计算机视觉 OpenCV Android | SURF特征检测（ing）

0. 特征检测定义、作用和使用相关

• 特征检测是从图像中自动提取对象特征用以表述该对象，
  同时还可以利用得到的特征数据 描述在不同的图像中发现相同的对象，
  （一旦得到两个对象的描述子，
就可以使用它们实现特征数据的匹配与比对，
从而分辨出它们是否具有相似性）
  
  而且特征对对象的旋转、缩放、光照等具有不变性。

• 整个过程可以分为三个部分：检测、描述、匹配。

• OpenCV中是通过feature2d与xfeature2d完成整个流程操作的，从而实现基于图像特征的对象检测与匹配。

1.SURF特征检测

• SURF（Speeded Up Robust Feature）特征就是图像最常见的特征之一，
  该方法在2006年由几位作者联合提出，
  主要是用来克服SIFT（一种特征检测方法）计算量比较大，
  运行速度比较慢的缺点；

• SURF具有以下的优点：
  基于积分图计算，快速关键点提取；
不同关键点描述；
快速描述子匹配；
同时具有旋转、尺度、光照不变性；

• SURF通过建立不同尺度的级联算子来实现高斯图像的尺度不变性特征，
  计算LOG得到每个像素点的Hessian矩阵，

• 在建立级联算子实现Hessian矩阵的计算中，
  SURF使用了积分图来实现预计算，
  通过积分图查找表实现Hessiam矩阵快速计算。
  离散高斯及其近似梯度算子如下图：

  

算子级联实现尺度空间不变性，如下图：

• 最终把高斯核近似为一个盒子滤波，
  这样就可以不用进行高斯核与浮点数计算，
  基于积分图，不断扩大盒子滤波核的大小，
  就可以在不同层数计算结果；
  

• 对第一层分别使用9×9、15×15、21×21、27×27，
  扩大之后进行下层级计算。
  每个层级之间的差值一般取值为12，
  这时下个层级的滤波核就是39×39，
  再下一个层级就是51×51。
  取值为24时，下个层级就是51×51，
  再下个层级就是75×75。

• 为了在每一层之间定位图像的关键点
  （图像的关键点就是图像Hessian矩阵梯度最大值或者最小值所在点的附近），
  对同一层级的不同层3×3×3范围内寻找极大值或者极小值作为候选点，
  对满足条件的关键点，
  使用插值公式寻找亚像素级别的关键点的准确位置，
  最终得到SURF特征检测的关键点数据。

2.SURF特征描述子

特征描述子是用来描述每个关键点特征的唯一数据，它必须能够显著区分各个特征关键点的不同之处，SURF特征描述子是基于Haar小波响应理论的，可以通过积分图进行快速计算，描述子首先要选取关键点周围的像素块（ROI），通常ROI区域的大小为20个像素，分为4×4的网格区域，如下图：

使用Haar在X方向与Y方向的2s×2s像素块响应，基于高斯权重分别计算dx、dy，最终可得到：

对每个5×5的子区域都会得到一个向量v，对于4×4，整个子区域可得到16个相互连接的向量，它们就是该关键点的描述子，归一化之后就是具有光照不变性特征的描述子。这种方式没有考虑选择不变性，没有对每个描述子指派方向角度，称为U-SURF描述子，对上述描述子在0°～360°方向上使用滑动窗口60°大小计算滑动窗口的梯度和最大值，指派为该描述子的方向，0°～360°，60°滑动窗口如下图：

实验证明，在窗口较小的情况下，容易导致出现异常高峰的问题，在窗口比较大的情况下，容易出现向量过长，描述子描述不够准确的问题，所以一般情况下更趋向跳过方向指派步骤直接使用U-SURF，它在±15°范围内可以保证旋转不变性特征。