图像处理之特征描述与匹配

本节中主要介绍以下两点：

BRIEF算法介绍
ORB介绍

一、BRIEF(二进制的鲁棒独立基本特征)的原理介绍

**BRIEF提供了一种直接查找二进制字符串而无需查找描述符的快捷方式。**它需要平滑的图像补丁，并以独特的方式（在纸上展示）选择一组nd(x，y)n_d(x，y)nd(x，y)位置对。然后，在这些位置对上进行一些像素强度比较。例如，令第一位置对为ppp和qqq。如果I(p)<I(q)I(p)<I(q)I(p)<I(q)，则结果为1，否则为0。将其应用于所有ndn_dnd个位置对以获得ndn_dnd维位串。

该ndn_dnd可以是128、256或512。OpenCV支持所有这些，但默认情况下将是256（OpenCV以字节为单位表示，因此值将为16、32和64）。因此，一旦获得此信息，就可以使用汉明距离来匹配这些描述符。

重要的一点是，BRIEF是特征描述符，它不提供任何查找特征的方法。因此，您将不得不使用任何其他特征检测器，例如SIFT，SURF等。本文建议使用CenSurE，它是一种快速检测器，并且BIM对于CenSurE点的工作原理甚至比对SURF点的工作要好一些。

简而言之，BRIEF是一种更快的方法特征描述符计算和匹配。除了平面内旋转较大的情况，它将提供很高的识别率。
OpenCV中的BRIEF

下面的代码显示了借助CenSurE检测器对Brief描述符的计算。（在OpenCV中，CenSurE检测器称为STAR检测器）注意，您需要使用opencv contrib）才能使用它。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)
# 初始化FAST检测器
star = cv.xfeatures2d.StarDetector_create()
# 初始化BRIEF提取器
brief = cv.xfeatures2d.BriefDescriptorExtractor_create()
# 找到STAR的关键点
kp = star.detect(img,None)
# 计算BRIEF的描述符
kp, des = brief.compute(img, kp)
print( brief.descriptorSize() )
print( des.shape )

函数brief.getDescriptorSize()给出以字节为单位的ndn_dnd大小。默认情况下为32。下一个是匹配项。
二、ORB(面向快速和旋转的BRIEF)
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角测度在其中找到前N个点。它还使用金字塔生成多尺度特征。但是一个问题是，FAST无法计算方向。那么旋转不变性呢？作者提出以下修改。

它计算角点位于中心的贴片的强度加权质心。从此角点到质心的矢量方向确定了方向。为了改善旋转不变性，使用x和y计算矩，它们应该在半径rrr的圆形区域中，其中rrr是斑块的大小。

现在，对于描述符，ORB使用Brief描述符。但是我们已经看到，BRIEF的旋转性能很差。因此，ORB所做的就是根据关键点的方向“引导” BRIEF。对于位置(xi,yi)(x_i,y_i)(xi,yi)上n个二进制测试的任何特征集，定义一个2×n2×n2×n矩阵S，其中包含这些像素的坐标。然后使用面片的方向θθθ，找到其旋转矩阵并旋转SSS以获得转向（旋转）版本SθS_θSθ。

ORB将角度离散化为2π30\frac{2π}{30}302π（12度）的增量，并构造了预先计算的Brief模式的查找表。只要关键点方向θθθ在各个视图中一致，就将使用正确的点集SθS_θSθ来计算其描述符。

BRIEF具有一个重要的特性，即每个位特征具有较大的方差，且均值接近0.5。但是，一旦沿关键点方向定向，它就会失去此属性，变得更加分散。高方差使功能更具区分性，因为它对输入的响应不同。另一个理想的特性是使测试不相关，因为从那时起每个测试都会对结果有所贡献。为了解决所有这些问题，ORB在所有可能的二进制测试中进行贪婪搜索，以找到方差高且均值接近0.5且不相关的测试。结果称为rBRIEF。

对于描述符匹配，使用了对传统LSH进行改进的多探针LSH。该论文说，ORB比SURF快得多，而SIFT和ORB描述符比SURF更好。在全景拼接等低功耗设备中，ORB是一个不错的选择。
OpenCV中的ORB

与往常一样，我们必须使用函数cv.ORB()或使用feature2d通用接口来创建ORB对象。它具有许多可选参数。最有用的是nFeatures，它表示要保留的最大特征数（默认为500），scoreType表示是对特征进行排名的Harris分数还是FAST分数（默认为Harris分数）等。另一个参数WTA_K决定点数产生定向的BRIEF描述符的每个元素。默认情况下为两个，即一次选择两个点。在这种情况下，为了匹配，将使用NORM_HAMMING距离。如果WTA_K为3或4，则需要3或4个点来生成Brief描述符，则匹配距离由NORM_HAMMING2定义。下面是显示ORB用法的简单代码。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('simple.jpg',0)
# 初始化ORB检测器
orb = cv.ORB_create()
# 用ORB寻找关键点
kp = orb.detect(img,None)
# 用ORB计算描述符
kp, des = orb.compute(img, kp)
# 仅绘制关键点的位置，而不绘制大小和方向
img2 = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)
plt.imshow(img2), plt.show()

查看结果：

图像处理之特征描述与匹配相关推荐

lbp特征提取算法知乎_计算机视觉基础-图像处理: LBP特征描述算子
1 简介 LBP指局部二值模式(Local Binary Pattern),是一种用来描述图像局部特征的算子,具有灰度不变性和旋转不变性等显著优点.LBP常应用于人脸识别和目标检测中,在OpenCV中 ...
OpenCV之feature2d 模块. 2D特征框架（2）特征描述使用FLANN进行特征点匹配使用二维特征点(Features2D)和单映射(Homography)寻找已知物体平面物体检测
特征描述目标在本教程中,我们将涉及: 使用 DescriptorExtractor 接口来寻找关键点对应的特征向量. 特别地: 使用 SurfDescriptorExtractor 以及它的函数 ...
过程声明与同名事件或过程的描述不匹配_多特征结合的倾斜无人机影像匹配方法...
作者信息马国宝1,俞友2,3 (1. 青海省基础测绘院,青海西宁 810000:2. 湖南省地质矿产勘查开发局402队,湖南长沙 410004:3. 湖南省勘测设计院,湖南长沙 410 ...
【图像处理】——特征匹配（SIFT特征检测器+FLANN特征匹配方法+KNN近邻最优匹配筛选）——cv.xfeatures2d.SIFT_create()sift.detectAndCompute
转载请注明地址目录 1.特征检测和特征匹配方法 (1)特征检测算法 (2)特征匹配算法 (3)各种特征检测算法的比较 2.特征匹配的基本步骤(附带主要的函数) (1)图像预处理--灰度化(模板--查 ...
特征提取、特征描述、特征匹配的通俗解释
人工智能AI与大数据技术实战公众号: weic2c 特征匹配(Feature Match)是计算机视觉中很多应用的基础,比如说图像配准,摄像机跟踪,三维重建,物体识别,人脸识别,所以花一些时间去深 ...
什么是特征点、特征描述、特征匹配
特征匹配(Feature Match)是计算机视觉中很多应用的基础,所以花一些时间去深入理解这个概念是不为过的.本文希望通过一种通俗易懂的方式来阐述特征匹配这个过程,以及在过程中遇到的一些问题. 概念 ...
计算机视觉大型攻略 —— 特征与匹配（3）特征描述符
接上一篇文章.这篇写特征描述符.特征匹配算法在确定角点后,还需要使用描述符来描述这些角点. 本文参考书籍:Computer Vision: Algorithms and Applications, R ...
【特征匹配】BRIEF特征描述子原理及源码解析
相关:Fast原理及源码解析 Harris原理及源码解析 SIFT原理及源码解析 SURF原理及源码解析转载请注明出处: http://blog.csdn.net/luoshixian099/art ...
opencv 二维图像特征检测特征描述特征匹配平面物体识别跟踪
github代码一.Harris角点 cornerHarris() R = det(M) - k*(trace(M))^2 算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动,比较滑动前与 ...

图像处理之特征描述与匹配

图像处理之特征描述与匹配相关推荐

最新文章

热门文章