图像处理（十）——特征检测与匹配

内容：

• 了解OpenCV中实现的SIFT, SURF, ORB等特征检测器的用法，并进行实验。将检测到的特征点用不同大小的圆表示，比较不同方法的效率、效果等。
• 了解OpenCV的特征匹配方法，并进行实验。

SIFT：

SIFT算法的过程实质是在不同尺度空间上查找特征点（关键点），用128维方向向量的方式对特征点进行描述，最后通过对比描述向量实现目标匹配。
概括起来主要有三大步骤：

1、 提取关键点；

2、 对关键点附加详细的信息（局部特征）也就是所谓的描述器；

3、 通过两方特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，建立物体间的对应关系。

运行结果为：

SURF：

Opencv中Surf算子提取特征，生成特征描述子，匹配特征的流程跟Sift是完全一致的。
这里要着重说一下绘制使用的drawKeypoints方法：
void drawKeypoints( const Mat& image, const vector& keypoints, CV_OUT Mat& outImage, const Scalar& color=Scalar::all(-1), int flags=DrawMatchesFlags::DEFAULT );

第一个参数image：原始图像，可以使三通道或单通道图像；
第二个参数keypoints：特征点向量，向量内每一个元素是一个
KeyPoint对象，包含了特征点的各种属性信息；
第三个参数outImage：特征点绘制的画布图像，可以是原图像；
第四个参数color：绘制的特征点的颜色信息，默认绘制的是随机彩色；
第五个参数flags：特征点的绘制模式，其实就是设置特征点的那些信息需要绘制，那些不需要绘制。
而在进行特征点匹配时，当仅使用筛选出的最优匹配点进行匹配的时候，意味着会有很多非最优的特征点不会被匹配，这时候可以设置flags=DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS ，意味着那些不是最优特征点的点不会被绘制出来。

ORB：

ORB - (Oriented Fast and Rotated BRIEF)算法是基于FAST特征检测与BRIEF特征描述子匹配实现，相比BRIEF算法中依靠随机方式获取二值点对，ORB通过FAST方法，FAST方式寻找候选特征点方式是假设灰度图像像素点A周围的像素存在连续大于或者小于A的灰度值，选择任意一个像素点P，假设半径为3，周围16个像素表示如下：

假设存在连续N个点满足

则像素点P被标记为候选特征点、通常N取值为9、12，上图N=9。 为了简化计算，我们可以只计算1、9、5、13四个点，至少其中三个点满足上述不等式条件，即可将P视为候选点。

ORB比BRIEF方式更加合理，同时具有旋转不变性特征与噪声抑制效果，ORB实现选择不变性特征，是通过对BRIEF描述子的特征点区域的计算得到角度方向参数。

完整的ORB特征描述子算法流程图如下：

运行结果：
此外，需要注意的是在使用这些方法之前，要对opencv进行扩展，使其能够调用nonfree.hpp、legacy.hpp以及features2d.hpp，而扩展方法是使用cmake对从官网上下载的扩展包进行安装，具体教程参见
https://blog.csdn.net/streamchuanxi/article/details/51044929