一起自学SLAM算法：3.4 图像特征点提取

  连载文章，长期更新，欢迎关注：

---

写在前面

第1章-ROS入门必备知识

第2章-C++编程范式

第3章-OpenCV图像处理

        3.1 认识图像数据

        3.2 图像滤波

        3.3 图像变换

        3.4 图像特征点提取

第4章-机器人传感器

第5章-机器人主机

第6章-机器人底盘

第7章-SLAM中的数学基础

第8章-激光SLAM系统

第9章-视觉SLAM系统

第10章-其他SLAM系统

第11章-自主导航中的数学基础

第12章-典型自主导航系统

第13章-机器人SLAM导航综合实战

---

特征点提取算法能帮助计算机获取图像的区域特征信息，并应用于图像识别、图像匹配、三维重建、物体跟踪等领域。在实际工程中，具有很高的应用价值。在图像领域，特征点（feature points）也常常被称为关键点（key points）或兴趣点（interest points）。特征点的提取有多种算法，可以从图像纹理信息来提取，也可以通过图像区域灰度统计信息来，或者通过频谱变化、小波变换等变换后在变换空间进行提取。本节将对最常用的SIFT（scale invariant feature transform，尺度不变特征变换）特征点、SURF（Speeded Up Robust Features，加速稳健特征）特征点和ORB（Oriented FAST and Rotated BRIEF，快速特征点提取和描述）特征点进行分析和讲解，并对比其性能表现。

SIFT在性能方面非常突出，在业界有很高的名气；SURF是对SIFT的改进，在提取速度方面做了优化；ORB是用于取代SIFT和SURF的简洁提取算法，提取速度比SIFT和SURF快很多。后续视觉SLAM中的ORB_SLAM框架就是基于ORB特征点的，在实时性方面表现非常出色。因此学好本节的内容，将极大降低后续视觉SLAM章节的学习难度。

本节的重点放在SIFT、SURF和ORB三种特征点提取的原理讲解中，如果对OpenCV中具体实现程序感兴趣，可以阅读OpenCV3中相应的源代码，源代码的路径如下。

• SIFT源码路径：opencv_contrib/modules/xfeatures2d/src/sift.cpp。
• SURF源码路径：opencv_contrib/modules/xfeatures2d/src/surf.cpp。
• ORB源码路径：opencv/modules/features2d/src/orb.cpp。

3.4.1 SIFT特征点

SIFT是对旋转、尺度和亮度保持不变，对仿射变换、噪声等也有比较好的稳定性的图像局部特征。那什么是旋转尺度不变性呢？简单点说就是同一个物体，用相机在不同的角度和距离拍出来的图片，图片中物体的特征应该是一样的，不因图片的大小和旋转而改变。

SIFT特征提取过程，如图3-7所示。由于所有操作都在灰度图上进行，因此输入原始图需要先经过灰度转换。然后构建高斯金字塔（Gaussian Pyramids），用于表示图像的尺度空间。将高斯金字塔每组（Octave）中相邻两图层（Layer）求差值得到高斯差分金字塔（Difference of Gaussian Pyramids，DoG金字塔），用于尺度空间的极值点检测。接着通过极值点检测、特征点定位和特征点筛选操作，提取出特征点在尺度空间的位置。之后回到高斯金字塔，求取该尺度空间位置上的特征点主方向以及邻域方向。最后利用特征点的方向信息可以生产特征的描述向量，整个提取过程最后输出所有特征点的描述向量。特征点包含尺度、位置和特征描述信息，利用这些信息就可以做图像识别、图像匹配等应用了。