1.特征点的组成
特征点由关键点和描述子两部分组成:
- 关键点是在图像中检测到的具有显著变化的位置坐标。
- 描述子是用于表示关键点周围局部区域特征的向量或特征向量。
2.ORB特征点原理
ORB特征点由关键点FAST角点 和描述子BRIEF组成。
2.1提取FAST角点的算法
FAST算法的思想:通过比较像素相对于中心像素有较大差别(过亮、过暗)时,则快速地检测出角点。步骤如下:
- 选择某个像素点作为中心点P,其像素值为I
- 设置判定FAST角点的像素闻值,例如=20%*1
- 比较中心点的像素值与半径为3的圆周上所有像素的像素值进行比较,如果存在连续N个像素的像素值大于或者小于 ,则像素点p为角点。
- 遍历图像中每个像素点,重复上述步骤
2.2方向分配:
为每个检测到的角点分配一个主方向。为了实现旋转不变性,采用灰度质心算法(Intensity Centroid)进行实现。对特征点附近的图像灰度质心进行计算,所谓质心是指图像块灰度值作为权值的中心,计算方式如下:
2.3生成BRIEF描述子的算法
BRIEF描述子生成算法的思想:是通过比较两个像素点对之间的灰度差异,并将比较结果编码为二进制字符串。具体描述BRIEF描述子的步骤如下:
- 选择一组固定的采样点对
- 计算采样点对的像素差值
- 对于每对采样点的像素差值,将其与阈值进行比较,得到一个二进制的比较结果。通常,如果第一个像素的灰度值大于第二个像素的灰度值,就将对应位置的二进制位设为1;否则,置为0。
- 将所有的二进制比较结果组合成一个二进制字符串,作为BRIEF描述子。
2.4描述子匹配
对于图像中的两个特征点,使用描述子之间的距离或相似度度量进行匹配。最常见的方法是计算描述子之间的汉明距离(Hamming Distance)或欧氏距离,并根据预设的阈值来判断是否匹配成功。也可以使用快速匹配算法(如KD树或近似最近邻算法)来加速匹配过程。
3.ORB特征点提取函数create()
static Ptr cV::ORB::create ( int nfeatures = 500,
float scaleFactor = 1.2f,
intnlevels = 8,
intedgeThreshold = 31,
int firstLevel = 0,
intWTA K = 2,
ORB::ScoreTypescoreType =ORB: :HARRIS_SCORE,
intpatchSize = 31,
intfastThreshold = 20
)
- nfeatures:检测ORB特征点的数目
- scaleFactor:金字塔尺寸缩小的比例
- nlevels:金字塔层数
- edgeThreshold:边缘阙值
- firstLevel:将原图像放入金字塔中的等级
- WTA K:生成每位描述子时需要用的像素点数目
- scoreType:检测关键点时关键点评价方法
- patchSize:生成描述子时关键点周围邻域的尺寸
- fastThreshold:计算FAST角点时像素值差值的阅值
4.示例代码
void ORB_f(Mat mat){//创建ORB特征点类变量Ptr orb=ORB::create(500,//特征点数目 1.2f,//金字塔层级之间的缩放比例 8,//金字塔图像层级系数 31,//边缘阈值 0,//原图在金字塔中的层数 2,//生成描述子时需要用的像素点数目 ORB::HARRIS_SCORE,//使用Harris方法评价特征点 31,//生成描述子时关键点周围邻域的尺寸 20//计算FAST角点时像素值差值的阈值);//计算ORB关键点vector Keypoints;orb->detect(mat,Keypoints);//确定关键点//计算ORB描述子Mat descriptions;orb->compute(mat,Keypoints,descriptions);//计算描述子//绘制特征点Mat mat2;mat.copyTo(mat2);//绘制不含角度和大小的结果drawKeypoints(mat,Keypoints,mat,Scalar(255,255,255,255));//绘制不含角度和大小的结果drawKeypoints(mat,Keypoints,mat2,Scalar(255,255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);//显示结果imwrite("/sdcard/DCIM/mat.png",mat);imwrite("/sdcard/DCIM/mat2.png",mat2);}
显示结果:
(绘制不含角度和大小的结果) (绘制含角度和大小的结果)