Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配

╰+哭是因爲堅強的太久メ 2022-07-13 14:50 250阅读 0赞

## Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配 ##

视频项目中要用到拼接，这里记录一下SIFT、SURF、ORB三种特征点。  
本文不做过多的理论解释，只是利用opencv简单实现三种特征点匹配算法的验证（改进的部分暂未上传）。

新的下载地址:

[下载：Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配][Opencv_SIFT_SURF_ORB]

[csdn下载地址][csdn]

**环境：**  
Windows下vs2010，opev2.4.9;  
代码release下编译，工程release下的exe可以直接运行；编译工程需要配置opencv，见：[opencv配置][opencv]  
**注意：**  
工程具体添加以下lib（release下的dll与以下的lib是对应的）：  
opencv\_core249.lib  
opencv\_highgui249.lib  
opencv\_imgproc249.lib  
opencv\_features2d249.lib  
opencv\_nonfree249.lib  
opencv\_legacy249.lib

1.  SIFT算法  
    SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。SIFT算法时间复杂度的瓶颈在于描述子的建立和匹配 ，如何优化对特征点的描述方法是提升SIFT效率的关键。  
    作者David Lowe原文（附有demo）  
    Distinctive image features from scale-invariant keypoints  
    下载地址：  
    http://www.cs.ubc.ca/~lowe/keypoints/  
    附个SIFT算法讲解的帖子：  
    http://blog.csdn.net/abcjennifer/article/details/7639681/  
    https://www.52ml.net/2713.html
2.  SURF算法  
    SURF算法的优点是速度远快于SIFT且稳定性好;在时间上，SURF运行速度大约为SIFT的3倍；在质量上，SURF的鲁棒性很好，特征点识别率较SIFT高，在视角、光照、尺度变化等情形下，大体上都优于SIFT。  
    作者原文：Speeded-Up Robust Features (SURF)  
    下载地址：  
    http://www.sciencedirect.com/science/article/pii/S1077314207001555  
    附个SURF算法讲解的子：  
    https://www.52ml.net/2709.html
3.  ORB算法  
    这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFT or SURF”的文章中提出。  
    原文下载地址：  
    http://ieeexplore.ieee.org/document/6126544/?reload=true&arnumber=6126544  
    附个ORB算法讲解的帖子：  
    http://www.cnblogs.com/ronny/p/4083537.html
4.  三种特征点  
    1）尺度、旋转不变性（ORB算法在尺度方面效果较差）；  
    2）ORB较快，SURF运行速度大约为SIFT的3倍，ORB是sift的100倍，是surf的10倍。（这里摘录网上看到的，，具体视具体的数据）；  
    3）SURF的鲁棒性较好  
    具体的三种性能比较可见这篇文章：  
    (1)多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法  
    (2)http://blog.jobbole.com/83919/
5.  衡量指标与改进方向  
    一般用于图像匹配或者配置及拼接时:常有以下**衡量指标**：  
    检测关键点，检测时间，匹配点对数，匹配时间；误匹配点对；主观效果。  
    **改进方向：**  
    特征点提取：对上述三种算法的特征点提取及描述方面加以某种改进。  
    匹配：通常在匹配时有kd树搜素、双向匹配；在视频中可在首帧进行匹配求得变换矩阵，在首帧之后的k帧一直采用上述变换矩阵。RANSAC算法剔除误匹配点。

**效果图：**

**简单使用：**

![这里写图片描述][format_png]

**匹配效果：**

**第一组：**

SIFT:

![SIFT][]

SURF:

![SURF][]

ORB:

![ORB][]

**第二组：**

在提取特征点后，只利用opencv自带的BruteForceMatcher进行特征点的匹配且未进行误匹配点的剔除的情况下。匹配结果在两幅根本不关联的图像也会匹配出较多的匹配点。所有，利用上述三种算法进行特征点提取后，要在匹配中进行改进。改进版的下次再写。

[Opencv_SIFT_SURF_ORB]: https://github.com/2010yhh/DetectFeaturePoint.git
[csdn]: http://download.csdn.net/download/yhhyhhyhhyhh/9736770
[opencv]: http://blog.csdn.net/yhhyhhyhhyhh/article/details/50319891
[format_png]: /images/20220713/934edc2bb3cb47be93a2dc60e7468591.png
[SIFT]: /images/20220713/a7a2cd63d25f47bfb8824e886dd4d6dd.png
[SURF]: /images/20220713/458913e602a5476aaf37f0263504a96f.png
[ORB]: /images/20220713/6be64d1473dc4fedb6e93d80b81eebbf.png