图像特征点提取及描述子汇总：FIST、SURF、FAST、BRIEF、ORB、BRISK、FREAK

SIFT特征提取及描述子

1 特征提取

1.1 构建尺度空间



1.2 选取特征点

        一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点



1.3 去除不好的特征点

2 特征描述子

        用直方图统计特征点领域内的像素梯度方向，取直方图bin值最大的以及超过最大bin值80%的那些方向做为特征点的主方向。论文中是45°为一个柱状图，并且使用了高斯函数平滑曲线。

        再将特征点领域内的图像旋转，使特征方向与X轴方向平行，保证旋转不变性。选取特征点周围16*16区域，划分为4*4=16块，求取每一块在8个方向上的梯度，这样就得到了4*4*8=128维的SIFT描述子。

 

3 描述子特点

        对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

        旋转不变性：取描述子的时候讲特征点周围旋转到了X轴方向；

        尺寸无关性：构建尺度空间的时候，构建了不同尺度缩放下的图片，在求取特征点的时候，在多种尺度空间下进行了检测；

        亮度变化抗性：将描述子中各个维度的归一化，可以减小亮度变化的影响。

SURF特征提取及描述子

         SURF与SIFT有很多相似的地方：建立金字塔形的尺度空间、通过层间差异寻找特征点、特征描述子基于特征点邻域内的梯度。

1 特征提取

（参考http://blog.csdn.net/chlele0105/article/details/12955359）

1.1 构件尺度空间

        Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。Hessian矩阵构造前，需要对其进行高斯滤波，以达到尺寸无关性。使用积分图像计算每个点的Hessian矩阵，节省了大量时间。

        在surf中，图片的大小是一直不变的，不同的octave层得到的待检测图片是改变高斯模糊尺寸大小得到的，同一个octave中的图片用到的高斯模板尺度也不同。Surf采用这种方法节省了降采样过程，其处理速度自然也就提上去了。

 1.2 初选特征点

        类似SIFT特征提取：一个点如果在尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。

1.3 排除特征不明显点

        和sift算法中的类似，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点。

2 特征描述子

2.1 确定特征点方向

        选取特征点邻域，如特征点周围半径6s圆形区域（s为特征点所在层的尺寸度量），计算60°扇形在水平方向和竖直方向的haar小波特征，在以一定角度转动扇形，最终选择最大值的方向作为特征点方向。



2.2 特征描述子

        确定特征点方向之后先选择图像。在特征点周围选取边长为20s的正方形，然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。一共有4*4*4=64维特征描述子。

Harris角点检测

Agast角点检测

FAST特征提取

         FAST只是一种特征点检测方法，需要结合其他的特征点描述子一起使用。FAST特征检测算法来源于corner的定义，这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。

        通常需要与中心点灰度值大于阈值的量大于圆周的3/4才能当做特征点。为了加快计算，先计算圆心点与圆周上相隔90°的四个点，需要3个与圆心点灰度值大于阈值才继续计算，否则直接排除。

         FAST算法优点在于计算高效，但是缺点也明显：检测结果不是最优、角点容易挤在一起。

BRIEF特征描述子

         BRIEF是2010提出的一种二进制的特征描述子。其没有提出特征点选取方法，可以使用SIFT、SURF提出出来的特征点。

1 描述子生成

        它需要先用高斯滤波平滑图像，然后在特征点周围选择一个Patch（通常为正方形），在这个Patch内通过一种选定的方法来挑选出来nd个点对。然后对于每一个点对(p,q)，我们来比较这两个点的亮度值，如果I(p)>I(q)则这个点对生成了二值串中一个的值为1，否则生成0，这样就构成了特征描述子。

        点对选择方式（在SxS邻域内）：在图像块内平均采样；p和q都符合(0,S^2/25)的高斯分布；p符合(0,S^2/25)的高斯分布，而qq符合(0,S^2/100)的高斯分布；在空间量化极坐标下的离散位置随机采样;把p固定为(0,0)，qq在周围平均采样。

2 描述子特点

        抛弃了传统的用梯度直方图描述区域的方法，改用检测随机响应，大大加快了描述子建立速度；生成的二进制描述子便于高速匹配（计算Hamming距离只需通过异或操作加上统计二进制编码中“1”的个数的操作，这些通过底层的运算即可实现），但是不具备旋转不变（30°以内较好），尺度不变，对噪声也比较敏感。

ORB特征描述子

 

 

BRISK特征提取及描述子

 

 

FREAK特征描述子