OpenCV特征点提取算法orb、surf、sift对比

特征点检测数量：surf > orb > sift

检测特征点时间：orb < surf < sift

 

sift：特征提取技术的里程碑，消除了特征点提取不稳定、特征不足的弱点，对旋转平移缩放也具有鲁棒性。

特征检测方法：

1、构建尺度空间

2、在高斯差分空间（Difference of Gaussian，DOG）计算极值点，二次曲线插值获得亚像素精度的特征点

3、去除地对比度点，通过计算Hessian矩阵消除边缘响应点

/*

tip1：

不同模糊度的高斯滤波图像相减，得到的高斯差分空间，实质上就是不同尺度的Laplace边缘检测，但计算速度要比逐个进行Laplace滤波要快。

tip2：

①为一维f(x)时，

此时其一阶导数构成的向量为梯度向量g(x)；

此时其二阶导数构成的矩阵为Hessian矩阵；

②为多维f(x)=(f1(x), f2(x),…,fm(x))T时，

此时其一阶导数构成的矩阵为Jacobian矩阵。

*/

特征描述方法：

1、统计特征点16*16邻域内的直方图，选择直方图峰值作为特征点的主方向

2、将坐标轴旋转至主方向，保证旋转不变性，根据梯度计算128维特征描述子

 

surf：speeded-up robust feature，是sift算法的重要改进，解决了sift计算复杂度高、耗时长的缺点，提高了三倍速度，但在光照和形变方面的鲁棒性要逊色于sift。

特征检测方法：

1、计算积分图（为了加速Box滤波和Harr小波的计算）

2、改变Box滤波器的尺度来得到不同的尺度空间

3、用Hessian矩阵行列式的特征值的符号来确定极值

特征描述方法：

1、根据像素在x、y方向上的Harr小波响应来确定极值点方向

2、采用扇形区域扫描来得到64维或128维的特征描述

 

fast、orb：fast是近年来最成功的特征点提取算法之一，orb也是采用fast作为特征点检测算法。（fast只是角点检测方法，而orb采用fast作为特征点检测方法，采用改进brief作为特征点描述方法）

fast特征检测方法：

1、选取图像中的某个像素点p。其像素值（亮度）为lp

2、以3像素为半径画圆，覆盖p点周围16个像素点

3、设定阈值t，若这16个像素点中有连续n个像素点的值小于lp-t或有连续n个像素点的值大于lp+t则认为是角点，OpenCV中n的取值为12（16周长的3/4）

（改进：检测1、5、9、13这4个像素点中是否有3个满足条件，如果没有则直接跳过，如果有则采用步骤3检测所有的点）

brief特征描述方法：

特征点附近随机选取点对，将这些点对的灰度值的大小，组合成一个二进制串，将这个二进制串作为特征点的描述子。

优点：速度快

缺点：1、不具备旋转不变性；2、不具备尺度不变性；3、对噪声敏感

orb中改进brief特征描述方法：

1、特征点主方向通过矩（moments）来实现，并根据该主方向计算brief描述子。然而由于主方向会变化，导致随机点对的相关性变大，从而降低描述子的判别性，因此采取穷举的方法，暴力找到相关性最低的随机点对，以实现旋转不变性；

2、fast算子本身就具有尺度不变性，因此orb算子中没有试图解决尺度不变性；

3、brief采用点对（pixel-pair）的大小来构成描述子中的每一位，orb中采用9*9的块对（patch-pair）构成描述子，对比像素值之和，通过积分图快速计算，以降低噪声干扰。

转自：

http://www.p-chao.com/2017-06-14/opencv%E7%89%B9%E5%BE%81%E7%82%B9%E6%8F%90%E5%8F%96%E7%AE%97%E6%B3%95%E5%AF%B9%E6%AF%94/

https://blog.csdn.net/wangyaninglm/article/details/44805709