robust检验python_一起学opencv-python三十三（特征检测和描述：SURF，BRIEF和ORB）

SURF(Speeded Up Robust Features)

原理参考了https://www.cnblogs.com/gfgwxw/p/9415218.html

在上一讲中，我们看到了SIFT的关键点检测和描述。但它相对较慢，人们需要更加快速的版本。2006年，Bay，H.，Tuytelaars，T。和Van Gool，L三人发表了另一篇论文“SURF：Speeded Up Robust Features”，引入了一种名为SURF的新算法。顾名思义，它是SIFT的加速版本。

这个积分图我们也介绍过好多次了，用于快速计算卷积。

这块内容我们很熟悉了，这个感觉有点像联合概率分布的感觉。这个可以加速的原因就是避免了一些重复的计算，我们事先把一些计算结果存在积分图里面，可以直接利用而不是下次用到某一个结果的时候再次计算。

b就是高斯滤波器的二阶求导结果。

为什么可以

为什么经过高斯滤波可以看做是一种尺度变换呢？这是因为高斯滤波某种程度上和降采样(也就是缩小图片)实现的效果是一样的，因为高斯滤波可以弱化边缘，可以消除像素之间的差异，会让图像变得模糊，这一点和降采样的效果是很像的。

这就是前面提到的一种HAAR特征提取方法。

简而言之，SURF增加了许多功能来提高每一步的速度。分析显示它比SIFT快3倍，而性能与SIFT相当。SURF擅长处理模糊和旋转的图像，但不善于处理视角变化和光照变化(据opencv官方)。在opencv中它和SIFT的用法类似：

解释一些参数的含义，extended表示描述符的维数，0代表使用64维描述符而，1表示使用128维的描述符。upright表示是否计算方向，0代表计算方向，1代表不计算方向。hessianThreshold表示hessian行列式的阈值。nOctaves是高斯金字塔的组数，默认是4。

nOctaveLayers是每一组的层数，默认是2。

下面我们来试验对比下：

这个是SIFT的时间。

SURF的时间好长，但是检测出来的点很多，我们需要增大阈值了，我们这里设为1000，在实际情况下，最好是300-500。

enmm，看着太乱了，不好显示，再加大一下阈值。

可以看到方向是不一样的。如果不计算方向：

感觉也没有快多少。也感觉不到SURF比SIFT快，可能是我只运行了一次，具有偶然性？

BRIEF

参考了https://blog.csdn.net/hujingshuang/article/details/46910259

也就是说BRIEF其实本身并不是一种特征检测方法，而其实应该算是一种特征描述方法。

上面是分别用五种采样方法得到的图形。这里再介绍一种特征匹配方法：CenSurE。

参考了http://www.docin.com/p-1253563282.html

http://www.doc88.com/p-9929575192507.html

大致步骤都差不太多，它也是对SIFT的一种改进。

这里又要拿出来积分图了。

再详细的信息可以到http://www.doc88.com/p-9929575192507.html去看一看这篇硕士论文或者去参看原文：

Motilal Agrawal, Kurt Konolige, and Morten Rufus Blas. Censure: Center surround extremas for realtime feature detection and matching. In Computer Vision–ECCV 2008, pages 102–115. Springer, 2008.

opencv中CenSurE的类是

BRIEF的类是：

默认是取256对点，256个数据需要32*8个位，也就是32个字节，这个相比前面的128维(128个数字至少需要128*8位，也就是128个字节，64维也需要64个字节)

然后我们来试一下这个吧。

这个速度感觉好快啊，检测出来特征点只有89个，不过默认是不描述方向的。

时间还稍微短了一点？这个des出出来是一个元组：

第一个元素是关键点存储的一个列表，第二个元素是特征描述的一个元组。

它的长度是32个字节，用uint8存储。

ORB

ORB出现的很大的一个原因是：SIFT和SURF已获得专利，您应该支付它们的使用费用。但ORB不是!!!它不需要安装opencv-contrib就可以使用。关于它的原理，参考https://blog.csdn.net/zouzoupaopao229/article/details/52625678

这里又提到了FSAT，我们算是复习一下。

第一步主要还是排除。

原来的FAST里面并没有步骤四和五的内容。步骤四感觉就是和SIFT结合了一下。

这是我们第二次见了。

均值为0.5的时候信息熵最大，包含信息量最多，方差大。

4

关于积分图加速，其实我一直存有疑问，它是怎么加速高斯滤波的？参考了https://www.cnblogs.com/celerychen/archive/2013/03/09/2951660.html

按照2的思路，其它类型的滤波器或许也可以用均值来组合逼近，当然统计滤波就有点麻烦了。比如中值滤波我感觉要求最高的其实是排序算法，只要排序算法速度快，它的效率就高。

如果还不是很懂可以看看https://blog.csdn.net/yirant7/article/details/51332881

opencv里面怎么实现呢？

因为这里会有特征点数，所以需要排名，我们取前面n个，除了哈里斯得分，还有FAST得分。

我们来试一试：

感觉是比SIFT要快，但是没有100倍吧。我看换一种得分方式结果会有不同吗？

区别比较小吧。

特征检测和描述大概就学习这么多吧。