Fast和ORB算法
学习目标
-
理解Fast算法角点检测的原理，能够完成角点检测
-
理解ORB算法的原理，能够完成特征点检测
1 Fast算法
1.1 原理
我们前面已经介绍过几个特征检测器，它们的效果都很好，特别是SIFT和SURF算法，但是从实时处理的角度来看，效率还是太低了。为了解决这个问题，Edward Rosten和Tom Drummond在2006年提出了FAST算法，并在2010年对其进行了修正。
FAST (全称Features from accelerated segment test)是一种用于角点检测的算法，该算法的原理是取图像中检测点，以该点为圆心的周围邻域内像素点判断检测点是否为角点，通俗的讲就是若一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点。
1.1.1 FAST算法的基本流程
1.1.2机器学习的角点检测器
1.1.3 非极大值抑制
1.2 实现
OpenCV中的FAST检测算法是用传统方法实现的，
1.实例化fast
fast = =cv.FastFeatureDetector_create( threshold, nonmaxSuppression)
参数：
-
threshold：阈值t，有默认值10
-
nonmaxSuppression：是否进行非极大值抑制，默认值True
返回：
-
Fast：创建的FastFeatureDetector对象
2.利用fast.detect检测关键点，没有对应的关键点描述
kp = fast.detect(grayImg, None)
参数：
-
gray: 进行关键点检测的图像，注意是灰度图像
返回：
-
kp: 关键点信息，包括位置，尺度，方向信息
3.将关键点检测结果绘制在图像上，与在sift中是一样的
cv.drawKeypoints(image, keypoints, outputimage, color, flags)
示例：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/tv.jpg')
# 2 Fast角点检测# 2.1 创建一个Fast对象，传入阈值，注意：可以处理彩色空间图像
fast = cv.FastFeatureDetector_create(threshold=30)
# 2.2 检测图像上的关键点
kp = fast.detect(img,None)
# 2.3 在图像上绘制关键点
img2 = cv.drawKeypoints(img, kp, None, color=(0,0,255))
# 2.4 输出默认参数
print( "Threshold: {}".format(fast.getThreshold()) )
print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )
print( "neighborhood: {}".format(fast.getType()) )
print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )
# 2.5 关闭非极大值抑制
fast.setNonmaxSuppression(0)
kp = fast.detect(img,None)
print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) )
# 2.6 绘制为进行非极大值抑制的结果
img3 = cv.drawKeypoints(img, kp, None, color=(0,0,255))
# 3 绘制图像
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
axes[0].imshow(img2[:,:,::-1])
axes[0].set_title("加入非极大值抑制")
axes[1].imshow(img3[:,:,::-1])
axes[1].set_title("未加入非极大值抑制")
plt.show()结果：
2 ORB 算法
2.1 原理
SIFT和SURF算法是受专利保护的，在使用他们时我们是要付费的，但是ORB（Oriented Fast and Rotated Brief）不需要，它可以用来对图像中的关键点快速创建特征向量，并用这些特征向量来识别图像中的对象。
2.1.1 ORB算法流程
2.1.2 BRIEF算法
BRIEF是一种特征描述子提取算法，并非特征点的提取算法，一种生成二值化描述子的算法，不提取代价低，匹配只需要使用简单的汉明距离(Hamming Distance)利用比特之间的异或操作就可以完成。因此，时间代价低，空间代价低，效果还挺好是最大的优点。
算法的步骤介绍如下：
-
图像滤波：原始图像中存在噪声时，会对结果产生影响，所以需要对图像进行滤波，去除部分噪声。
-
选取点对：以特征点为中心，取S*S的邻域窗口，在窗口内随机选取N组点对，一般N=128,256,512，默认是256，关于如何选取随机点对，提供了五种形式，结果如下图所示：
-
x,y方向平均分布采样
-
x,y均服从Gauss(0,S^2/25)各向同性采样
-
x服从Gauss(0,S^2/25)，y服从Gauss(0,S^2/100)采样
-
x,y从网格中随机获取
-
x一直在(0,0)，y从网格中随机选取
-
图中一条线段的两个端点就是一组点对，其中第二种方法的结果比较好。
2.2 实现
在OPenCV中实现ORB算法，使用的是：
1.实例化ORB
orb = cv.xfeatures2d.orb_create(nfeatures)
参数：
-
nfeatures: 特征点的最大数量
2.利用orb.detectAndCompute()检测关键点并计算
kp,des = orb.detectAndCompute(gray,None)
参数：
-
gray: 进行关键点检测的图像，注意是灰度图像
返回：
-
kp: 关键点信息，包括位置，尺度，方向信息
-
des: 关键点描述符，每个关键点BRIEF特征向量，二进制字符串，
3.将关键点检测结果绘制在图像上
cv.drawKeypoints(image, keypoints, outputimage, color, flags)
示例：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/tv.jpg')
# 2 ORB角点检测# 2.1 实例化ORB对象
orb = cv.ORB_create(nfeatures=500)
# 2.2 检测关键点,并计算特征描述符
kp,des = orb.detectAndCompute(img,None)
print(des.shape)
# 3 将关键点绘制在图像上
img2 = cv.drawKeypoints(img, kp, None, color=(0,0,255), flags=0)
# 4. 绘制图像
plt.fi11.4 Fast和ORB算法gure(figsize=(10,8),dpi=100)
plt.imshow(img2[:,:,::-1])
plt.xticks([]), plt.yticks([])
plt.show()
总结
-
Fast算法
原理：若一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点
API: cv.FastFeatureDetector_create()
-
ORB算法
原理：是FAST算法和BRIEF算法的结合
API：cv.ORB_create()