ORB (Oriented FAST and Rotated BRIEF)

分为两部分：

特征点提取 -由FAST(Features from Accelerated Segment Test)算法发展来的

特征点描述 -根据BRIEF(Binary Robust IndependentElementary Features)特征描述算法改进的

具体不详述，数学原理对我来说需要一段时间去理解消化，网上的相关的介绍也很多。这里先从实例开始，学习怎么用这个工具。

ORB特征提取实验

基于opencv3.2.0的ORB特征提取试验

import numpy as np

import cv2

img1 = cv2.imread("data/face1.jpg",0)#导入灰度图像

img2 = cv2.imread("data/face2.jpg",0)

def drawMatches(img1, kp1, img2, kp2, matches):

rows1 = img1.shape[0]

cols1 = img1.shape[1]

rows2 = img2.shape[0]

cols2 = img2.shape[1]

out = np.zeros((max([rows1,rows2]),cols1 + cols2, 3),dtype = 'uint8')

#拼接图像

out[:rows1, :cols1] = np.dstack([img1, img1,img1])

out[:rows2, cols1:] = np.dstack([img2, img2,img2])

for mat in matches:

img1_idx = mat.queryIdx

img2_idx = mat.trainIdx

(x1,y1) = kp1[img1_idx].pt

(x2,y2) = kp2[img2_idx].pt

#绘制匹配点

cv2.circle(out, (int(x1),int(y1)),4,(255,255,0),1)

cv2.circle(out,(int(x2)+cols1,int(y2)),4,(0,255,255),1)

cv2.line(out,(int(x1),int(y1)),(int(x2)+cols1,int(y2)),(255,0,0),1)

return out

detector = cv2.ORB_create()

kp1 = detector.detect(img1,None)

kp2 = detector.detect(img2,None)

kp1,des1 = detector.compute(img1,kp1)

kp2,des2 = detector.compute(img2,kp2)

bf = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck = True)

matches = bf.match(des1,des2)

img3 = drawMatches(img1,kp1,img2,kp2,matches[:50])

# img3 = cv2.drawKeypoints(img1,kp,None,color = (0,255,0),flags = 0)

cv2.imwrite("orbTest.jpg",img3)

cv2.imshow('orbTest',img3)

cv2.waitKey(0)

实验结果：

orbResult.jpg

然后也可以对比下AKAZE，只要将改成

detector = cv2.ORB_create()

改成

detector = cv2.AKAZE_create()

效果图：

orbResult_akaze.jpg

这里复习了一下Python特性之切片，在拼接图片时用到了：

例如：

list[1:3]，表示返回从位置1开始，包括位置2，但是停止在位置3的一个序列切片，因此返回一个含有两个项目的切片。

out[:rows1, :cols1] 行：从0开始，到rows1之前；列：从0开始，到cols1之前

out[:rows2, cols1:] 行：从0开始，到rows2之前；列：从cols1开始，到最后

补充说明：

在opencv2中， orb = cv2.ORB ()是对的；

在opencv3中这样会报错，改成orb = cv2.ORB_create()就没问题了。