OpenCV4学习笔记（47）——BRISK特征提取描述算法

今天要整理记录的是OpenCV中BRISK特征提取描述算法的运用。

BRISK特征提取描述算法全称为 Binary Robust Invariant Scalable Keypoints（二进制鲁棒不变可扩展关键点）。BRISK算法也是SIFT算法的一种改进型，主要是针对于旋转不变性、鲁棒性、运算速度等方面做了优化，其大致流程如下：

（1）在提取特征点阶段与SIFT算法类似（可参阅《OpenCV4学习笔记（38）》，同样是先构造多尺度图像金字塔，再从每一层图像组的多尺度空间中找到最大特征点（非极大值抑制）；

（2）再通过亚像素插值得到最大特征点的精确坐标位置，也即把最大特征点从其它层的坐标映射到金字塔最底层的坐标位置，从而完成对最大特征点的定位。

（3）在描述特征点阶段，使用特征点邻域同心圆采样法，在每个特征点的邻域中选择一个同心圆，在这个同心圆上均匀采样，并对所有采样点进行高斯模糊以消除重复采样带来的影响，并以采样点中的短距离点对的灰度值比较结果，来构建二进制描述子（类似BRIEF特征二进制描述算法，可参阅《OpenCV4学习笔记（39）》）。

（4）再以每个特征点的方向特征、也就是梯度来进行方向归一化，强化了BRISK特征描述子的旋转不变性。

通过上述步骤即可得到BRISK特征的二进制描述子，总的来说BRISK特征算法是一种效果比较好的特征算法，主要优点在于它的检测速度，相比SIFT等特征算法而言要明显更快，可以用于实时处理中。

在OpenCV中同样封装好了BRISK算法的特征检测器，下面是调用BRISK算法的代码演示：

 Mat tem_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\tem.jpg");Mat dected_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\miao.jpg");resize(tem_image, tem_image, Size(160,120));resize(dected_image, dected_image, Size(600, 800));auto brisk = BRISK::create();vector<KeyPoint> keyPoints_tem, keyPoints_dected;Mat descriptors_tem, descriptors_dected;brisk->detectAndCompute(tem_image, Mat(), keyPoints_tem, descriptors_tem, false);brisk->detectAndCompute(dected_image, Mat(), keyPoints_dected, descriptors_dected, false);auto matcher = DescriptorMatcher::create(DescriptorMatcher::MatcherType::BRUTEFORCE);vector<DMatch> matches;matcher->match(descriptors_tem, descriptors_dected, matches);float maxdist = matches[0].distance;for (int i = 0; i < matches.size(); i++){if (maxdist < matches[i].distance){maxdist = matches[i].distance;}}float thresh = 0.45;vector<DMatch> good_Matches;vector<Point2f> temPoints, dectedPoints;for (int j = 0; j < matches.size(); j++){if (matches[j].distance < thresh * maxdist){good_Matches.push_back(matches[j]);temPoints.push_back(keyPoints_tem[matches[j].queryIdx].pt);dectedPoints.push_back(keyPoints_dected[matches[j].trainIdx].pt);}}if (0 == good_Matches.size()){cout << "不存在最佳匹配特征点" << endl;return 0;}Mat result;drawMatches(tem_image, keyPoints_tem, dected_image, keyPoints_dected, good_Matches, result, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);imshow("result", result);

演示效果如下图：

在运行BRISK算法和SIFT等算法对同一张图像进行特征点提取时，可以明显的感受到二者的速度差距，可以说BRISK是一种高速的特征点检测和特征描述子生成以及高速匹配的算法。

而且BRISK特征提取描述算法在很大程度上还保留了旋转不变性和尺度不变性，实现了较高检测质量的同时仍然具有较快的运行速度，有效降低了计算成本，更适合用于实时特征提取的工作中。

好的，今天的笔记整理到此结束，谢谢阅读。

PS：本人的注释比较杂，既有自己的心得体会也有网上查阅资料时摘抄下的知识内容，所以如有雷同，纯属我向前辈学习的致敬，如果有前辈觉得我的笔记内容侵犯了您的知识产权，请和我联系，我会将涉及到的博文内容删除，谢谢！

OpenCV4学习笔记（47）——BRISK特征提取描述算法相关推荐

OpenCV4学习笔记（41）——ORB特征提取描述算法
今天要整理记录的笔记内容是特征算法中比较常用的一种--ORB特征提取描述算法,顾名思义,ORB算法包含了对特征点的提取和描述这两个部分.而在上次的博文<OpenCV4学习笔记(39)>中, ...
OpenCV4学习笔记（57）——基于GrabCut图像分割算法实现背景替换与背景虚化效果
在上一篇笔记<OpenCV4学习笔记(56)>中,整理了关于在OpenCV中使用GrabCut图像分割算法的相关内容,那么本次笔记就以GrabCut算法为基础来实现对图像的背景替换和背景虚 ...
OpenCV4学习笔记（55）——基于KNN最近邻算法实现鼠标手写数字识别
在上一篇博客<OpenCV4学习笔记(54)>中,整理了关于KNN最近邻算法的一些相关内容和一个手写体数字识别的例子.但是上次所实现的手写体数字识别,每次只能固定地输入测试图像进行预测,而 ...
小猫爪：i.MX RT1050学习笔记15-FlexSPI-FLASH使用3-KEIL FLASH算法中的使用
小猫爪:i.MX RT1050学习笔记15-FlexSPI-FLASH使用3-KEIL FLASH算法中的使用 1 前言 2 FLASH算法解析 2.1 初始化Init 2.2 写操作 END 1 前 ...
OPENCV-4 学习笔记
OPENCV-4 学习笔记 ROI-设定感兴趣的区域(region of interest) 定义: Mat imageROI; //方法一:通过Rect指定矩形区域 imageROI=image(R ...
机器学习实战（Machine Learning in Action）学习笔记————06.k-均值聚类算法（kMeans）学习笔记...
机器学习实战(Machine Learning in Action)学习笔记----06.k-均值聚类算法(kMeans)学习笔记关键字:k-均值.kMeans.聚类.非监督学习作者:米仓山下时 ...
深度学习笔记（10）优化算法（二）
深度学习笔记(10) 优化算法(二) 1. Adam 优化算法 2. 学习率衰减 3. 局部最优的问题 1. Adam 优化算法 Adam代表的是 Adaptive Moment Estimation ...
深度学习笔记（9）优化算法（一）
深度学习笔记(9) 优化算法(一) 1. Mini-batch 梯度下降 2. 指数加权平均数 3. 动量梯度下降法 4. 均方根反向传播 1. Mini-batch 梯度下降把训练样本放大巨大的矩 ...
【C++ Primer 学习笔记】：容器和算法之【泛型算法】
本系列博客主要是在学习 C++ Primer 时的一些总结和笔记. [C++ Primer 学习笔记]: 容器和算法之[泛型算法] 本文地址:http://blog.csdn.net/shanglia ...

OpenCV4学习笔记（47）——BRISK特征提取描述算法

OpenCV4学习笔记（47）——BRISK特征提取描述算法相关推荐

最新文章

热门文章