一、说明

        提起在OpenCV中的特征点提取，可以列出Harris，可以使用SIFT算法或SURF算法来检测图像中的角特征点。本篇围绕sift的特征点提取，只是管中窥豹，而更多的特征点算法有：

• Harris & Stephens / Shi–Tomasi 角点检测算法
• Förstner角点检测器；
• 多尺度 Harris 算子
• 水平曲线曲率法
• 高斯的拉普拉斯、高斯的差异和 Hessian 尺度空间兴趣点的行列式
• 基于 Lindeberg Hessian 特征强度度量的尺度空间兴趣点
• 仿射自适应兴趣点算子
• Wang 和 Brady 角点检测算法
• SUSAN 角点检测器
• Trajkovic 和 Hedley 角点检测器
• 基于 AST 的特征检测器
• 检测器自动合成
• 时空兴趣点检测器

二、快速（来自加速段测试的功能）

        FAST是一种用于识别图像中的兴趣点的算法。兴趣点具有较高的本地信息含量，理想情况下，它们应该在不同图像之间可重复。FAST算法工作背后的原因是开发一种兴趣点检测器，用于实时帧速率应用，如移动机器人上的SLAM，这些应用的计算资源有限。

        算法如下：

• 在强度IP的图像中选择一个像素“p‟”。这是要标识为兴趣点的像素。
• 设置阈值强度值 T。
• 考虑围绕像素 p 的 16 像素圆圈。
• 如果需要将 16 个像素检测为兴趣点，则 <> 个连续像素中的“N”个连续像素需要高于或低于值 T。
• 为了使算法快速，首先将圆的像素 1、5、9 和 13 的强度与 IP 进行比较。从上图中可以明显看出，这四个像素中至少有三个应该满足阈值标准，以便存在兴趣点。
• 如果四个像素值中的至少三个 — I1 、I5 、I9 I13 不高于或低于 IP + T，则 P 不是兴趣点（角）。在这种情况下，我们拒绝像素 p 作为可能的兴趣点。否则，如果至少三个像素高于或低于 Ip + T，则检查所有 16 个像素。
• 对图像中的所有像素重复此过程。

2.1 机器学习方法

• 选择一组图像进行训练，运行FAST算法检测兴趣点

• 对于每个像素“p‟”，将其周围的 16 个像素存储为向量，并对所有像素重复此操作
• 现在这是向量 P，它包含所有用于训练的数据。
• 向量中的每个值都可以采用三种状态。比 p 暗，比 p 亮或与 p 相似。
• 根据状态的不同，整个向量P将细分为三个子集，Pd，Ps，Pb。
• 定义一个变量 Kp，如果 p 是兴趣点，则为 true，如果 p 不是兴趣点，则为 false。
• 使用 ID3 算法（决策树分类器）使用变量 Kp 查询每个子集以获取有关真实类的知识。
• ID3算法的工作原理是熵最小化。以这样一种方式查询 16 像素，以便以最少的查询数找到真正的类（兴趣点或非兴趣点）。或者换句话说，选择像素x，它具有有关像素的最多信息

• 递归地将此熵最小化应用于所有三个子集。
• 当子集的熵为零时终止进程。
• 决策树学习的这种查询顺序也可用于在其他图像中更快地检测。

2.2 用于移除相邻拐角的非最大抑制

        检测彼此相邻的多个兴趣点是该算法初始版本的其他问题之一。这可以通过在检测到兴趣点后应用非最大抑制来处理。我们为每个检测到的点计算一个评分函数 V。评分函数定义为：“连续弧中像素与中心像素之间的绝对差值之和”。我们比较两个相邻的值并丢弃较低的值。

三、简介 （ 二进制鲁棒独立基本特征 ）

        BRIEF 提供了一个快捷方式，可以直接查找二进制字符串而无需查找描述符。它采用平滑的图像补丁，并以独特的方式选择一组nd（x，y）位置对（在论文中解释）。然后对这些位置对进行一些像素强度比较。例如，设第一个位置对为 p 和 q。如果 I（p） <I（q） ，则其结果为 1，否则为 0。这适用于所有 nd 位置对以获取 nd 维位串。此 nd 可以是 128、256 或 512。因此，一旦我们得到这个，我们就可以使用汉明距离来匹配这些描述符。

OpenCV中的简介

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('simple.jpg',0)

# Initiate STAR detector
star = cv2.FeatureDetector_create("STAR")

# Initiate BRIEF extractor
brief = cv2.DescriptorExtractor_create("BRIEF")

# find the keypoints with STAR
kp = star.detect(img,None)

# compute the descriptors with BRIEF
kp, des = brief.compute(img, kp)

print brief.getInt('bytes')
print des.shape 

四、SIFT（尺度不变特征变换）

        它是一种检测图像中突出、稳定的特征点的技术。对于每个这样的点，它都提供了一组不变的旋转和缩放特征。

        SIFT算法有四个步骤：

•确定显著特征点（也称为关键点）的大致位置和比例

•优化其位置和规模

•确定每个关键点的方向。

•确定每个关键点的描述符。

五、大致位置

        SIFT算法使用高斯差，这是LoG的近似值。此过程针对高斯金字塔中图像的不同八度音阶完成。一旦找到此DoG，就会在比例和空间上搜索图像的局部极值。这基本上意味着关键点在该比例中得到最好的表示。

5.1 关键点本地化

        一旦找到潜在的关键点位置，就必须对其进行优化以获得更准确的结果。他们使用尺度空间的泰勒级数展开来获得更准确的极值位置，如果该极值的强度小于阈值（根据论文为0.03），则被拒绝。此阈值在 OpenCV 中称为 contrastThreshold。

        DoG对边缘的响应更高，因此也需要去除边缘。为此，使用了类似于哈里斯角检测器的概念。他们使用2x2的Hessian矩阵（H）来计算主曲率。所以这里我们使用一个简单的函数：如果这个比率大于阈值，则该关键点将被丢弃。因此，它消除了任何低对比度的关键点和边缘关键点，剩下的就是强烈的兴趣点。

5.2 指定方向

        现在为每个关键点分配一个方向，以实现图像旋转的不变性。根据比例在关键点位置周围选取邻域，并在该区域计算梯度大小和方向。将创建具有 36 个箱（覆盖 360 度）的方向直方图。它由梯度幅度和高斯加权圆形窗口加权，σ等于关键点刻度的 1.5 倍。取直方图中的最高峰，任何高于 80% 的峰值也被认为是计算方向的。它创建具有相同位置和比例但方向不同的关键点。它有助于匹配的稳定性。

5.3 每个关键点的描述符

        现在，关键点描述符已创建。在关键点周围拍摄一个 16x16 的邻域。它分为 16 个 4x4 大小的子块。对于每个子块，创建一个 8 箱方向的直方图。它表示为向量以形成关键点描述符。除此之外，还采取了一些措施来实现对照明变化、旋转等的鲁棒性。

六、应用：匹配SIFT描述符

        通过识别其最近的邻居来匹配两个图像之间的关键点。但在某些情况下，第二个最接近的匹配可能非常接近第一个。这可能是由于噪音或其他一些原因而发生的。在这种情况下，将采用最近距离与第二近距离的比率。如果大于 0.8，则拒绝它们。它消除了大约 90% 的错误匹配，而只丢弃了 5% 的正确匹配。

        用于创建全景视图的 SIFT

OpenCV 中的 SIFT

import cv2
import numpy as np

img = cv2.imread('home.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

sift = cv2.SIFT()
kp = sift.detect(gray,None)

img=cv2.drawKeypoints(gray,kp)

cv2.imwrite('sift_keypoints.jpg',img) 

七、SURF（加速 - 强大的功能）

        获取 SURF 描述符分为两个阶段，首先检测 SURF 点，然后在 SURF 点提取描述符。SURF点的检测利用了尺度空间理论。为了检测SURF点，使用快速黑森矩阵。黑森矩阵的行列式用于决定是否可以选择一个点作为兴趣点。在图像 I 中，点 X 处的 Hessian 矩阵由下式定义：

        在对图像执行卷积之前，需要对高斯二阶导数进行离散化。Dxx、Dyy 和 Dxy 表示框滤波器与图像的卷积。这些近似的二阶高斯导数计算是通过使用积分图像快速进行的。

        通过更改框过滤器的大小来分析图像的比例空间。通常，Box 滤波器以默认大小 9x9 开头，对应于 σ= 1.2 的高斯导数。过滤器大小稍后会放大到 15x15、21x21、27x27 等大小。在每个尺度上计算黑森矩阵的近似行列式，并应用 333 个邻域中的非极大抑制来求最大值。SURF 点的位置和比例 s 是用最大值获得的。

        获得的SURF点的方向使用Haar小波响应进行分配。在 SURF 点附近，即半径 6s 以内，在 x 和 y 方向上计算哈尔小波响应。使用这些响应，确定主要方向。在主导方向上，构建了一个以SURF点为中心的20s大小的正方形。这分为44个子区域。在这些子区域中，在55个规则放置的采样点处计算水平和垂直Haar小波响应dx和dy。这些响应以特定的区间相加，得到 Σdx ， Σdy。此外，这些响应的绝对值以特定区间求和，得到 Σ|dx|， Σ|dy|.使用这些值，为每个子区域构造一个 4 维特征向量 V = （Σdx， Σdy， Σ|dx| ， Σ|dy|）。因此，每个提取的 SURF 点都与一个 4x（4x4） 描述符相关联，该描述符是一个 64 维描述符。此 64 维描述符用于执行匹配操作。

八、ORB （定向快速和旋转简报）

        ORB基本上是FAST关键点检测器和BRIEF描述符的融合，并进行了许多修改以增强性能。首先，它使用 FAST 查找关键点，然后应用 Harris 角度量来查找其中的前 N 个点。它还使用金字塔来生成多尺度特征。

ORB的算法：

        它计算角位于中心的修补程序的强度加权质心。矢量从此角点到质心的方向给出了方向。为了提高旋转不变性，用 x 和 y 计算弯矩，它们应该在半径为 r 的圆形区域中，其中 r 是补丁的大小。现在对于描述符，ORB 使用 BRIEF 描述符。BRIEF是旋转不变的，因此ORB根据关键点的方向来操纵BRIEF。对于位置 xi，yi 处的 n 个二进制测试的任何特征集，定义一个 2 x n 矩阵 S，其中包含这些像素的坐标。然后利用贴片的方向θ，找到它的旋转矩阵，旋转S得到转向（旋转）版本Sθ。

        随着轮换的不变，BRIEF变得更加分散。ORB 在所有可能的二元检验中运行贪婪搜索，以找到方差高且均值接近 0.5 且不相关的检验。结果称为 rBRIEF。对于描述符匹配，使用了在传统LSH基础上改进的多探针LSH。

OpenCV 中的 ORB：

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('simple.jpg',0)

# Initiate STAR detector
orb = cv2.ORB()

# find the keypoints with ORB
kp = orb.detect(img,None)

# compute the descriptors with ORB
kp, des = orb.compute(img, kp)

# draw only keypoints location,not size and orientation
img2 = cv2.drawKeypoints(img,kp,color=(0,255,0), flags=0)
plt.imshow(img2),plt.show() 

使用 ORB 进行图像匹配