這篇文章我們將介紹一種新的具有局部不變性的特徵 —— ORB特徵,從它的名字中可以看出它是對FAST特徵點與BREIF特徵描述子的一種結合與改進,這個算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011年一篇名爲“ORB:An Efficient Alternative to SIFT or SURF”的文章中提出。就像文章題目所寫一樣,ORB是除了SIFT與SURF外一個很好的選擇,而且它有很高的效率,最重要的一點是它是免費的,SIFT與SURF都是有專利的,你如果在商業軟件中使用,需要購買許可。
如果你對FAST特徵點與BRIEF特徵描述子不瞭解,請先閱讀以下兩篇文章。本文不打算對它們作詳細的算法說明。
1. ORB的算法原理
ORB特徵是將FAST特徵點的檢測方法與BRIEF特徵描述子結合起來,並在它們原來的基礎上做了改進與優化。
首先,它利用FAST特徵點檢測的方法來檢測特徵點,然後利用Harris角點的度量方法,從FAST特徵點從挑選出Harris角點響應值最大的
關於
1.1 旋轉不變性
我們知道FAST特徵點是沒有尺度不變性的,所以我們可以通過構建高斯金字塔,然後在每一層金字塔圖像上檢測角點,來實現尺度不變性。那麼,對於局部不變性,我們還差一個問題沒有解決,就是FAST特徵點不具有方向,ORB的論文中提出了一種利用灰度質心法來解決這個問題,灰度質心法假設角點的灰度與質心之間存在一個偏移,這個向量可以用於表示一個方向。對於任意一個特徵點
其中
那麼特徵點與質心的夾角定義爲FAST特徵點的方向:
爲了提高方法的旋轉不變性,需要確保
1.2 特徵點的描述
ORB選擇了BRIEF作爲特徵描述方法,但是我們知道BRIEF是沒有旋轉不變性的,所以我們需要給BRIEF加上旋轉不變性,把這種方法稱爲“Steer BREIF”。對於任何一個特徵點來說,它的BRIEF描述子是一個長度爲
Calonder建議爲每個塊的旋轉和投影集合分別計算BRIEF描述子,但代價昂貴。ORB中採用了一個更有效的方法:使用鄰域方向
其中
而
實際上,我們可以把角度離散化,即把360度分爲12份,每一份是30度,然後我們對這個12個角度分別求得一個
1.3 解決描述子的區分性
BRIEF令人驚喜的特性之一是:對於
爲了減少Steered BRIEF方差的虧損,並減少二進制碼串之間的相關性,ORB使用了一種學習的方法來選擇一個較小的點對集合。方法如下:
首先建立一個大約300k關鍵點的測試集,這些關鍵點來自於PASCAL2006集中的圖像。
對於這300k個關鍵點中的每一個特徵點,考慮它的
那麼當300k個關鍵點全部進行上面的提取之後,我們就得到了一個
對該矩陣的每個列向量,也就是每個點對在300k個特徵點上的測試結果,計算其均值。把所有的列向量按均值進行重新排序。排好後,組成了一個向量
進行貪婪搜索:從
這樣,我們就得到了256個點對。上面這個過程我們稱它爲rBRIEF。
2. OpenCV中的ORB
ORB中有很多參數可以設置,在OpenCV中它可以通過ORB來創建一個ORB檢測器。
ORB::ORB(int nfeatures=500, float scaleFactor=1.2f, int nlevels=8, int edgeThreshold=31, int firstLevel=0, int WTA_K=2, int scoreType=ORB::HARRIS_SCORE, int patchSize=31)
下面介紹一下各個參數的含義:
nfeatures - 最多提取的特徵點的數量;
scaleFactor - 金字塔圖像之間的尺度參數,類似於SIFT中的
nlevels – 高斯金字塔的層數;
edgeThreshold – 邊緣閾值,這個值主要是根據後面的patchSize來定的,靠近邊緣edgeThreshold以內的像素是不檢測特徵點的。
firstLevel - 看過SIFT都知道,我們可以指定第一層的索引值,這裏默認爲0。
WET_K - 用於產生BIREF描述子的 點對的個數,一般爲2個,也可以設置爲3個或4個,那麼這時候描述子之間的距離計算就不能用漢明距離了,而是應該用一個變種。OpenCV中,如果設置WET_K = 2,則選用點對就只有2個點,匹配的時候距離參數選擇NORM_HAMMING,如果WET_K設置爲3或4,則BIREF描述子會選擇3個或4個點,那麼後面匹配的時候應該選擇的距離參數爲NORM_HAMMING2。
scoreType - 用於對特徵點進行排序的算法,你可以選擇HARRIS_SCORE,也可以選擇FAST_SCORE,但是它也只是比前者快一點點而已。
patchSize – 用於計算BIREF描述子的特徵點鄰域大小。
#include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/features2d/features2d.hpp> using namespace cv; int main(int argc, char** argv) { Mat img_1 = imread("box.png"); Mat img_2 = imread("box_in_scene.png"); // -- Step 1: Detect the keypoints using STAR Detector std::vector<KeyPoint> keypoints_1,keypoints_2; ORB orb; orb.detect(img_1, keypoints_1); orb.detect(img_2, keypoints_2); // -- Stpe 2: Calculate descriptors (feature vectors) Mat descriptors_1, descriptors_2; orb.compute(img_1, keypoints_1, descriptors_1); orb.compute(img_2, keypoints_2, descriptors_2); //-- Step 3: Matching descriptor vectors with a brute force matcher BFMatcher matcher(NORM_HAMMING); std::vector<DMatch> mathces; matcher.match(descriptors_1, descriptors_2, mathces); // -- dwaw matches Mat img_mathes; drawMatches(img_1, keypoints_1, img_2, keypoints_2, mathces, img_mathes); // -- show imshow("Mathces", img_mathes); waitKey(0); return 0; }
3. 參考資料
[1] Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary R. Bradski: ORB: An efficient alternative to SIFT or SURF. ICCV 2011: 2564-2571.
[2] 看ORB特徵,一些理解和解釋
[3] OpenCV Tutorials
轉載自:http://www.cnblogs.com/ronny/p/4083537.html