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

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。

作者：凌川江雪
链接：https://www.jianshu.com/p/44c9a77191ca