[转](5条消息) OpenCV第十四讲： Fast特征点与ORB特征点原理详解

最新推荐文章于 2024-01-07 13:36:04 发布

Zolony

最新推荐文章于 2024-01-07 13:36:04 发布

阅读量325

点赞数 1

分类专栏： SLAM进阶之路 opencv 文章标签： opencv 计算机视觉人工智能

原文链接：https://blog.csdn.net/qq_29797957/article/details/100514719

版权

SLAM进阶之路同时被 2 个专栏收录

16 篇文章 1 订阅

订阅专栏

opencv

9 篇文章 0 订阅

订阅专栏

一般特征说的意思是关键点+描述子；

一. Fast特征点检测

原理： FAST是一种角点，主要检测局部像素灰度变换明显的地方。

核心思想：如果一个像素与邻域的像素差别较大，那么它更可能是角点。

优势：由于只需要比较像素的亮度大小，所以速度十分快捷。

检测过程

1.在图像中选取一点像素p，假设它的亮度为Ip；
2.设置一个亮度阈值T;
3.以像素p为中心，选取半径为3的圆上的上16个像素点；
4.假如选取的圆上有连续的N个点的亮度大于 (Ip+T) 或 (Ip-T), 那么像素p就被人误是特征点；
5.循环以上四步，对每一个像素都进行相同的操作;

ps: 在这里，N一般取12，即算法叫做Fast-12，同理有Fast-9. Fast-11；

在Fast-12中有一项预测试操作，以快速排除绝大多数不是角点的像素。该操作为：对于每一个像素，直接检测邻域上的第1,5,9,13个像素点的亮度，只有当这四个像素中有3个满足上述步骤4的条件时，才将当前像素点作为候选点进行之后的操作，否则，直接排除

非极大值抑制

需要对特征点计算FAST得分值s，计算方式如下:

1.计算以某个特征点p为中心的邻域内(3x3或5x5等)，有多少个特征点；
2.计算每个特征点的得分值s = 所有特征点与中心像素点的差值的绝对值总和，若q是邻域内所有特征点中响应值最大的，则保留；否则，抑制。
3.若邻域内只有一个特征点，则该特征点保留；

假设P，Q两个点相邻，分别计算两个点与其周围的16个像素点之间的差分和为V，去除V值较小的点，即把非最大的角点抑制掉。

Fast角点的缺陷

1.它提取角点的数量大，且数目不确定；
2.Fast角点不具有方向和尺度信息（取固定半径为3的圆）
OpenCV使用Fast检测

	#include <opencv2/opencv.hpp>
		cv::FAST(img, kpts, 75);
		cv::Mat imgKpts;

		cv::drawKeypoints(img, kpts, imgKpts, cv::Scalar::all(-1), cv::DrawMatchesFlags::DEFAULT);
		cv::imshow("kerpoints", imgKpts);
		cv::waitKey(2);

二、ORB特征点检测

ORB算法效率比sift高两个数量级，在计算速度上， ORB是sift的100倍， ORB是surf的10倍。就目前来说，ORB算法是综合性能在各种测评离相较于其他特征提取算法是最好的！

ORB特征实质是一种改进的Fast角点，改进的地方主要有以下两点，分别对关键点和描述子进行了改进:

特征描述子应该具有特性：对光照不敏感(亮度)，具有尺度一致性(大小)，旋转一致性(角度)等

ps：ORB算法本身没有解决ORB的尺度一致性问题，而是我们在实现过程中，借助某些技术手段（如构建图像金字塔），来改善这方面的性能。

在ORB中的尺度不变性可由构建图像金字塔解决，旋转不变型可由灰度质心法来实现

关键点： Fast角点改进

ORB在原来的Fast角点的基础上改进，第一指定提取一定数量的角点，第二分别对Fast角点计算Harris响应值，然后选取前N个具有最大响应值的角点作为最终的角点集合。
灰度质心法

所谓的质心是指；以图像块灰度值作为权重的中心，在这里每个像素的像素值就代表其质量的大小。

1.定义一个小的图像块，并定义图像块的矩为m;

$m_{p q}=\sum_{x, y} x^{p} y^{q} I(x, y)$

2.通过图像矩就可以计算图像的质心C;

$C=\left(\frac{m_{10}}{m_{00}}, \frac{m_{01}}{m_{00}}\right)$

3.可以得到特征点的方向: 质心与几何中心O的向量OC;

$\theta=\operatorname{atan} 2\left(m_{01}, m_{10}\right)$

在这里稍微拓展一下，这个地方很多人都简单的略过去了，里面的原理可能还是懵懵懂懂，什么是图像的矩? 什么是质心？图像的质心为什么是这么算?
- 质心的介绍
  
  其中M为质点系的总质量.
- 矩
  在这里有关于矩的详细介绍，在这里我就简单说一下，矩针对不同的中心的，具有不同的表现形式，针对中心点为零(原点)的点，就叫做原点矩；针对中心为均值的点，就叫做中心距；不同阶数，可称为不同阶矩(如k阶矩)
实质：就是以中心点为核心与其他所有点的差值的k次方，再求平均值;
- "图像的矩"
  根据前两步的解释可知， m_{0,0}就代表图像块的总质量，其他同理可知；

质心相对于质点系中各质点的相对位置与坐标系的选择无关。质点系的质心仅与各质点的质量大小和分布的相对位置有关。

描述子：BRIEF描述子改进

原始的BRIEF描述子 ：在一个特征点的邻域选择n对像素点(p,q)，比较其灰度值大小，如果I§>I(q)，则令其对应的值为1，否则为0，这样对n对像素比较之后，就形成一个长度为n的二进制向量。一般一般n取128、256或512。

选择n对像素点的方法：随机选取或均匀采样等多种方式；

**改进的BRIEF描述子—steered BRIEF：**加入了旋转不变性。在关键点的改进中，使得关键点有了方向，根据此方向，可以获取旋转后的描述子信息，即描述子具有了旋转不变性。
OpenCV使用ORB

#include <opencv2/opencv.hpp>
		cv::Ptr<cv::ORB> orb = cv::ORB::create();
		orb->detect ( img_1,keypoints_1 );
		orb->compute ( img_1, keypoints_1, descriptors_1 );