【opencv】特征点检测方法--GFTT，SIFT，FAST，SURF

一. 特征点检测方法总结

1 .       Shi-Tomasi：  1994年，Jinabo Shi，Carlo Tomasi提出

原理：http://blog.csdn.net/xiaowei_cqu/article/details/7805206

提出：http://wenku.baidu.com/link?url=d-ByPLIzgzJetEH0eg9OMEiCmjVunZ1V8lufllGymzWa0_7UcANJ7pqpur4joE-MRPYRqkS2D8vRv9HAMT9dQPx1zk9m1ZxvQska7m-bgqG

实现：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/features2d/trackingmotion/good_features_to_track/good_features_to_track.html

      cvGoodFeatureToTrack函数(通过设置use_harris参数为非0，可以实现检测Harris角点)

优缺点：是对Harris的一种改进算法

      2.      SIFT：1999年提出，2004年完善，David G.Lowe提出

原理：http://blog.csdn.net/dan1900/article/details/14521029

提出：1999：http://wenku.baidu.com/link?url=G8NB1abVM-qTB75Tz3x_krTDiS4GuHnXamdutUOxtZ2yozYe0nZAE28L0Tw-m2y9P60dQQKnB-vr0gisowVJQcM1W8IL1-PWd4bi_FusDJq

2004：http://www.doc88.com/p-077847145905.html

实现：http://www.cnblogs.com/tornadomeet/archive/2012/03/08/2384843.html

      http://blog.csdn.net/yang_xian521/article/details/7533922

      (non-free) 添加opencv_nonfree243.lib

优缺点：尺度不变，旋转不变，但匹配成功数目少，速度慢

3.       FAST(Features from Accelerated Tegment Test)：2006年，Edward Rosten ,TomDrummond

原理：http://blog.csdn.net/yang_xian521/article/details/7411438

提出：2006：http://link.springer.com/chapter/10.1007/11744023_34  (Springer)

2010：http://www.edwardrosten.com/work/rosten_2008_faster.pdf

实现：http://www.edwardrosten.com/work/fast.html

      FastFeatureDetector函数

优缺点：计算速度快，只计算了灰度信息

4.      SURF(Speed UpRobust Feature)：2006年，Bay等提出的

原理：http://blog.csdn.net/chenbang110/article/details/7541157

      http://blog.csdn.net/yangtrees/article/details/7482960

提出：http://link.springer.com/chapter/10.1007%2F11744023_32 (Springer)

实现：http://www.oschina.net/code/explore/OpenCV-2.2.0/samples/c/find_obj.cpp

      cvExtractSURF函数(non-free)

优缺点：由sift改进而来，比sift快，多幅图片时鲁棒性好。

5.      CenSurE(Center SurroundExtremas for Realtime Feature Detection and Matching)

2008年，Motiala Agrawal等

提出：http://wenku.baidu.com/link?url=lv4Spxx1kT66kf-FltX-Wa3NJw86_dpkH5kldXEbV6wY5lnbY0JbLGhP21HNF9t-y25ImzIbd3oQduwrxRfiMUJyzSO1bTLG4pI9uQPwHW3 (springer)

实现：opencv STAR (StartFeatureDetecor函数)

比较：文章提出了新的方法，并与已有特征点检测进行比较，比较时用到的算子：Harris，FAST，SIFT，SURF.方法：1. 计算当特征点是800时，对于不同的序列，特征点的可重复性。2. 计算最小的欧式距离值，对比距离区间点的个数，画折线图。3. 计算不同搜索范围下，当特征点个数是800时，每种特征点检测的可以匹配成功的百分比。4.使用the visual odometry(VO)评估每种算法的表现。5.比较了每种算法所用的时间。

6.      BRISK(Binary Robust invariant scalable keypoints) ：2011年，Leutenegger,S等提出

原理：http://d.wanfangdata.com.cn/periodical_jcdzgc201305015.aspx

提出：http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=6126542

实现：

优缺点：是对FAST算法的改进

二．关于特征点分析对比的相关论文

1.      有关特征点：Shi-Tmoasi，SIFT，SURF

文章：http://miua2012.swansea.ac.uk/uploads/Site/Programme/PSB05.pdf

方法：基于opencv，通过RGB分解，比较特征点的个数和鲁棒性

2.      有关特征点：FAST

文章：http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5596017

方法：主要是看追踪的，用到了forward-backward(FB)漂移误差，NCC，SSD

3.      有关特征点：Shi-Tmoasi，SIFT，SURF，Fast

提出： Evaluationof Endoscopic Image Enhancement for Feature Tracking:A New Validation Framework

三．相关函数的使用

1.      特征点检测架构：http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/features2d/doc/features2d.html

2.      各种特征点检测结果对比

http://blog.csdn.net/vast_sea/article/details/8196420