opencv特征点匹配_OPENCV特征点提取算法对比

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：

1. 构建尺度空间

2. 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

3. 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：

1. 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

2. 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：

1. 计算积分图(为了加速Box滤波Harr小波的计算)

2. 改变Box滤波器的尺度来得到不同的尺度空间

3. 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：

1. 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

2. 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。

1. 在图像中任选一点p， 假定其像素(亮度)值为 Ip

2. 以3为半径画圆，覆盖p点周围的16个像素，如下图所示

3. 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).

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，