5.5. SURF (Speeded-Up Robust Features)简介
目标：
- SURF的基础知识
- 在OpenCV中看到SURF功能
理论
在上一节中我们学习了使用 SIFT 算法进行关键点检测和描述。但是这种算法的执行速度比较慢，人们需要速度更快的算法。在 2006 年Bay,H.,Tuytelaars,T. 和 Van Gool,L 共同提出了 SURF（加速稳健特征）算法。跟它的名字一样，这是个算法是加速版的 SIFT。
在 SIFT 中，Lowe 在构建尺度空间时使用 DoG 对 LoG 进行近似。SURF则更进一步，使用盒子滤波器（box_filter）对 LoG 进行近似。下图显示了这种近似。在进行卷积计算时可以利用积分图 像（积分图像的一大特点是：计算图像中某个窗口内所有像素和时，计算量的大小与窗口大小无关），是盒子滤波器的一大优点。而且这种计算可以在不同尺度空间同时进行。同样 SURF 算法计算关键点的尺度和位置是也是依赖与 Hessian 矩阵行列式的。
为了保证特征矢量具有选装不变形，需要对于每一个特征点分配一个主要方向。需要以特征点为中心，以 6s（s 为特征点的尺度）为半径的圆形区域内，对图像进行 Harr 小波相应运算。这样做实际就是对图像进行梯度运算，但是利用积分图像，可以提高计算图像梯度的效率，为了求取主方向值，需哟啊设计一个以方向为中心，张角为 60 度的扇形滑动窗口，以步长为 0.2 弧度左右旋转这个滑动窗口，并对窗口内的图像 Haar 小波的响应值进行累加。主方向为最大的 Haar 响应累加值对应的方向。在很多应用中根本就不需要旋转不变性，所以没有必要确定它们的方向，如果不计算方向的话，又可以使算法提速。SURF 提供了成为 U-SURF 的功能，它具有更快的速度，同时保持了对 ± 1 5 ∘ \pm 15^{\circ} ±15∘旋转的稳定性。OpenCV 对这两种模式同样支持，只需要对参数upright 进行设置，当 upright 为 0 时计算方向，为 1 时不计算方向，同时速度更快。
生成特征点的特征矢量需要计算图像的 Haar 小波响应。在一个矩形的区域内，以特征点为中心，沿主方向将 20s * 20s 的图像划分成 4 * 4 个子块，每个子块利用尺寸 2s 的 Haar 小波模版进行响应计算，然后对响应值进行统计，组成向量 v = ( ∑ d x , ∑ d y , ∑ ∣ d x ∣ , ∑ ∣ d y ∣ ) v=( \sum{d_x}, \sum{d_y}, \sum{|d_x|}, \sum{|d_y|}) v=(∑dx,∑dy,∑∣dx∣,∑∣dy∣)。这个描述符的长度为 64。降低的维度可以加速计算和匹配，但又能提供更容易区分的特征。
为了增加特征点的独特性，SURF 还提供了一个加强版 128 维的特征描述符。当 d y > 0 d_y>0 dy>0和 d y < 0 d_y<0 dy<0时分别对 d x d_x dx和 ∣ d x ∣ |d_x| ∣dx∣的和进行计算，计算 d y d_y dy和 ∣ d x ∣ |d_x| ∣dx∣时也进行区分，这样获得特征就会加倍，但又不会增加计算的复杂度。OpenCV 同样提供了这种功能，当参数 extended 设置为 1 时为 128 维，当参数为 0 时为 64 维，默认情况为 128 维。
另一个重要的改进是使用拉普拉斯算子（Hessian矩阵的迹线）作为潜在兴趣点。它不会增加计算成本，因为它已经在检测期间计算出来。拉普拉斯的标志将黑暗背景上的明亮斑点与相反情况区分开来。在匹配阶段，我们只比较具有相同类型对比度的特征（如下图所示）。这种最小的信息允许更快的匹配，而不会降低描述符的性能。
简单来说 SURF 算法采用了很多方法来对每一步进行优化从而提高速度。分析显示在结果效果相当的情况下 SURF 的速度是 SIFT 的 3 倍。SURF 善于处理具有模糊和旋转的图像，但是不善于处理视角变化和关照变化。
OpenCV中的SURF
OpenCV就像SIFT一样提供SURF功能。首先使用一些可选条件（如64/128-dim描述符，Upright/Normal SURF等）初始化一个SURF对象。所有详细信息都在文档中进行了详细说明。然后就像我们在SIFT中所做的那样，我们可以使用SURF.detect()，SURF.compute()等来查找关键点和描述符。
首先，我们将看到一个关于如何查找SURF关键点和描述符并绘制它的简单演示。所有示例都显示在Python终端中，因为它只与SIFT相同
>>> img = cv.imread('fly.png',0)# Create SURF object. You can specify params here or later.
# Here I set Hessian Threshold to 400
>>> surf = cv.xfeatures2d.SURF_create(400)# Find keypoints and descriptors directly
>>> kp, des = surf.detectAndCompute(img,None)>>> len(kp)699
1199个关键点太多，无法在图片中显示。我们将它减少到大约50以将其绘制在图像上。在匹配时，我们可能需要所有这些功能，但现在不需要。所以我们增加了Hessian阈值。
# Check present Hessian threshold
>>> print( surf.getHessianThreshold() )
400.0# We set it to some 50000. Remember, it is just for representing in picture.
# In actual cases, it is better to have a value 300-500
>>> surf.setHessianThreshold(50000)# Again compute keypoints and check its number.
>>> kp, des = surf.detectAndCompute(img,None)>>> print( len(kp) )
47
现在小于50了。让我们在图像上绘制它。
>>> img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4)
>>> plt.imshow(img2),plt.show()
请参阅下面的结果。你可以看到SURF更像是斑点探测器。它可以探测到蝴蝶翅膀上的白色斑点。你可以使用其他图像进行测试。
现在我们尝试一下U-SURF，它不会检测关键点的方向。
# Check upright flag, if it False, set it to True
>>> print( surf.getUpright() )
False>>> surf.setUpright(True)# Recompute the feature points and draw it
>>> kp = surf.detect(img,None)
>>> img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4)>>> plt.imshow(img2),plt.show()
结果如下。所有的关键点的朝向都是一致的。它比前面的快很多。如果你的工作对关键点的朝向没有特别的要求（如全景图拼接）等，这种方法会更快。
最后，我们检查描述符大小，如果它只有64-dim，则将其更改为128。
# Find size of descriptor
>>> print( surf.descriptorSize() )
64# That means flag, "extended" is False.
>>> surf.getExtended()False# So we make it to True to get 128-dim descriptors.
>>> surf.setExtended(True)
>>> kp, des = surf.detectAndCompute(img,None)
>>> print( surf.descriptorSize() )
128
>>> print( des.shape )
(47, 128)
接下来要做的就是匹配了，我们会在后面讨论。
5.5. SURF (Speeded-Up Robust Features)简介相关推荐
- OpenCV中的SURF（Speeded-Up Robust Features 加速鲁棒特征）
OpenCV中的SURF(加速健壮功能) 1. 效果图 2. 原理 2.1 为什么SURF比SIFT快? 2.3 怎样获取SIFT与SURF? 3. 源码 参考 上一篇博客介绍了用于关键点检测和描述的 ...
- Computer Vision_33_SIFT：Speeded-Up Robust Features (SURF)——2006
此部分是计算机视觉部分,主要侧重在底层特征提取,视频分析,跟踪,目标检测和识别方面等方面.对于自己不太熟悉的领域比如摄像机标定和立体视觉,仅仅列出上google上引用次数比较多的文献.有一些刚刚出版的 ...
- 介绍 SURF(Speeded-Up Robust Features)
介绍 SURF(Speeded-Up Robust Features) 目标 本节我们将要学习: • SUFR 的基础是什么? • OpenCV 中的 SURF 原理 在上一节中我们学习了使用 SIF ...
- SURF: speed up robust feature
SURF: speed up robust feature SURF特点: 1.使用积分图像完成图像卷积(相关)操作; 2,使用Hessian矩阵检测特征值: 3,使用基于分布的描述符(局部信息). ...
- [论文笔记] [2008] [ICML] Extracting and Composing Robust Features with Denoising Autoencoders
在06年以前,想要去训练一个多层的神经网络是比较困难的,主要的问题是超过两层的模型,当时没有好的策略或方法使模型优化的很好,得不到预期的效果.在06年,Hinton提出的stacked autoenc ...
- Extracting and Composing Robust Features with Denoising Autoencoders论文笔记
Extracting and Composing Robust Features with DenoisingAutoencoders 论文链接 零碎知识 网络 原理 结构 训练 论文链接 零碎知识 ...
- Surf: Speed up robust feature的回顾和思考
一.Surf由来 SIFT算法比较稳定,检测到的特征点也比较多,但是其最大的缺点是计算复杂度较高.为此,不少学者进行了改进,其中比较出名的就是SURF算法,中文意思为快速鲁棒特征.它是瑞士苏黎世联邦理 ...
- 论文笔记(3)-Extracting and Composing Robust Features with Denoising Autoencoders
这篇文章是Bengio研究的在传统的autoencoder基础上增加了噪声参数,也就是说在输入X的时候,并不直接用X的数据,而是按照一定的概率来清空输入为0.paper中的名词为corrupted.这 ...
- SLAM前端 ---------特征提取之ORB（ORB与SIFT与SURF）
ORB 论文翻译: 一种特征匹配替代方法:对比SIFT或SURF 1.ORB特征简介 ORB是Oriented FAST and Rotated BRIEF(oFAST and rBRIEF)的简称 ...
最新文章
- composer安装其实可以很简单 两行命令就解决了
- ES6箭头函数中的this指向
- C# 依据鼠标坐标取网页内成员坐标.ie
- Javascript的变量作用域居然可以跨越多个函数！
- .NET6之MiniAPI(十七)：缓存
- js操作符类型转换大全
- idea改类名快捷键_IDEA使用之快捷键（default设置）
- [ 深度学习 ] —— 图卷积神经网络 GCN
- mysql subquery_mysql-8-subquery
- spring 的web.xml的加载顺序
- office 打开wps乱_Word 打开WPS文档成乱码的解决方法
- python手写板_Python3使用PyQt5制作简单的画板/手写板的代码详解
- 大数据薪水大概多少_大数据工程师工资待遇一般多少？高吗
- B站尚硅谷React入门教程
- 微商小白如何有效快速精准引流？哪里能找到精准顾客群体？
- python1到100求和编程递归_编写一个递归函数计算从1加到100的和
- 亚马逊电商数据自动化管理接口平台JAVA SP-API接口开发（下）
- 《系统工程手册》中提及的Expert Choice软件
- Android屏幕截屏（全屏bitmap）
- echart4数据管理组件dataset学习