计算机视觉 OpenCV Android | 特征检测与匹配之 Feature2D中的检测器与描述子

凌川江雪

发布于 2019-03-04 17:09:18

2.1K0

发布于 2019-03-04 17:09:18

文章被收录于专栏：李蔚蓬的专栏

引言及特征点监测器

前面提到的SURF与SIFT特征检测器与描述子，其实都是OpenCV扩展模块xfeature2d中的内容，而在OpenCV本身包含的feature2d模块中也包含了几个非常有用的特征检测器与描述子，其所支持的特征点检测器（FeatureDetector）如下：

FAST=1
STAR=2
ORB=5
MSER=6
GFTT=7
HARRIS=8
SIMPLEBLOB=9
DENSE=10
BRISK=11
AKAZE=12

其中，3、4本来是SIFT与SURF的，但在OpenCV3.x中，它们已经被移到扩展模块中了。如果使用OpenCV官方编译好的OpenCV4Android 3.x版本的SDK，则当声明与使用这两个类型的时候，它会告诉你不支持。

描述子类型

feature2d支持的特征点检测器还支持以下的描述子类型：

DescriptorExtractor.ORB=3
DescriptorExtractor.BRIEF=4
DescriptorExtractor.BRISK=5
DescriptorExtractor.FREAK=6
DescriptorExtractor.AKAZE=7

这里其实还有1与2分别是SIFT与SURF，但其已经被移到扩展模块了，所以如果声明使用会抛出不支持的错误提示。

简单介绍几种特征提取方法

在feature2d模块中同时具有特征点检测与描述子功能的方法有ORB、BRISK、AKAZE。

下面我们简单介绍一下这三种特征提取方法。

1.ORB检测器与描述子

ORB（Oriented FAST and Rotated BRIEF）是OpenCV实验室于2011年开发出来的一种新的特征提取算法， 相比较于SIFT与SURF， ORB的一大好处是没有专利限制，可以免费自由使用，同时具有旋转不变性与尺度不变性。

OpenCV4Android中创建ORB检测器与描述子的代码：

FeatureDetector detector = FeatureDetector.create(FeatureDetector.ORB);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.ORB);

2.BRISK检测器与描述子

BRISK（Binary Robust Invariant Scalable Keypoint）特征检测与描述子是在2011年由几位作者联合提出的一种新的特征提取算法，

OpenCV4Android中创建ORB检测器与描述子的代码如下：

FeatureDetector detector = FeatureDetector.create(FeatureDetector.BRISK);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.BRISK);

3.AKAZE检测器与描述子

AKAZE算法是SIFT算法之后, 具有尺度不变性与旋转不变性算法领域的再一次突破， 它是KAZE特征提取算法的加速版本；
其算法原理有别于前面提到的几种方法，其是通过正则化PM方程与AOS（加性算子分裂）方法来求解非线性扩散， 从而得到尺度空间的每一层；
采样的方法与SIFT类似，对每一层实现候选点的定位与过滤以实现关键点的提取；
然后再使用与SURF求解方向角度类似的方法实现旋转不变性特征，最终生成AKAZE描述子。

AKAZE算法的原理本身比较复杂，笔者所读的书中亦无详细解说，感兴趣的小伙伴阅读相关论文去深入了解。

在OpenCV4Android中创建AKAZE特征检测器与描述子的代码如下：

FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.AKAZE);

4. OpenCV4Android中feature2d检测器与描述子的使用

基于feature2d中的检测器对象实现对象关键点检测的演示代码：

FeatureDetector detector = null;
if(type == 1) {
　　detector = FeatureDetector.create(FeatureDetector.ORB);
} else if(type == 2) {
　　detector = FeatureDetector.create(FeatureDetector.BRISK);
} else if(type == 3) {
　　detector = FeatureDetector.create(FeatureDetector.FAST);
} else if(type == 4){
　　detector = FeatureDetector.create(FeatureDetector.AKAZE);
} else {detector = FeatureDetector.create(FeatureDetector.HARRIS);
}
MatOfKeyPoint keyPoints = new MatOfKeyPoint();
detector.detect(src, keyPoints);
Features2d.drawKeypoints(src, keyPoints, dst);

以AKAZE为例，在feature2d中实现图像特征检测、描述子计算、特征匹配的演示代码如下：

private void descriptorDemo(Mat src, Mat dst) {
　　String boxFile = fileUri.getPath().replaceAll("box_in_scene", "box");
　　Mat boxImage = Imgcodecs.imread(boxFile);
　　FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);
　　DescriptorExtractor descriptorExtractor = DescriptorExtractor.create
(DescriptorExtractor.AKAZE);

　　// 关键点检测
　　MatOfKeyPoint keyPoints_box = new MatOfKeyPoint();
　　MatOfKeyPoint keyPoints_scene = new MatOfKeyPoint();
　　detector.detect(boxImage, keyPoints_box);
　　detector.detect(src, keyPoints_scene);

　　// 描述子生成
　　Mat descriptor_box = new Mat();
　　Mat descriptor_scene = new Mat();
　　descriptorExtractor.compute(boxImage, keyPoints_box, descriptor_box);
　　descriptorExtractor.compute(src, keyPoints_scene, descriptor_scene);

　　// 特征匹配
　　MatOfDMatch matches = new MatOfDMatch();
　　DescriptorMatcher descriptorMatcher = DescriptorMatcher.create
(DescriptorMatcher.BRUTEFORCE_HAMMING);
　　descriptorMatcher.match(descriptor_box, descriptor_scene, matches);
　　Features2d.drawMatches(boxImage, keyPoints_box, src, keyPoints_scene, matches, dst);

　　// 释放内存
　　keyPoints_box.release();
　　keyPoints_scene.release();
　　descriptor_box.release();
　　descriptor_scene.release();
　　matches.release();
}

如果是作者本人的GitHub项目的话，运行时，首先需要把drawable中的box.png与box_in_scene图像放到SD卡上的指定目录下，在演示程序运行之后选择box_in_scene图像即可。当然我们也可以更改一下代码，使用别的图片进行测试或者把图片放在项目中进行测试。