[转]ORB特征提取-----FAST角点检测

转载地址：https://blog.csdn.net/maweifei/article/details/62887831

(一)ORB特征点提取算法的简介

       Oriented FAST and Rotated BRIEF,简称ORB，该特征检测算子是在著名的FAST特征检测和BRIEF特征描述子的基础上提出来的，其运行时间远远优于SIFT和SURF，可应用于实时性特征检测。ORB特征检测具有尺度和旋转不变性，对于噪声及其透视变换也具有不变性，良好的性能是的利用ORB在进行特征描述时的应用场景十分广泛。ORB特征检测主要分为以下两个步骤:(1)方向FAST特征点检测(2)BRIEF特征描述。

(二)方向FAST特征点检测

     在局部特征检测快速发展的时候，人们对于特征的认识也越来越深入，近几年来，许多学者提出了许许多多的特征检测算法及其相应算法的改进，在众多的特征提取算法中，不乏佼佼者的出现。

        从早期的Moravec，到Harris，再到SIFT,SURF等，可以说特征提取的算法层出不穷，各种改进的算法PCA-SIFT,ICA-SIFT,P-ASURF等也是搞得如火如荼，不亦乐乎。上面所说的SIFT和SURF提取到的特征也是非常的优秀(有较强的不变性)，但是时间消耗依然十分巨大，而在一个系统中，特征点的提取仅仅是一部分，后续还需要进行诸如配准、提纯、图像融合等，这就使得系统的实时性不是很好，降低了系统的性能。Edward Rosten和Tom Drummond两位大神经过研究，与2006年在《Machine learning for high-speed corner detection》中提出了一种FAST特征点，并在2010年稍作修改之后发表了《Feature From Accelerated Segment Test》,简称FAST。注意:FAST只是一种特点检测算法，并不涉及特征点的描述。

        ORB采用的是FAST算子检测特征点，然后再给检测到的特征点加个特征方向信息，构成oFAST。解决了FAST算子不带有方向的严重缺陷。

       FAST角点检测是一种基于机器学习的快速角点特征的检测算法，具有方向的FAST关键点检测是对兴趣点所在圆周上的16个像素点进行判断，其核心思想就是找出那些卓尔不群的点，也就是拿出一个点跟它周围足够多的点比较，如果这个点和周围足够多的点不一样，那么就认为它是一个FAST角点.考虑图像中的任意一个像素点和以这个像素点为中心的区域，通常情况下，该区域选择圆形区域。如下图所示：要判断P点是否为角点：将P点的灰度值和它邻域内的16个像素点的灰度值进行比较，如果P点的像素值和圆圈上邻域内n个连续的像素点的像素值相减大于阈值t，那么就认为点P是一个角点。

         FAST角点检测计算的时间复杂度小，检测效果突出。FAST角点检测为加速该算法，通常首先对圆周上的点集进行排序，排序使得其计算过程大大得到了优化。FAST多尺度特性通过建立图像金字塔获得，引入灰度质心法用于实现特征点方向。

 

 

步骤一：粗提取。该步能够提取大量的特征点，但是有很大一部分的特征点的质量不高。下面介绍提取方法。从图像中选取一点P，如上图1。我们判断该点是不是特征点的方法是，以P为圆心画一个半径为3pixel的圆。圆周上如果有连续n个像素点的灰度值比P点的灰度值大或者小，则认为P为特征点。一般n设置为12。为了加快特征点的提取，快速排出非特征点，首先检测1、9、5、13位置上的灰度值，如果P是特征点，那么这四个位置上有3个或3个以上的的像素值都大于或者小于P点的灰度值。如果不满足，则直接排出此点。

步骤二：机器学习的方法筛选最优特征点。简单来说就是使用ID3算法训练一个决策树，将特征点圆周上的16个像素输入决策树中，以此来筛选出最优的FAST特征点。

步骤三：非极大值抑制去除局部较密集特征点。使用非极大值抑制算法去除临近位置多个特征点的问题。为每一个特征点计算出其响应大小。计算方式是特征点P和其周围16个特征点偏差的绝对值和。在比较临近的特征点中，保留响应值较大的特征点，删除其余的特征点。

步骤四：特征点的尺度不变形。建立金字塔，来实现特征点的多尺度不变性。设置一个比例因子scaleFactor（opencv默认为1.2）和金字塔的层数nlevels（pencv默认为8）。将原图像按比例因子缩小成nlevels幅图像。缩放后的图像为：I’= I/scaleFactork(k=1,2,…, nlevels)。nlevels幅不同比例的图像提取特征点总和作为这幅图像的oFAST特征点。

步骤五：特征点的旋转不变性。ORB算法提出使用矩（moment）法来确定FAST特征点的方向。也就是说通过矩来计算特征点以r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向。矩定义如下：

 

其中，I(x,y)为图像灰度表达式。该矩的质心为：

 

假设角点坐标为O，则向量的角度即为该特征点的方向。计算公式如下：

1. /********************************************************************************************************
2. 文件说明:
3. FAST角点检测
4. 开发环境:
5. Win7 + OpenCv2.4.8 + VS2012
6. 时间地点:
7. 陕西师范大学 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); // 检测的阈值为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. }

参考资料:

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