特征提取算法的综合实验（多种角度比较sift/surf/brisk/orb/akze）

一、基本概念：

作用：特征点提取在“目标识别、图像拼接、运动跟踪、图像检索、自动定位”等研究中起着重要作用；

主要算法：

•FAST , Machine Learning forHigh-speed Corner Detection, 2006

• SIFT, Distinctive ImageFeatures from Scale-Invariant Keypoints,2004 ,invariant to image translation, scaling, and rotation, partially invariant toillumination changes and robust to local geometric distortion

• SURF, Speeded Up RobustFeatures,2006 , 受 SIFT 启发，比 SIFT 快，健壮

• ORB, ORB: an efficientalternative to SIFT or SURF,2011 ，基于 FAST ，比 SIFT 快两个数量级，可作为 SIFT 的替代

• BRISK ， BRISK:Binary Robust Invariant Scalable Keypoints

•STAR ， Censure: Centersurround extremas for realtime featuredetection and matching, 引用次数不高

•MSER ， RobustWide Baseline Stereo from Maximally Stable Extremal Regions,2002, 斑点检测

•GFTT ， GoodFeatures to Track,1994,Determines strong corners on animage

•HARRIS, Harris and M. Stephens (1988).“A combined corner and edge detector”, 也是一种角点检测方法

•FREAK

•AKAZE等

其中标红的5项是在OpenCV中已经进行了实现的。

特征点识别主要流程为:

1、检测关键点、提取描述向量和特征匹配；

2、通过检测关键点和提取描述向量构造出局部特征描述子，

3、然后进行特征匹配

二、数据准备：

数据集为pascal中取出的6个数据，分别针对特征点提取的6个方面

其中 特征点识别在以下6个方面进行比较

1、算法匹配速度比较（ubc）

测试方法：在相同的匹配环境下，即使用同样配置的计算机，对相同的一对图像进行比较，测试算法的执行时间

2、旋转变换鲁棒性比较（bark）

测试方法：对同一图像进行一定角度的旋转，旋转角度逐步递增，旋转后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

3、模糊变换鲁棒性比较（bikes）

测试方法：对同一图像用不同的高斯核进行模糊处理，模糊处理后的图像逐一与原始图像进

行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

4、光照变换鲁棒性比较（leuven）

测试方法：对同一图像的亮度进行改变，逐

渐降低亮度，改变亮度后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

5、尺度变换鲁棒性比较（bark）

测试方法：对原图像的尺度大小进行改变，尺度变化后的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对数的变化幅度

6、视角变换鲁棒性比较（graf）

测试方法：对原场景转一定角度进行拍摄，不同视角的图像逐一与原始图像进行匹配，比较能够正确匹配的特征点对数，并观察正确匹配对

数的变化幅度

三、实验步骤：

1、依次对各个数据集进行特征点提取并进行两两特征点的比较，也就是match。这个流程是正常的流程，执行的过程中要注意错误控制

   //使用img1对比余下的图片，得出结果    
                img1 = imread(files[0],0);
                imgn = imread(files[iimage],0);
                //生成特征点算法及其匹配方法
                Ptr<Feature2D>  extractor;
                BFMatcher matcher;
                switch (imethod)
                {
                case 0: //"SIFT"
                    extractor= SIFT::create();
                    matcher = BFMatcher(NORM_L2);    
                    break;
                case 1: //"SURF"
                    extractor= SURF::create();
                    matcher = BFMatcher(NORM_L2);    
                    break;
                case 2: //"BRISK"
                    extractor = BRISK::create();
                    matcher = BFMatcher(NORM_HAMMING);
                    break;
                case 3: //"ORB"
                    extractor= ORB::create();
                    matcher = BFMatcher(NORM_HAMMING);    
                    break;
                case 4: //"AKAZE"
                    extractor= AKAZE::create();
                    matcher = BFMatcher(NORM_HAMMING);    
                    break;
                }
                try
                {
                    extractor->detectAndCompute(img1,Mat(),keypoints1,descriptors1);
                    extractor->detectAndCompute(imgn,Mat(),keypoints2,descriptors2);
                    matcher.match( descriptors1, descriptors2, matches );
                }
                catch (CException* e)
                {
                    cout<<" 特征点提取时发生错误 "<<endl;
                    continue;
                }
 
                //对特征点进行粗匹配
                double max_dist = 0; 
                double min_dist = 100;
                for( int a = 0; a < matches.size(); a++ )
                {
                    double dist = matches[a].distance;
                    if( dist < min_dist ) min_dist = dist;
                    if( dist > max_dist ) max_dist = dist;
                }
                for( int a = 0; a < matches.size(); a++ )
                { 
                    if( matches[a].distance <= max(2*min_dist, 0.02) )
                        good_matches.push_back( matches[a]); 
                }
                if (good_matches.size()<4)
                {
                    cout<<" 有效特征点数目小于4个，粗匹配失败 "<<endl;
                    continue;
                }

2、对match的结果进行RANSAC提纯计算，计算“内点”。主要是RANSAC提纯的一个过程，这个过程在图像拼接中也是很常见的。

  //通过RANSAC方法，对现有的特征点对进行“提纯”
                std::vector<Point2f> obj;
                std::vector<Point2f> scene;
                for( int a = 0; a < (int)good_matches.size(); a++ )
                {    
                    //分别将两处的good_matches对应的点对压入向量,只需要压入点的信息就可以
                    obj.push_back( keypoints1[good_matches[a].queryIdx ].pt );
                    scene.push_back( keypoints2[good_matches[a].trainIdx ].pt );
                }
                //计算单应矩阵（在calib3d中)
                Mat H ;
                try
                {
                    H = findHomography( obj, scene, CV_RANSAC );
                }
                catch (CException* e)
                {
                    cout<<" findHomography失败 "<<endl;
                    continue;
                }
                if (H.rows < 3)
                {
                    cout<<" findHomography失败 "<<endl;
                    continue;
                }
              //计算内点数目
                Mat matObj;
                Mat matScene;
                CvMat* pcvMat = &(CvMat)H;
                const double* Hmodel = pcvMat->data.db;
                double Htmp = Hmodel[6];
                for( int isize = 0; isize < obj.size(); isize++ )
                {
                    double ww = 1./(Hmodel[6]*obj[isize].x + Hmodel[7]*obj[isize].y + 1.);
                    double dx = (Hmodel[0]*obj[isize].x + Hmodel[1]*obj[isize].y + Hmodel[2])*ww - scene[isize].x;
                    double dy = (Hmodel[3]*obj[isize].x + Hmodel[4]*obj[isize].y + Hmodel[5])*ww - scene[isize].y;
                    float err = (float)(dx*dx + dy*dy); //3个像素之内认为是同一个点
                    if (err< 9)
                    {
                        innersize = innersize+1;
                    }
                }

3、比较“耗时”和“内点比例”两个因素。其中建立数学模型，就是用"准确率“/“内点比例”，这样得到一个正向的结论。

4、结合相关数据，得出综合结论

四、实验结果：

1、sift和surf一直提供了较高的准确率，并且结果比较稳定；sift较surf更准一些，但是也有brisk最好的时候；

2、orb的速度非常快，但是最容易出现问题；

3、AKAZA也很容易出现问题；

4、其他算法，包括AKAZA，速度的差别都不是很大。

五、结论

那么我们在做大型特征点提取的算法的时候，就需要综合考虑速度、准确率等多种要素；很可能要自己设计新的算法，将这几种典型算法包含其中，扬长避短了。

附：

配套课程： http://edu.51cto.com/course/11555.html (实验可以免费观看）

//遍历dateset,分别对ＳＩＦＴ、ＳＵＲＦ、ＢＲＩＳＫ、ＯＲＢ、ＦＲＥＡＫ算法进行运算，得出初步结论
//jsxyhelu 2017年11月3日
#include "stdafx.h"
#include <opencv2/core/utility.hpp>
#include "opencv2/imgproc.hpp"
#include "opencv2/videoio.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/calib3d.hpp"
#include "opencv2/xfeatures2d.hpp"
#include <iostream>
#include <ctype.h>
#include "GOCVHelper.h"
#define DATESET_COUNT 8
#define METHOD_COUNT 5
using namespace cv;
using namespace std;
using namespace xfeatures2d;
 
void main()
{
    string strDateset[DATESET_COUNT];
    strDateset[0] = "bark";strDateset[1] = "bikes";strDateset[2] = "boat";strDateset[3] = "graf";strDateset[4] = "leuven";
    strDateset[5] = "trees";strDateset[6] = "ubc";strDateset[7] = "wall";
    string strMethod[METHOD_COUNT];
    strMethod[0] = "SIFT";strMethod[1]="SURF";strMethod[2]="BRISK";strMethod[3]="ORB";strMethod[4]="AKAZE";
    递归读取目录下全部文件
    vector<string> files;
    Mat descriptors1;  
    std::vector<KeyPoint> keypoints1;
    Mat descriptors2;
    std::vector<KeyPoint> keypoints2;
    std::vector< DMatch > matches;
    std::vector< DMatch > good_matches;
    用于模型验算
    int innersize = 0;
    Mat img1;
    Mat imgn;
    int64 t = getTickCount();
    std::cout<<"ＳＩＦＴ、ＳＵＲＦ、ＢＲＩＳＫ、ＯＲＢ、A K A Z E算法测试实验开始"<<endl;
    //遍历各种特征点寻找方法
    for (int imethod=METHOD_COUNT-1;imethod<METHOD_COUNT;imethod++)
    {
 
        string _strMethod = strMethod[imethod];
        std::cout<<"开始测试"<<_strMethod<<"方法"<<endl;
        //遍历各个路径
        for (int idateset = 0;idateset<DATESET_COUNT;idateset++)
        {
            //获得测试图片绝对地址
            string path = "E:/template/dateset/"+strDateset[idateset];
            std::cout<<"数据集为"<<strDateset[idateset];
            //获得当个数据集中的图片
            GO::getFiles(path,files,"r");
            std::cout<<" 共"<<files.size()<<"张图片"<<endl;
            for (int iimage=1;iimage<files.size();iimage++)
            {
                //使用img1对比余下的图片，得出结果    
                img1 = imread(files[0],0);
                imgn = imread(files[iimage],0);
                //生成特征点算法及其匹配方法
                Ptr<Feature2D>  extractor;
                BFMatcher matcher;
                switch (imethod)
                {
                case 0: //"SIFT"
                    extractor= SIFT::create();
                    matcher = BFMatcher(NORM_L2);    
                    break;
                case 1: //"SURF"
                    extractor= SURF::create();
                    matcher = BFMatcher(NORM_L2);    
                    break;
                case 2: //"BRISK"
                    extractor = BRISK::create();
                    matcher = BFMatcher(NORM_HAMMING);
                    break;
                case 3: //"ORB"
                    extractor= ORB::create();
                    matcher = BFMatcher(NORM_HAMMING);    
                    break;
                case 4: //"AKAZE"
                    extractor= AKAZE::create();
                    matcher = BFMatcher(NORM_HAMMING);    
                    break;
                }
                try
                {
                    extractor->detectAndCompute(img1,Mat(),keypoints1,descriptors1);
                    extractor->detectAndCompute(imgn,Mat(),keypoints2,descriptors2);
                    matcher.match( descriptors1, descriptors2, matches );
                }
                catch (CException* e)
                {
                    cout<<" 特征点提取时发生错误 "<<endl;
                    continue;
                }
 
                //对特征点进行粗匹配
                double max_dist = 0; 
                double min_dist = 100;
                for( int a = 0; a < matches.size(); a++ )
                {
                    double dist = matches[a].distance;
                    if( dist < min_dist ) min_dist = dist;
                    if( dist > max_dist ) max_dist = dist;
                }
                for( int a = 0; a < matches.size(); a++ )
                { 
                    if( matches[a].distance <= max(2*min_dist, 0.02) )
                        good_matches.push_back( matches[a]); 
                }
                if (good_matches.size()<4)
                {
                    cout<<" 有效特征点数目小于4个，粗匹配失败 "<<endl;
                    continue;
                }
                //通过RANSAC方法，对现有的特征点对进行“提纯”
                std::vector<Point2f> obj;
                std::vector<Point2f> scene;
                for( int a = 0; a < (int)good_matches.size(); a++ )
                {    
                    //分别将两处的good_matches对应的点对压入向量,只需要压入点的信息就可以
                    obj.push_back( keypoints1[good_matches[a].queryIdx ].pt );
                    scene.push_back( keypoints2[good_matches[a].trainIdx ].pt );
                }
                //计算单应矩阵（在calib3d中)
                Mat H ;
                try
                {
                    H = findHomography( obj, scene, CV_RANSAC );
                }
                catch (CException* e)
                {
                    cout<<" findHomography失败 "<<endl;
                    continue;
                }
                if (H.rows < 3)
                {
                    cout<<" findHomography失败 "<<endl;
                    continue;
                }
                //计算内点数目
                Mat matObj;
                Mat matScene;
                CvMat* pcvMat = &(CvMat)H;
                const double* Hmodel = pcvMat->data.db;
                double Htmp = Hmodel[6];
                for( int isize = 0; isize < obj.size(); isize++ )
                {
                    double ww = 1./(Hmodel[6]*obj[isize].x + Hmodel[7]*obj[isize].y + 1.);
                    double dx = (Hmodel[0]*obj[isize].x + Hmodel[1]*obj[isize].y + Hmodel[2])*ww - scene[isize].x;
                    double dy = (Hmodel[3]*obj[isize].x + Hmodel[4]*obj[isize].y + Hmodel[5])*ww - scene[isize].y;
                    float err = (float)(dx*dx + dy*dy); //3个像素之内认为是同一个点
                    if (err< 9)
                    {
                        innersize = innersize+1;
                    }
                }
                //打印内点占全部特征点的比率
                float ff = (float)innersize / (float)good_matches.size();
                cout<<ff;
                //打印时间
                cout <<" "<<((getTickCount() - t) / getTickFrequency())<< endl;
                t = getTickCount();
                //如果效果较好，则打印出来
                Mat matTmp;
                if (ff == 1.0)
                {
                    drawMatches(img1,keypoints1,imgn,keypoints2,good_matches,matTmp);
                    char charJ[255];sprintf_s(charJ,"_%d.jpg",iimage);
                    string strResult = "E:/template/result/"+strDateset[idateset]+_strMethod+charJ;
                    imwrite(strResult,matTmp);
                }
                ff = 0;
                innersize = 0;
                matches.clear();
                good_matches.clear(); 
            }
            files.clear();
        }
    }
    getchar();
    waitKey();
    return;
 
};

posted on 2022-12-03 15:31 jsxyhelu 阅读(512) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

相关博文：

· 特征提取的综合实验（多种角度比较ＳＩＦＴ、ＳＵＲＦ、ＢＲＩＳＫ、ＯＲB算法)...

· 特征点的基本概念和如何找到它们

· ORB算法特征提取

· 图像拼接2 ORB特征提取

· opencv关键点检测

GreenOpen专注LLM和CV

特征提取算法的综合实验（多种角度比较sift/surf/brisk/orb/akze）

导航

公告

统计

常用链接

随笔分类

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论