] && val0 > N9[2][1] && val0 > N9[2][2] &&
val0 > N9[2][3] && val0 > N9[2][4] && val0 > N9[2][5] &&
val0 > N9[2][6] && val0 > N9[2][7] && val0 > N9[2][8] )
{
只要正的极大值（ val0 > hessianThreshold 已保证了val0是正），而不要负的最小值。
Hessian矩阵是二次型，正定或负定都将导致Hessian行列式为正。如果既非正定又非负定（这样的点不是斑点），则其Hessian行列式为负，不会被检测到。
正因如此，最后被检测到特征点的Hessian矩阵不是正定就是负定，因此再检测Hessian矩阵的迹的正负号即可知道到底是正定还是负定，这也决定了该特征点是凹斑点还是凸斑点
/* Calculate the wavelet center coordinates for the maxima */
float center_i = sum_i + (size-1)*0.5f;
float center_j = sum_j + (size-1)*0.5f;
其中 sum_i 和 sum_j 的定义为（参见前面代码）：
int sum_i = sampleStep*(i-(size/2)/sampleStep);
int sum_j = sampleStep*(j-(size/2)/sampleStep);
可见二者分别代表以当前点(i,j)为中心的方框的左上角，center_i和center_j则是重新计算的该方框的中心点。
为什么不直接写成：
center_i = i * sampleStep,
center_j = j * sampleStep
KeyPoint kpt( center_j, center_i, (float)sizes[layer],
-1, val0, octave, CV_SIGN(trace_ptr[j]) );
最后一个参数是提取 hessian矩阵的迹的正负号，它反映了当前的特征点是凹的还是凸的。
以center_i和center_j作为关键点的坐标，以当前层的方框的size作为关键点的size。
/* Interpolate maxima location within the 3x3x3 neighbourhood */
int ds = size - sizes[layer-1];
int interp_ok = interpolateKeypoint( N9, sampleStep, sampleStep, ds, kpt );
如果符合极值点条件，再对极值点进行二次泰勒拟合以求精确的极值点位置和size
/* Sometimes the interpolation step gives a negative size etc. */
if( interp_ok )
{
/*printf( "KeyPoint %f %f %d\n", point.pt.x, point.pt.y, point.size );*/
cv::AutoLock lock(findMaximaInLayer_m);
keypoints.push_back(kpt);
}
}
}
}
}
}
1323
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
