ARLoverKang的专栏

局部特征描述子可以分为两类，（个人看法，欢迎批评）：一是基于“绝对”值的，二是基于比较的。基于绝对值的是指诸如Sift，Surf，GLOH之类的描述子。一般的思路是将灰度，梯度等量化，构造直方图。这类描述子的判别性高，直观，但是有个通病就是计算复杂度高。基于比较的是指诸如Ferns，BRIEF，Orb，OSID，BRISK之类的描述子。一般的思路是通过比较预先训练的，或者随机点对的

BRIEF特征的论文是"BRIEF: Binary Robust Independent Elementary Features"，eccv2010。它出乎出乎意料的简单，真的是非常简单，令人感觉到这么简单的方式，是真的有效吗？1. 给定一副图2. 对图像做平滑处理。平滑处理，也就是高斯滤波，也就是blur operation，降低图像噪声。平滑处理在BRIEF中很

头文件在VS2010+OpenCV2.3.1 #include "StdAfx.h"#include "opencv2/core/core.hpp"#include "opencv2/calib3d/calib3d.hpp"#include "opencv2/features2d/features2d.hpp"#include "opencv2/imgproc/imgproc.hp

vision:主要研究这个方面，就讲一讲这方面的研究脉络吧：局部特征提取应该起源于运动分析的跟踪算法，Hannah和Movarac提出了关于角点的最原始的算法。Forstner和Gulch, Harris和Stephens把这个原始想法形式化为结构张量(或称二阶矩矩阵)的两个特征值的性质问题，在此基础之上，Noble，Rohr，Tomasi和 Kanade，Shi和Kanada等提出了各种

ORB算法的论文来自"ORB: an efficient alternative to SIFT or SURF"，作者是OpenCV维护和开发的公司willowgarage的，论文名字起的很牛气，摘要里说，ORB算法比sift算法效率高两个数量级。江湖上流传的说法是ORB算法综合性能在各种测评里是最好的。ORB算法是在FAST关键点检测+BRIEF特征上做的。