OpenCV（24）角点检测3 -- ORB

目录

一、基础理论

1、原理

 2、BRIEF算法介绍

1、介绍

2、过程

3、API介绍

 1、ORB_create函数（初始化orb检测器）

2、orb.detectAndCompute函数（检测关键点并计算）

3、cv.drawKeypoints函数（绘制关键点）

二、代码

三、效果

---

一、基础理论

1、原理

        ORB算法结合了Fast和Brief算法，提出了构造金字塔，为Fast特征点添加了方向，从而使得关键点具有了尺度不变性和旋转不变性。具体流程描述如下：

构造尺度金字塔，金字塔共有n层，与SIFT不同的是，每一层仅有一幅图像。第s层的尺度为：

 

 （每层图像大小和尺度有关）

1、在不同的尺度上利用Fast算法检测特征点，采用Harris角点响应函数，根据角点的响应值排序，选取前N个特征点，作为本尺度的特征点。
2、计算特征点的主方向，计算以特征点为圆心，半径为r的圆形邻域内的灰度质心位置，将从特征点位置到质心位置的方向做特征点的主方向。      

计算方法：  

质心位置：

主方向： 

 2、BRIEF算法介绍

1、介绍

        BRIEF是一种特征描述子提取算法，并非特征点的提取算法，一种生成二值化描述子的算法，不提取代价低，匹配只需要使用简单的汉明距离(Hamming Distance)利用比特之间的异或操作就可以完成。因此，时间代价低，空间代价低，效果还挺好是最大的优点。

2、过程

1、图像滤波︰原始图像中存在噪声时，会对结果产生影响，所以需要对图像进行滤波，去除部分噪声。
2、选取点对：以特征点为中心，取S*S的邻域窗口，在窗口内随机选取N组点对， 一般N=128,256,512，默认是256，关于如何选取随机点对，提供了五种形式，结果如下所示：

 

 

 

3、API介绍

 1、ORB_create函数（初始化orb检测器）

cv2.ORB_create(nfeatures = 500,
             scaleFactor = 1.2,
             nlevels = 8,
             edgeThreshold = 31,
             firstLevel = 0,
             WTA_K = 2,
             scoreType = HARRIS_SCORE,
             patchSize = 31,
             fastThreshold = 20)

参数：

nfeatures：特征点最大数量

返回：

orb对象

orb = cv.ORB_create()

2、orb.detectAndCompute函数（检测关键点并计算）

kp , des= orb.detectAndCompute(img, None)

参数：
img：进行关键点检测的图像

返回：
kp：关键点信息，包括位置，尺度，方向信息
des：关键点描述符，每个关键点BRIEF特征向量，二进制字符串

kp , des= orb.detectAndCompute(img, None)       #返回关键点信息及描述符

3、cv.drawKeypoints函数（绘制关键点）

cv.drawKeypoints (image，keypoints,outputimage， color，flags)

img = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)

二、代码

# ORB角点检测
import cv2 as cv

img = cv.imread('Resource/1.jpg')
cv.imshow("img", img)

# 1、初始化ORB检测器
orb = cv.ORB_create(200)
# 2、用ORB寻找关键点
kp , des= orb.detectAndCompute(img, None)       #返回关键点信息及描述符
# 3、仅绘制关键点的位置，而不绘制大小和方向
dst = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)

cv.imshow("dst", dst)

cv.waitKey(0)

三、效果