今天要整理記錄的是OpenCV中BRISK特徵提取描述算法的運用。
BRISK特徵提取描述算法全稱爲 Binary Robust Invariant Scalable Keypoints（二進制魯棒不變可擴展關鍵點）。BRISK算法也是SIFT算法的一種改進型，主要是針對於旋轉不變性、魯棒性、運算速度等方面做了優化，其大致流程如下：
（1）在提取特徵點階段與SIFT算法類似（可參閱《OpenCV4學習筆記（38）》，同樣是先構造多尺度圖像金字塔，再從每一層圖像組的多尺度空間中找到最大特徵點（非極大值抑制）；
（2）再通過亞像素插值得到最大特徵點的精確座標位置，也即把最大特徵點從其它層的座標映射到金字塔最底層的座標位置，從而完成對最大特徵點的定位。
（3）在描述特徵點階段，使用特徵點鄰域同心圓採樣法，在每個特徵點的鄰域中選擇一個同心圓，在這個同心圓上均勻採樣，並對所有采樣點進行高斯模糊以消除重複採樣帶來的影響，並以採樣點中的短距離點對的灰度值比較結果，來構建二進制描述子（類似BRIEF特徵二進制描述算法，可參閱《OpenCV4學習筆記（39）》）。
（4）再以每個特徵點的方向特徵、也就是梯度來進行方向歸一化，強化了BRISK特徵描述子的旋轉不變性。
通過上述步驟即可得到BRISK特徵的二進制描述子，總的來說BRISK特徵算法是一種效果比較好的特徵算法，主要優點在於它的檢測速度，相比SIFT等特徵算法而言要明顯更快，可以用於實時處理中。
在OpenCV中同樣封裝好了BRISK算法的特徵檢測器，下面是調用BRISK算法的代碼演示：
Mat tem_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\tem.jpg");
Mat dected_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\miao.jpg");
resize(tem_image, tem_image, Size(160,120));
resize(dected_image, dected_image, Size(600, 800));
auto brisk = BRISK::create();
vector<KeyPoint> keyPoints_tem, keyPoints_dected;
Mat descriptors_tem, descriptors_dected;
brisk->detectAndCompute(tem_image, Mat(), keyPoints_tem, descriptors_tem, false);
brisk->detectAndCompute(dected_image, Mat(), keyPoints_dected, descriptors_dected, false);
auto matcher = DescriptorMatcher::create(DescriptorMatcher::MatcherType::BRUTEFORCE);
vector<DMatch> matches;
matcher->match(descriptors_tem, descriptors_dected, matches);
float maxdist = matches[0].distance;
for (int i = 0; i < matches.size(); i++)
{
if (maxdist < matches[i].distance)
{
maxdist = matches[i].distance;
}
}
float thresh = 0.45;
vector<DMatch> good_Matches;
vector<Point2f> temPoints, dectedPoints;
for (int j = 0; j < matches.size(); j++)
{
if (matches[j].distance < thresh * maxdist)
{
good_Matches.push_back(matches[j]);
temPoints.push_back(keyPoints_tem[matches[j].queryIdx].pt);
dectedPoints.push_back(keyPoints_dected[matches[j].trainIdx].pt);
}
}
if (0 == good_Matches.size())
{
cout << "不存在最佳匹配特徵點" << endl;
return 0;
}
Mat result;
drawMatches(tem_image, keyPoints_tem, dected_image, keyPoints_dected, good_Matches, result, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
imshow("result", result);
演示效果如下圖：
在運行BRISK算法和SIFT等算法對同一張圖像進行特徵點提取時，可以明顯的感受到二者的速度差距，可以說BRISK是一種高速的特徵點檢測和特徵描述子生成以及高速匹配的算法。
而且BRISK特徵提取描述算法在很大程度上還保留了旋轉不變性和尺度不變性，實現了較高檢測質量的同時仍然具有較快的運行速度，有效降低了計算成本，更適合用於實時特徵提取的工作中。
好的，今天的筆記整理到此結束，謝謝閱讀。
PS：本人的註釋比較雜，既有自己的心得體會也有網上查閱資料時摘抄下的知識內容，所以如有雷同，純屬我向前輩學習的致敬，如果有前輩覺得我的筆記內容侵犯了您的知識產權，請和我聯繫，我會將涉及到的博文內容刪除，謝謝！