常用的特征点生成方法

常用特征点速度对比

SIFT<SURF<BRISK<FREAK<ORB

立体匹配从大的方面说分为两种，全局匹配和局部匹配，全局匹配精度高，但是计算速度慢，不能满足实时的要求，局部匹配速度快，可以满足实时的要求，但是精度不如前者，考虑到项目实际，需要实时的判断机器人与环境的关系，就重点研究局部匹配。局部匹配又分为基于区域的匹配，基于特征的匹配以及基于梯度的优化方法。综合比较，选择基于特征的匹配。

    基于特征的匹配分为特征点提取和匹配两个步骤，本篇主要针对特征点提取三种方法进行比较，分别是SIFT，SURF以及ORB三种方法，这三种方法在OpenCV里面都已实现。SURF基本就是SIFT的全面升级版，有 SURF基本就不用考虑SIFT，而ORB的强点在于计算时间，以下具体比较：

 

    计算速度：            ORB>>SURF>>SIFT（各差一个量级）

 

    旋转鲁棒性：        SURF>ORB~SIFT（表示差不多）

 

    模糊鲁棒性：        SURF>ORB~SIFT

 

    尺度变换鲁棒性： SURF>SIFT>ORB（ORB并不具备尺度变换性）

 

    所以结论就是，如果对计算实时性要求非常高，可选用ORB算法，但基本要保证正对拍摄；如果对实行性要求稍高，可以选择SURF；基本不用SIFT。