android opencv harris,计算机视觉 OpenCV Android | 特征检测与匹配 之 Feature2D中的检测器与描述子...

引言及特征点监测器

前面提到的SURF与SIFT特征检测器与描述子，

其实都是OpenCV扩展模块xfeature2d中的内容，

而在OpenCV本身包含的feature2d模块中也包含了几个非常有用的特征检测器与描述子，

其所支持的特征点检测器(FeatureDetector)如下：FAST=1

STAR=2

ORB=5

MSER=6

GFTT=7

HARRIS=8

SIMPLEBLOB=9

DENSE=10

BRISK=11

AKAZE=12

其中，3、4本来是SIFT与SURF的，但在OpenCV3.x中，它们已经被移到扩展模块中了。

如果使用OpenCV官方编译好的OpenCV4Android 3.x版本的SDK，

则当声明与使用这两个类型的时候，它会告诉你不支持。

描述子类型

feature2d支持的特征点检测器还支持以下的描述子类型：DescriptorExtractor.ORB=3

DescriptorExtractor.BRIEF=4

DescriptorExtractor.BRISK=5

DescriptorExtractor.FREAK=6

DescriptorExtractor.AKAZE=7

这里其实还有1与2分别是SIFT与SURF，

但其已经被移到扩展模块了，所以如果声明使用会抛出不支持的错误提示。

简单介绍几种特征提取方法

在feature2d模块中同时具有特征点检测与描述子功能的方法有ORB、BRISK、AKAZE。

下面我们简单介绍一下这三种特征提取方法。

1.ORB检测器与描述子ORB(Oriented FAST and Rotated BRIEF)是OpenCV实验室于2011年开发出来的一种新的特征提取算法，

相比较于SIFT与SURF，

ORB的一大好处是没有专利限制，

可以免费自由使用，

同时具有旋转不变性与尺度不变性。

OpenCV4Android中创建ORB检测器与描述子的代码：FeatureDetector detector = FeatureDetector.create(FeatureDetector.ORB);

DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.ORB);

2.BRISK检测器与描述子BRISK(Binary Robust Invariant Scalable Keypoint)特征检测与描述子是在2011年由几位作者联合提出的一种新的特征提取算法，

OpenCV4Android中创建ORB检测器与描述子的代码如下：FeatureDetector detector = FeatureDetector.create(FeatureDetector.BRISK);

DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.BRISK);

3.AKAZE检测器与描述子AKAZE算法是SIFT算法之后,

具有尺度不变性与旋转不变性算法领域的再一次突破，

它是KAZE特征提取算法的加速版本；

其算法原理有别于前面提到的几种方法，

其是通过正则化PM方程与AOS(加性算子分裂)方法来求解非线性扩散，

从而得到 尺度空间 的 每一层；

采样的方法与SIFT类似，

对每一层实现候选点的定位与过滤以实现关键点的提取；

然后再使用与SURF求解方向角度类似的方法实现旋转不变性特征，

最终生成AKAZE描述子。

AKAZE算法的原理本身比较复杂，笔者所读的书中亦无详细解说，

感兴趣的小伙伴阅读相关论文去深入了解。

在OpenCV4Android中创建AKAZE特征检测器与描述子的代码如下：FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);

DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.AKAZE);

4. OpenCV4Android中feature2d检测器与描述子的使用

基于feature2d中的检测器对象实现对象关键点检测的演示代码：FeatureDetector detector = null;if(type == 1) {

detector = FeatureDetector.create(FeatureDetector.ORB);

} else if(type == 2) {

detector = FeatureDetector.create(FeatureDetector.BRISK);

} else if(type == 3) {

detector = FeatureDetector.create(FeatureDetector.FAST);

} else if(type == 4){

detector = FeatureDetector.create(FeatureDetector.AKAZE);

} else {detector = FeatureDetector.create(FeatureDetector.HARRIS);

}

MatOfKeyPoint keyPoints = new MatOfKeyPoint();

detector.detect(src, keyPoints);

Features2d.drawKeypoints(src, keyPoints, dst);

以AKAZE为例，在feature2d中实现图像特征检测、描述子计算、特征匹配的演示代码如下：private void descriptorDemo(Mat src, Mat dst) {

String boxFile = fileUri.getPath().replaceAll("box_in_scene", "box");

Mat boxImage = Imgcodecs.imread(boxFile);

FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);

DescriptorExtractor descriptorExtractor = DescriptorExtractor.create

(DescriptorExtractor.AKAZE);

// 关键点检测　　MatOfKeyPoint keyPoints_box = new MatOfKeyPoint();

MatOfKeyPoint keyPoints_scene = new MatOfKeyPoint();

detector.detect(boxImage, keyPoints_box);

detector.detect(src, keyPoints_scene);

// 描述子生成　　Mat descriptor_box = new Mat();

Mat descriptor_scene = new Mat();

descriptorExtractor.compute(boxImage, keyPoints_box, descriptor_box);

descriptorExtractor.compute(src, keyPoints_scene, descriptor_scene);

// 特征匹配　　MatOfDMatch matches = new MatOfDMatch();

DescriptorMatcher descriptorMatcher = DescriptorMatcher.create

(DescriptorMatcher.BRUTEFORCE_HAMMING);

descriptorMatcher.match(descriptor_box, descriptor_scene, matches);

Features2d.drawMatches(boxImage, keyPoints_box, src, keyPoints_scene, matches, dst);

// 释放内存　　keyPoints_box.release();

keyPoints_scene.release();

descriptor_box.release();

descriptor_scene.release();

matches.release();

}

如果是作者本人的GitHub项目的话，

运行时，首先需要把drawable中的box.png与box_in_scene图像放到SD卡上的指定目录下，

在演示程序运行之后选择box_in_scene图像即可。

当然我们也可以更改一下代码，使用别的图片进行测试或者把图片放在项目中进行测试。

作者：凌川江雪

链接：https://www.jianshu.com/p/44c9a77191ca