【opencv学习笔记】BRISK局部检测

简介

        BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出来的一种特征提取算法，也是一种二进制的特征描述算子。

       它具有较好的旋转不变性、尺度不变性，较好的鲁棒性等。在图像配准应用中，速度比较：SIFT<SURF<BRISK<FREAK<ORB，在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。

BRISK算法

特征点检测

        BRISK算法主要利用FAST9-16进行特征点检测（为什么是主要？因为用到一次FAST5-8），可参见博客：FAST特征点检测算法。要解决尺度不变性，就必须在尺度空间进行特征点检测，于是BRISK算法中构造了图像金字塔进行多尺度表达。

建立尺度空间

        构造n个octave层（用ci表示）和n个intra-octave层（用di表示），文章中n=4，i={0,1,...,n-1}。假设有图像img，octave层的产生：c0层就是img原图像，c1层是c0层的2倍下采样，c2层是c1层的2倍下采样，以此类推。intra-octave层的产生：d0层是img的1.5倍下采样，d1层是d0层的2倍下采样（即img的2*1.5倍下采样），d2层是d1层的2倍下采样，以此类推。

则ci、di层与原图像的尺度关系用t表示为：，

ci、di层与原图像大小关系为：

        由于n=4，所以一共可以得到8张图，octave层之间尺度（缩放因子）是2倍关系，intra-octave层之间尺度（缩放因子）也是2倍关系。

特征点检测

        对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对原图像img进行一次FAST5-8角点检测（当做d(-1)层，虚拟层），总共会得到9幅有角点信息的图像。

非极大值抑制

        对这9幅图像，进行空间上的非极大值抑制（同SIFT算法的非极大值抑制）：特征点在位置空间（8邻域点）和尺度空间（上下层2x9个点），共26个邻域点的FAST的得分值要最大，否则不能当做特征点；此时得到的极值点还比较粗糙，需要进一步精确定位。

亚像素插值

        进过上面步骤，得到了图像特征点的位置和尺度，在极值点所在层及其上下层所对应的位置，对FAST得分值（共3个）进行二维二次函数插值（x、y方向），得到真正意义上的得分极值点及其精确的坐标位置（作为特征点位置）；再对尺度方向进行一维插值，得到极值点所对应的尺度（作为特征点尺度）。

特征点描述

高斯滤波

       现在，我们得到了特征点的位置和尺度（t）后，要对特征点赋予其描述符。均匀采样模式：以特征点为中心，构建不同半径的同心圆，在每个圆上获取一定数目的等间隔采样点（所有采样点包括特征点，一共N个），由于这种邻域采样模式会引起混叠效应，所以需要对同心圆上的采样点进行高斯滤波。

       采样模式如下图，蓝圈表示；以采样点为中心，为方差进行高斯滤波，滤波半径大小与高斯方差的大小成正比，红圈表示。最终用到的N个采样点是经过高斯平滑后的采样点。下图是t=1时的。（文章中：N=60）

局部梯度计算

         由于有N个采样点，则采样点两两组合成一对，共有N(N-1)/2钟组合方式，所有组合方式的集合称作采样点对，用集合表示，其中像素分别是、，δ表示尺度。用表示特征点局部梯度集合，则有：

定义短距离点对子集、长距离点对子集（L个）：

其中，，，t是特征点所在的尺度。

现在要利用上面得到的信息，来计算特征点的主方向（注意：此处只用到了长距离子集），如下：

特征描述符

         要解决旋转不变性，则需要对特征点周围的采样区域进行旋转到主方向，旋转后得到新的采样区域，采样模式同上。BRISK描述子是二进制的特征，由采样点集合可得到N(N-1)/2对采样点对，就可以得到N(N-1)/2个距离的集合（包含长、短距离子集），考虑其中短距离子集中的512个短距离点对，进行二进制编码，判断方式如下：

其中，带有上标，表示经过旋转a角度后的，新的采样点。由此可得到，512Bit的二进制编码，也就是64个字节（BRISK64）。

匹配方法

汉明距离进行比较，与其他二进制描述子的匹配方式一样。

代码

# include<opencv2\opencv.hpp>
# include <iostream>
# include<math.h> 
using namespace std;
using namespace cv;
int main(int argc, char** argv) {
	Mat img1, img2;
	img1 = imread("E:/tuku/nvhai1.jpg",IMREAD_GRAYSCALE);
	img2 = imread("E:/tuku/nvhai2.jpg", IMREAD_GRAYSCALE);
	if (img1.empty()||img2.empty()) {
		cout << "can't find this picture...";
		return -1;
	}
	imshow("input1", img1);
	imshow("input2", img2);
	//extract BRISK features
	Ptr<Feature2D> detector = BRISK::create();
	vector<KeyPoint>keypoints_obj;
	vector<KeyPoint>keypoints_scene;
	Mat descriptor_obj, desriptor_scene;
	detector->detectAndCompute(img1, Mat(), keypoints_obj, descriptor_obj);
	detector->detectAndCompute(img2, Mat(), keypoints_scene, desriptor_scene);

	//matching
	BFMatcher matcher(NORM_L2);
	vector<DMatch>matches;
	matcher.match(descriptor_obj, desriptor_scene, matches);

	double Dist_MIN = 0, Dist_MAX = 1000;
	for (int i = 0; i < descriptor_obj.rows; i++) {
		double Dist = matches[i].distance;
		if (Dist > Dist_MAX)
			Dist_MAX = Dist;
		if (Dist < Dist_MIN)
			Dist_MIN = Dist;
	}
	printf("max dist:%f...min dsit:%f", Dist_MAX, Dist_MIN);
	
	vector<DMatch>goodmatches;
	for (int i = 0; i < descriptor_obj.rows; i++) {
		double dist = matches[i].distance;
		if (dist < max(2 * Dist_MIN, 0.02))
			goodmatches.push_back(matches[i]);
	}
	Mat goodmatchesImg;
	drawMatches(img1, keypoints_obj, img2, keypoints_scene, goodmatches, goodmatchesImg,Scalar::all(-1),Scalar::all(-1),vector<char>(),DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
	imshow("goodmatchImage", goodmatchesImg);
	waitKey(0);
	return 0;
}