[轉]ORB特征提取-----FAST角點檢測

轉載地址：https://blog.csdn.net/maweifei/article/details/62887831

(一)ORB特征點提取算法的簡介

       Oriented FAST and Rotated BRIEF,簡稱ORB，該特征檢測算子是在著名的FAST特征檢測和BRIEF特征描述子的基礎上提出來的，其運行時間遠遠優於SIFT和SURF，可應用於實時性特征檢測。ORB特征檢測具有尺度和旋轉不變性，對於噪聲及其透視變換也具有不變性，良好的性能是的利用ORB在進行特征描述時的應用場景十分廣泛。ORB特征檢測主要分為以下兩個步驟:(1)方向FAST特征點檢測(2)BRIEF特征描述。

(二)方向FAST特征點檢測

     在局部特征檢測快速發展的時候，人們對於特征的認識也越來越深入，近幾年來，許多學者提出了許許多多的特征檢測算法及其相應算法的改進，在眾多的特征提取算法中，不乏佼佼者的出現。

        從早期的Moravec，到Harris，再到SIFT,SURF等，可以說特征提取的算法層出不窮，各種改進的算法PCA-SIFT,ICA-SIFT,P-ASURF等也是搞得如火如荼，不亦樂乎。上面所說的SIFT和SURF提取到的特征也是非常的優秀(有較強的不變性)，但是時間消耗依然十分巨大，而在一個系統中，特征點的提取僅僅是一部分，后續還需要進行諸如配准、提純、圖像融合等，這就使得系統的實時性不是很好，降低了系統的性能。Edward Rosten和Tom Drummond兩位大神經過研究，與2006年在《Machine learning for high-speed corner detection》中提出了一種FAST特征點，並在2010年稍作修改之后發表了《Feature From Accelerated Segment Test》,簡稱FAST。注意:FAST只是一種特點檢測算法，並不涉及特征點的描述。

        ORB采用的是FAST算子檢測特征點，然后再給檢測到的特征點加個特征方向信息，構成oFAST。解決了FAST算子不帶有方向的嚴重缺陷。

       FAST角點檢測是一種基於機器學習的快速角點特征的檢測算法，具有方向的FAST關鍵點檢測是對興趣點所在圓周上的16個像素點進行判斷，其核心思想就是找出那些卓爾不群的點，也就是拿出一個點跟它周圍足夠多的點比較，如果這個點和周圍足夠多的點不一樣，那么就認為它是一個FAST角點.考慮圖像中的任意一個像素點和以這個像素點為中心的區域，通常情況下，該區域選擇圓形區域。如下圖所示：要判斷P點是否為角點：將P點的灰度值和它鄰域內的16個像素點的灰度值進行比較，如果P點的像素值和圓圈上鄰域內n個連續的像素點的像素值相減大於閾值t，那么就認為點P是一個角點。

         FAST角點檢測計算的時間復雜度小，檢測效果突出。FAST角點檢測為加速該算法，通常首先對圓周上的點集進行排序，排序使得其計算過程大大得到了優化。FAST多尺度特性通過建立圖像金字塔獲得，引入灰度質心法用於實現特征點方向。

 

 

步驟一：粗提取。該步能夠提取大量的特征點，但是有很大一部分的特征點的質量不高。下面介紹提取方法。從圖像中選取一點P，如上圖1。我們判斷該點是不是特征點的方法是，以P為圓心畫一個半徑為3pixel的圓。圓周上如果有連續n個像素點的灰度值比P點的灰度值大或者小，則認為P為特征點。一般n設置為12。為了加快特征點的提取，快速排出非特征點，首先檢測1、9、5、13位置上的灰度值，如果P是特征點，那么這四個位置上有3個或3個以上的的像素值都大於或者小於P點的灰度值。如果不滿足，則直接排出此點。

步驟二：機器學習的方法篩選最優特征點。簡單來說就是使用ID3算法訓練一個決策樹，將特征點圓周上的16個像素輸入決策樹中，以此來篩選出最優的FAST特征點。

步驟三：非極大值抑制去除局部較密集特征點。使用非極大值抑制算法去除臨近位置多個特征點的問題。為每一個特征點計算出其響應大小。計算方式是特征點P和其周圍16個特征點偏差的絕對值和。在比較臨近的特征點中，保留響應值較大的特征點，刪除其余的特征點。

步驟四：特征點的尺度不變形。建立金字塔，來實現特征點的多尺度不變性。設置一個比例因子scaleFactor（opencv默認為1.2）和金字塔的層數nlevels（pencv默認為8）。將原圖像按比例因子縮小成nlevels幅圖像。縮放后的圖像為：I’= I/scaleFactork(k=1,2,…, nlevels)。nlevels幅不同比例的圖像提取特征點總和作為這幅圖像的oFAST特征點。

步驟五：特征點的旋轉不變性。ORB算法提出使用矩（moment）法來確定FAST特征點的方向。也就是說通過矩來計算特征點以r為半徑范圍內的質心，特征點坐標到質心形成一個向量作為該特征點的方向。矩定義如下：

 

其中，I(x,y)為圖像灰度表達式。該矩的質心為：

 

假設角點坐標為O，則向量的角度即為該特征點的方向。計算公式如下：

1. /********************************************************************************************************
2. 文件說明:
3. FAST角點檢測
4. 開發環境:
5. Win7 + OpenCv2.4.8 + VS2012
6. 時間地點:
7. 陝西師范大學 2017.3.17
8. 作 者:
9. 九 月
10. *********************************************************************************************************/
11. #include <opencv2/core/core.hpp>
12. #include <opencv2/highgui/highgui.hpp>
13. #include <opencv2/imgproc/imgproc.hpp>
14. #include <opencv2/features2d/features2d.hpp>
15.  
16. using namespace cv;
17. using namespace std;
18.  
19. int main(int argc, char** argv)
20. {
21. cv::Mat img = imread( "hand1.jpg");
22. std::vector<cv::KeyPoint> keypoints;
23.  
24. cv:: FastFeatureDetector fast(15); // 檢測的閾值為50
25. fast.detect(img, keypoints);
26.  
27. cv::Mat img_keypoints;
28. cv::drawKeypoints(img, keypoints, img_keypoints, Scalar::all( -1), DrawMatchesFlags::DEFAULT);
29.  
30. cv::imshow( "Keypoints", img_keypoints);
31. cv::waitKey( 0);
32. return 0;
33. }

參考資料:

1)http://blog.csdn.net/hujingshuang/article/details/46898007

2)http://m.blog.csdn.net/article/details?id=52625678

3)http://download.csdn.net/detail/yang843061497/7785917

 

4)http://www.cvchina.info/2011/07/04/whats-orb/ 

5)http://blog.sina.com.cn/s/blog_916b71bb0100w9al.html