ORB特征点

1.特征点

特征点是图像里一些特别的地方,如角点、边缘和区块。比较著名有SIFT、SURF、ORB等。SIFT充分考虑了图像变换过程中出现的光照、尺度、旋转等变换，但是计算量非常大。而ORB是质量和性能之间比较好的折中。
特征点包含：

• 关键点
• 描述子

2. ORB特性

提取ORB特性有两个步骤:FAST角点提取、BRIEF描述子

1.FAST关键点:

1.在图像中选取像素p,假设它的亮度为\({I}_{p}\).
2.设置一个阀值T,比如\({I}_{p}\)的20%
3.以像素点p为中心,选取半径为3的圆上的16个像素点
4.假如选取的圆上有连续N个点的亮度大于\({I}_{p}\)+T或小于\({I}_{p}\)-T,则p可认为是特征点(N取12的话,就是FAST-12)
5.循环上面的四步,对每一个像素执行相同的操作

ORB添加了尺度和旋转的描述.

• 尺度不变由构造图像金字塔,并在金字塔的每一层上检测焦点来实现.
• 旋转由计算特征点附近的图像灰度质心求得.步骤为:
  1.在一个小的图像块B中,定义图像块的矩为:\({m}_{pq} = \sum_{x,y\in B}x^py^qI(x,y)\) p,q={0,1}
  2.通过矩可以找到图像快的质心: \(C=(\frac{m_{10}}{m_{00}},\frac{m_{01}}{m_{00}})\)
  3.连接图像块的几何中心O与质心C,得到一个向量\(\vec{OC}\)
  4.特征点的方向可以定义为: \(\theta=arctan(m_{01}/m_{10})\)

2.BRIEF描述子:

BRIEF是一种二进制描述子,由0和1组成,这里0和1编码了关键点附近两个随机像素比如(p和q)的大小关系:如果p比q大,取1,反之取0.如果取了128个这样的p,q.则最后得到128维由0,1组成的向量.BRIEF使用了随机选点的比较,速度非常快.

3.特征匹配:

最简单的匹配模式是暴力匹配.对两个时刻的图像取得的特征点,测量描述子的距离,然后排序,取最近的一个作为匹配点.对于浮点型的描述子,使用欧氏距离进行度量,对于二进制,使用汉明距离进行度量-两个二进制串的汉明距离,指的是其不同位数的个数.
当特征点数量很大的时候,暴力匹配的计算量会很大,使用快速近似最近邻(FLANN)更适合匹配点数极多的情况.

4.ORB特征点

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <chrono>

using namespace std;
using namespace cv;

int main(int argc, char **argv) {
  if (argc != 3) {
    cout << "usage: feature_extraction img1 img2" << endl;
    return 1;
  }
  //-- 读取图像
  Mat img_1 = imread(argv[1], CV_LOAD_IMAGE_COLOR);
  Mat img_2 = imread(argv[2], CV_LOAD_IMAGE_COLOR);
  assert(img_1.data != nullptr && img_2.data != nullptr);

  //-- 初始化
  std::vector<KeyPoint> keypoints_1, keypoints_2;
  Mat descriptors_1, descriptors_2;
  Ptr<FeatureDetector> detector = ORB::create();
  Ptr<DescriptorExtractor> descriptor = ORB::create();
  Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");

  //-- 第一步:检测 Oriented FAST 角点位置
  chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
  detector->detect(img_1, keypoints_1);
  detector->detect(img_2, keypoints_2);

  //-- 第二步:根据角点位置计算 BRIEF 描述子
  descriptor->compute(img_1, keypoints_1, descriptors_1);
  descriptor->compute(img_2, keypoints_2, descriptors_2);
  chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
  chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "extract ORB cost = " << time_used.count() << " seconds. " << endl;

  Mat outimg1;
  drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
  imshow("ORB features", outimg1);

  //-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离
  vector<DMatch> matches;
  t1 = chrono::steady_clock::now();
  matcher->match(descriptors_1, descriptors_2, matches);
  t2 = chrono::steady_clock::now();
  time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
  cout << "match ORB cost = " << time_used.count() << " seconds. " << endl;

  //-- 第四步:匹配点对筛选
  // 计算最小距离和最大距离
  auto min_max = minmax_element(matches.begin(), matches.end(),
                                [](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; });
  double min_dist = min_max.first->distance;
  double max_dist = min_max.second->distance;

  printf("-- Max dist : %f \n", max_dist);
  printf("-- Min dist : %f \n", min_dist);

  //当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.
  std::vector<DMatch> good_matches;
  for (int i = 0; i < descriptors_1.rows; i++) {
    if (matches[i].distance <= max(2 * min_dist, 30.0)) {
      good_matches.push_back(matches[i]);
    }
  }

  //-- 第五步:绘制匹配结果
  Mat img_match;
  Mat img_goodmatch;
  drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_match);
  drawMatches(img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch);
  imshow("all matches", img_match);
  imshow("good matches", img_goodmatch);
  waitKey(0);

  return 0;
}

CMakeLists.txt:

cmake_minimum_required(VERSION 2.8)
project(orb)

set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")
list(APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake)
include_directories(inc)
aux_source_directory(src DIR_SRCS)
SET(SOUR_FILE ${DIR_SRCS})
find_package(OpenCV 3 REQUIRED)
find_package(G2O REQUIRED)
find_package(Sophus REQUIRED)

include_directories(
        ${OpenCV_INCLUDE_DIRS}
        ${G2O_INCLUDE_DIRS}
        ${Sophus_INCLUDE_DIRS}
        "/usr/include/eigen3/"
)


add_executable(orb ${SOUR_FILE})
target_link_libraries(orb ${OpenCV_LIBS})