OpenCV(四十五):ORB特征点

旧城等待， 2024-03-03 08:42 25阅读 0赞

#### 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![286bbf0ace934879a0b1e36123d2d93f.png][]=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![81ca7b3dfe774540932e6c3959a34da2.png][]或者小于![6058d8b0b1ef4e99bc09f2eddc4ada48.png][] ，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：

![cc553cce33a6440baae27ad6a257f887.png][]

##### 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<ORB> cV::ORB::create ( int nfeatures = 500,
> 
> float scaleFactor = 1.2f,
> 
> int nlevels = 8,
> 
> int edgeThreshold = 31,
> 
> int firstLevel = 0,
> 
> int WTA K = 2,
> 
> ORB::ScoreType scoreType = ORB: :HARRIS\_SCORE,
> 
> int patchSize = 31，
> 
> int fastThreshold = 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=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<KeyPoint> 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：

![ccd41b673e1b4305998042461f417e3b.jpeg][]![d0e79fe7d34a48a08fa331a6b1b72ab2.jpeg][]

（绘制不含角度和大小的结果） （绘制含角度和大小的结果）

[286bbf0ace934879a0b1e36123d2d93f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/e700a94cca7f4690924d349ad847ee23.png
[81ca7b3dfe774540932e6c3959a34da2.png]: https://img-blog.csdnimg.cn/81ca7b3dfe774540932e6c3959a34da2.png
[6058d8b0b1ef4e99bc09f2eddc4ada48.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/047124856e6d448eaf823c9ade46623b.png
[cc553cce33a6440baae27ad6a257f887.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/56a002df15ec44928baacec6b5212d17.png
[ccd41b673e1b4305998042461f417e3b.jpeg]: https://img-blog.csdnimg.cn/ccd41b673e1b4305998042461f417e3b.jpeg
[d0e79fe7d34a48a08fa331a6b1b72ab2.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/a8e56ad04e6c40e89425dae58ef104fc.png