特征提取与检测(三) --- ORB算法
转载:ORB_关于对噪声、尺度、旋转的改进
简介
ORB的全称是ORiented Brief,是文章ORB: an efficient alternative to SIFT or SURF中提出的一种新的角点检测与特征描述算法。实际上,ORB算法是将FAST角点检测与BRIEF特征描述结合并进行了改进。
ORB算法:
在文章《BRIEF特征点描述算法》中,指出了BRIEF的优缺点,ORB算法就是针对BRIEF算法的缺点1、2提出来的。ORB算法分为两个部分:FAST特征点检测、BRIEF特征描述。
FAST特征检测:
在文章《FAST特征点检测算法》中,详细阐述了FAST算法。但该算法仅仅确定了特征点的位置,没有得到其他任何信息。在ORB算法中,依然采用FAST来检测特征点的位置,但算法进行了如下改动:(以FAST-9为例)
1、假设在图像中要提取N个特征点,则降低FAST的阈值,使FAST算法检测到的特征点大于N;
2、在特征点位置处,计算特征点的Harris响应值R,取前N个响应值大的点作为FAST特征点(Harris角点响应计算:Harris角点检测中的数学推导);
3、由于要解决BRIEF算法的旋转不变性,则需要计算特征点的主方向。
ORB中利用重心来计算,如下(其中(x,y)是特征邻域内的点):
atan2表示反正切,得到的θ值就是FAST特征点的主方向。
BRIEF特征描述:
在文章《BRIEF特征点描述算法》种,阐述了BRIEF算法。该算法速度优势相当明显,但存在三个致命的缺点。针对尺度不变性,可以像SIFT算法一样,子尺度空间构造图像金字塔解决,此处不再说明。ORB算法主要解决前两天缺点:噪声敏感、旋转不变性。
1、解决噪声敏感问题
BRIEF中,采用了9x9的高斯算子进行滤波,可以一定程度上解决噪声敏感问题,但一个滤波显然是不够的。ORB中提出,利用积分图像来解决:在31x31的窗口中,产生一对随机点后,以随机点为中心,取5x5的子窗口,比较两个子窗口内的像素和的大小进行二进制编码,而非仅仅由两个随机点决定二进制编码。(这一步可有积分图像完成)
2、解决旋转不变性
利用FAST中求出的特征点的主方向θ,对特征点邻域进行旋转,Calonder建议先将每个块旋转后,再进行BRIEF描述子的提取,但这种方法代价较大。ORB算法采用的是:每一个特征点处,对产生的256对随机点(以256为例),将其进行旋转,后进行判别,再二进制编码。如下:S表示随机点位置(2xn的矩阵),Sθ表示旋转后的随机点的位置(2xn的矩阵),x1=(u1,v1)是一个坐标向量,其余雷同。n=256。
得到新的随机点位置后,利用积分图像进行二进制编码,即可。
实验: opencv代码
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/legacy/legacy.hpp>
#include <iostream>
#include <vector> using namespace cv;
using namespace std;
int main()
{ Mat img_1 = imread("beaver1.png"); Mat img_2 = imread("beaver2.png"); if (!img_1.data || !img_2.data) { cout << "error reading images " << endl; return -1; } ORB orb; vector<KeyPoint> keyPoints_1, keyPoints_2; Mat descriptors_1, descriptors_2; orb(img_1, Mat(), keyPoints_1, descriptors_1); orb(img_2, Mat(), keyPoints_2, descriptors_2); BruteForceMatcher<HammingLUT> matcher; vector<DMatch> matches; matcher.match(descriptors_1, descriptors_2, matches); double max_dist = 0; double min_dist = 100; //-- Quick calculation of max and min distances between keypoints for( int i = 0; i < descriptors_1.rows; i++ ) { double dist = matches[i].distance; if( dist < min_dist ) min_dist = dist; if( dist > max_dist ) max_dist = dist; } printf("-- Max dist : %f \n", max_dist ); printf("-- Min dist : %f \n", min_dist ); //-- Draw only "good" matches (i.e. whose distance is less than 0.6*max_dist ) //-- PS.- radiusMatch can also be used here. std::vector< DMatch > good_matches; for( int i = 0; i < descriptors_1.rows; i++ ) { if( matches[i].distance < 0.6*max_dist ) { good_matches.push_back( matches[i]); } } Mat img_matches; drawMatches(img_1, keyPoints_1, img_2, keyPoints_2, good_matches, img_matches, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS); imshow( "Match", img_matches); cvWaitKey(); return 0;
}
实验结果:
ORB源码:
在:..\opencv\sources\modules\features2d\src\orb.c中,请自行查看分析,这里列出部分源码:
static void//计算Harris角点响应
HarrisResponses(const Mat& img, vector<KeyPoint>& pts, int blockSize, float harris_k)
{ CV_Assert( img.type() == CV_8UC1 && blockSize*blockSize <= 2048 ); size_t ptidx, ptsize = pts.size(); const uchar* ptr00 = img.ptr<uchar>(); int step = (int)(img.step/img.elemSize1()); int r = blockSize/2; float scale = (1 << 2) * blockSize * 255.0f; scale = 1.0f / scale; float scale_sq_sq = scale * scale * scale * scale; AutoBuffer<int> ofsbuf(blockSize*blockSize); int* ofs = ofsbuf; for( int i = 0; i < blockSize; i++ ) for( int j = 0; j < blockSize; j++ ) ofs[i*blockSize + j] = (int)(i*step + j); for( ptidx = 0; ptidx < ptsize; ptidx++ ) { int x0 = cvRound(pts[ptidx].pt.x - r); int y0 = cvRound(pts[ptidx].pt.y - r); const uchar* ptr0 = ptr00 + y0*step + x0; int a = 0, b = 0, c = 0; for( int k = 0; k < blockSize*blockSize; k++ ) { const uchar* ptr = ptr0 + ofs[k]; int Ix = (ptr[1] - ptr[-1])*2 + (ptr[-step+1] - ptr[-step-1]) + (ptr[step+1] - ptr[step-1]); int Iy = (ptr[step] - ptr[-step])*2 + (ptr[step-1] - ptr[-step-1]) + (ptr[step+1] - ptr[-step+1]); a += Ix*Ix; b += Iy*Iy; c += Ix*Iy; } pts[ptidx].response = ((float)a * b - (float)c * c - harris_k * ((float)a + b) * ((float)a + b))*scale_sq_sq; }
}
//计算FAST角点的主方向
static float IC_Angle(const Mat& image, const int half_k, Point2f pt, const vector<int> & u_max)
{ int m_01 = 0, m_10 = 0; const uchar* center = &image.at<uchar> (cvRound(pt.y), cvRound(pt.x)); // Treat the center line differently, v=0 for (int u = -half_k; u <= half_k; ++u) m_10 += u * center[u]; // Go line by line in the circular patch int step = (int)image.step1(); for (int v = 1; v <= half_k; ++v) { // Proceed over the two lines int v_sum = 0; int d = u_max[v]; for (int u = -d; u <= d; ++u) { int val_plus = center[u + v*step], val_minus = center[u - v*step]; v_sum += (val_plus - val_minus); m_10 += u * (val_plus + val_minus); } m_01 += v * v_sum; } return fastAtan2((float)m_01, (float)m_10);
}
#define GET_VALUE(idx) \ (x = pattern[idx].x*a - pattern[idx].y*b, \ //计算旋转后的位置 y = pattern[idx].x*b + pattern[idx].y*a, \ ix = cvRound(x), \ iy = cvRound(y), \ *(center + iy*step + ix) ) //判决,并二进制编码
for (int i = 0; i < dsize; ++i, pattern += 16)
{ int t0, t1, val; t0 = GET_VALUE(0); t1 = GET_VALUE(1); val = t0 < t1; t0 = GET_VALUE(2); t1 = GET_VALUE(3); val |= (t0 < t1) << 1; t0 = GET_VALUE(4); t1 = GET_VALUE(5); val |= (t0 < t1) << 2; t0 = GET_VALUE(6); t1 = GET_VALUE(7); val |= (t0 < t1) << 3; t0 = GET_VALUE(8); t1 = GET_VALUE(9); val |= (t0 < t1) << 4; t0 = GET_VALUE(10); t1 = GET_VALUE(11); val |= (t0 < t1) << 5; t0 = GET_VALUE(12); t1 = GET_VALUE(13); val |= (t0 < t1) << 6; t0 = GET_VALUE(14); t1 = GET_VALUE(15); val |= (t0 < t1) << 7; desc[i] = (uchar)val;
} //产生512个随机点的坐标位置
static void makeRandomPattern(int patchSize, Point* pattern, int npoints)
{ RNG rng(0x34985739); // we always start with a fixed seed, // to make patterns the same on each run for( int i = 0; i < npoints; i++ ) { pattern[i].x = rng.uniform(-patchSize/2, patchSize/2+1); pattern[i].y = rng.uniform(-patchSize/2, patchSize/2+1); }
}
总结:
ORB算法利用了FAST检测特征点的快,BRIEF特征描述子的简单和快,二者结合并进行了改进,导致ORB算法的又好又快。
参考文献:
1、ORB: an efficient alternative to SIFT or SURF[J],IEEE International Conference on Computer Vision,2011.
2、基于ORB和改进RANSAC算法的图像拼接技术[J],2015.
3、基于ORB特征的目标检测与跟踪的研究[硕士论文],2013.
4、基于背景差分与ORB算法的运动目标检测与跟踪算法研究[硕士论文],2014.
特征提取与检测(三) --- ORB算法相关推荐
- 【图像特征提取与匹配】ORB算法详述
ORB算法 ORB(Oriented FAST and Rotated BRIEF)特征是目前看来非常具有代表性的实时图像特征.它改进了 FAST(Features from Accelerated ...
- 图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践
计算机视觉专栏传送 上一篇:图像特征算法(二)--SURF算法简述及Python标记SURF特征检测实践 下一篇:持续创作中- 目录 计算机视觉专栏传送 一.ORB算法 1.算法简介 2.FAST寻找 ...
- 人脸检测三个算法比较
1. v540 首先实验的是v540,因为qw 说这是最好的版本 发现5k 的人脸大部分检测不到,担心自己出错误,所以实验了casia 发现casia 是可以的,但是540 不可以 2. mtcnnV ...
- 数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF
数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF 一.概述 参考:特征点匹配+特征检测方法汇总 ORB的全称是Oriented ...
- ORB特征提取算法分析与实现,算法分解
本文对2012年最好的特征检测论文,进行了评价和分析.以及相关实现的代码. 本文所来自于原文附件在下面.点击打开链接 ORB:SIFT或SURF的有效替代算法 Ethan Ru ...
- ORB算法——特征提取特征匹配
特征提取 Abstract ORB(Oriented Fast and Rotated Brief),可以用来对图像中的关键点快速创建特征向量,这些特征向量可以用来识别图像中的对象. 其中,Fast ...
- 特征提取(三)SURF算法详解
转自:https://www.cnblogs.com/jinjidexuetu/p/90ace4e8de574e3d5f4e6ac16a0dc157.html 另外加了些自己的理解 一.原理: Sif ...
- 卷积神经网络三:目标检测和yolo算法
1 目标定位 对象检测,它是计算机视觉领域中一个新兴的应用方向,相比前两年,它的性能越来越好.在构建对象检测之前,我们先了解一下对象定位,首先我们看看它的定义. 图片分类任务我们已经熟悉了,就是算法遍 ...
- 特征提取与检测(二) --- SIFT算法
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points) ...
最新文章
- 树形dp——树的最远距离 hdu2196
- ipcs ipcrm命令
- SP 2010: Getting started with Business Connectivity Services (BCS) in SharePoint 2010
- Oracle中的within,Oracle函数 --聚合函数中的语法within group
- netty系列之:自动重连
- 平台or职位,你怎么选?
- Iterator(迭代器)遍历Collection集合元素
- golang 一段代码不甚明白
- 天国近了(一) -- 揭穿OOP神话
- 陶哲轩教你学数学 第1章 解题策略 读书笔记
- 霍尔传感器学习使用心得
- 风险评估资产重要性识别_基于数据安全的风险评估(一):数据资产识别、脆弱性识别...
- 线程中常用的锁,有哪几种?
- 大数据十年:Cloudera向左,Palantir向右
- mac升级mysql_Mac如何升级Mysql数据库 Mac升级Mysql数据库步骤
- nodejs require/import导包报错以及解决方法,chalk-animation库使用
- 每日一题:假设你有一个很长的花坛,一部分地块种植了花,另一部分却没有。可是,花卉不能种植在相邻的地块上,它们会争夺水源,两者都会死去。
- Google Play 上架总结(二)Google账户关联详解
- W ndows的中文翻译,微软windows的中文名字,就被翻译成了视窗。
- 保留申请的 Google Voice 号码
热门文章
- php极速链,php PHP极速链 战群源码系列(全自动采集更新+引流神器无数据库版) WEB(ASP,PHP,...) 261万源代码下载- www.pudn.com...
- antimalware可以关闭吗_微信小程序可以关闭吗?如何关闭?
- linux用户开机.bashrc,验证linux shell在启动时会自动执行用户主目录下的.bashrc脚本...
- 富文本编辑器中空格转化为a_文本编辑器题解
- java case用法_Go语言 | goroutine不只有基础的用法,还有这些你不知道的操作
- python 柱状图设置样式_python数据可视化之图表样式调整(三)
- openssl pkeyutl执行SM2椭圆曲线数字签名
- 来瓶82年拉菲压压惊
- Java——字符编码详细解释
- Arcgis javascript那些事儿(十五)——影像服务的发布与使用