OPENCV特征点提取算法对比
除了我们熟知的SIFT、SURF、ORB等特征点提取算法,OpenCV中还提供了十余种特征点提取算法。最近在整理以往的ppt和报告,看到其中一页ppt,发现已经忘得差不多了,就再写篇博客复习下好了,这篇博客注重对比,技术方面的内容不会太过细致,希望能有帮助。当然,文章末尾会提供这些算法OpenCV调用的实例代码。
首先,引发内容的就是下面这张ppt:(不要注意Why Surf了,当时根据具体应用场景所做的选择)左边一栏是特征点的数目,右边一栏是检测的速度,数据是在博主自己的测试集(大概四五百张图片)上测试的。
SIFT
SIFT的论文在谷歌学术上单片引用超过四万次,算得上那个年代特征提取技术的里程碑了。一改以往特征点提取不稳定,特征不足的弱点,SIFT可以稳定的提取出特征点,并且对旋转平移缩放是鲁棒的。可以说是SIFT开启了鲁棒特征提取研究,下面是SIFT特征提取的主要步骤:
特征点检测:
构建尺度空间
在Dog高斯差分空间计算极值点,二次曲线插值获得亚像素精度的特征点
去除低对比度点,通过计算Hessian矩阵去除边缘响应点
特征描述:
统计特征点周围16*16区域的直方图,并选取直方图峰值作为改关键点的主方向
将坐标轴旋转为关键点的方向,保证旋转不变性,根据梯度计算128维特征描述子
SIFT的鲁棒性是有特征点检测和特征描述两个部分决定的,在这页最开始的PPT中,都是只统计了特征点检测算法,没有考虑特征描述(因为有许多算法不具备描述能力)。
这里额外解释下Dog,对不同模糊度的高斯滤波图像相减,得到的Dog,事实上就是不同尺度边缘的Laplace边缘检测,Dog计算比逐个进行Laplace滤波要快。数学推导参见Paper,在高斯滤波sigma计算时需要一定条件,才能近似的得到拉普拉斯滤波图像。
SURF
SURF算法可以看做是对SIFT算法的重要改进,全称Speeded-Up Robust Features,解决了SIFT计算复杂度高、耗时长的确定。SURF算法在光照和形变方面的鲁棒性要逊色于SIFT,但是带来了三倍的速度提升。
特征点检测:
计算积分图(为了加速Box滤波Harr小波的计算)
改变Box滤波器的尺度来得到不同的尺度空间
使用Hessian矩阵行列式的特征值的符号来确定极值
特征点描述:
根据像素在x,y方向上的Haar小波响应值来确定极值点方向
采用扇形区域扫描来统计得到64维或128维的直方图特征
FAST:BRISK/ORB/KAZE…
FAST是今年来最成功的特征点提取算法之一,其思想非常精妙。ORB算法、KAZE算法等都是使用FAST作为特征点检测算法,区别在于特征描述部分。
在图像中任选一点p, 假定其像素(亮度)值为 Ip
以3为半径画圆,覆盖p点周围的16个像素,如下图所示
设定阈值t,如果这周围的16个像素中有连续的n个像素的像素值都小于 Ip−t 或者有连续的n个像素都大于 Ip+t, 那么这个点就被判断为角点。 在OpenCV的实现中n取值为12(16个像素周长的 3/4).
一种更加快的改进是: 首先检测p点周围的四个点,即1, 5, 9, 12四个点中是否有三个点满足超过Ip+t, 如果不满足,则直接跳过,如果满足,则继续使用前面的算法,全部判断16个点中是否有12个满足条件。
在OpenCV中提供了一个参数,可以选取三种FAST计算方法。
Brisk、ORB、KAZE等算法都采用了FAST做特征点检测,BRIEF做特征描述,