OpenCV4学习笔记（47）——BRISK特征提取描述算法

今天要整理记录的是OpenCV中BRISK特征提取描述算法的运用。

BRISK特征提取描述算法全称为 Binary Robust Invariant Scalable Keypoints（二进制鲁棒不变可扩展关键点）。BRISK算法也是SIFT算法的一种改进型，主要是针对于旋转不变性、鲁棒性、运算速度等方面做了优化，其大致流程如下：

（1）在提取特征点阶段与SIFT算法类似（可参阅《OpenCV4学习笔记（38）》，同样是先构造多尺度图像金字塔，再从每一层图像组的多尺度空间中找到最大特征点（非极大值抑制）；

（2）再通过亚像素插值得到最大特征点的精确坐标位置，也即把最大特征点从其它层的坐标映射到金字塔最底层的坐标位置，从而完成对最大特征点的定位。

（3）在描述特征点阶段，使用特征点邻域同心圆采样法，在每个特征点的邻域中选择一个同心圆，在这个同心圆上均匀采样，并对所有采样点进行高斯模糊以消除重复采样带来的影响，并以采样点中的短距离点对的灰度值比较结果，来构建二进制描述子（类似BRIEF特征二进制描述算法，可参阅《OpenCV4学习笔记（39）》）。

（4）再以每个特征点的方向特征、也就是梯度来进行方向归一化，强化了BRISK特征描述子的旋转不变性。

通过上述步骤即可得到BRISK特征的二进制描述子，总的来说BRISK特征算法是一种效果比较好的特征算法，主要优点在于它的检测速度，相比SIFT等特征算法而言要明显更快，可以用于实时处理中。

在OpenCV中同样封装好了BRISK算法的特征检测器，下面是调用BRISK算法的代码演示：

	Mat tem_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\tem.jpg");
	Mat dected_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\miao.jpg");
	resize(tem_image, tem_image, Size(160,120));
	resize(dected_image, dected_image, Size(