今天要整理记录的是OpenCV中BRISK特征提取描述算法的运用。
BRISK特征提取描述算法全称为 Binary Robust Invariant Scalable Keypoints（二进制鲁棒不变可扩展关键点）。BRISK算法也是SIFT算法的一种改进型，主要是针对于旋转不变性、鲁棒性、运算速度等方面做了优化，其大致流程如下：
（1）在提取特征点阶段与SIFT算法类似（可参阅《OpenCV4学习笔记（38）》，同样是先构造多尺度图像金字塔，再从每一层图像组的多尺度空间中找到最大特征点（非极大值抑制）；
（2）再通过亚像素插值得到最大特征点的精确坐标位置，也即把最大特征点从其它层的坐标映射到金字塔最底层的坐标位置，从而完成对最大特征点的定位。
（3）在描述特征点阶段，使用特征点邻域同心圆采样法，在每个特征点的邻域中选择一个同心圆，在这个同心圆上均匀采样，并对所有采样点进行高斯模糊以消除重复采样带来的影响，并以采样点中的短距离点对的灰度值比较结果，来构建二进制描述子（类似BRIEF特征二进制描述算法，可参阅《OpenCV4学习笔记（39）》）。
（4）再以每个特征点的方向特征、也就是梯度来进行方向归一化，强化了BRISK特征描述子的旋转不变性。
通过上述步骤即可得到BRISK特征的二进制描述子，总的来说BRISK特征算法是一种效果比较好的特征算法，主要优点在于它的检测速度，相比SIFT等特征算法而言要明显更快，可以用于实时处理中。
在OpenCV中同样封装好了BRISK算法的特征检测器，下面是调用BRISK算法的代码演示：
Mat tem_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\tem.jpg");
Mat dected_image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\miao.jpg");
resize(tem_image, tem_image, Size(160,120));
resize(dected_image, dected_image, Size(600, 800));
auto brisk = BRISK::create();
vector<KeyPoint> keyPoints_tem, keyPoints_dected;
Mat descriptors_tem, descriptors_dected;
brisk->detectAndCompute(tem_image, Mat(), keyPoints_tem, descriptors_tem, false);
brisk->detectAndCompute(dected_image, Mat(), keyPoints_dected, descriptors_dected, false);
auto matcher = DescriptorMatcher::create(DescriptorMatcher::MatcherType::BRUTEFORCE);
vector<DMatch> matches;
matcher->match(descriptors_tem, descriptors_dected, matches);
float maxdist = matches[0].distance;
for (int i = 0; i < matches.size(); i++)
{
if (maxdist < matches[i].distance)
{
maxdist = matches[i].distance;
}
}
float thresh = 0.45;
vector<DMatch> good_Matches;
vector<Point2f> temPoints, dectedPoints;
for (int j = 0; j < matches.size(); j++)
{
if (matches[j].distance < thresh * maxdist)
{
good_Matches.push_back(matches[j]);
temPoints.push_back(keyPoints_tem[matches[j].queryIdx].pt);
dectedPoints.push_back(keyPoints_dected[matches[j].trainIdx].pt);
}
}
if (0 == good_Matches.size())
{
cout << "不存在最佳匹配特征点" << endl;
return 0;
}
Mat result;
drawMatches(tem_image, keyPoints_tem, dected_image, keyPoints_dected, good_Matches, result, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
imshow("result", result);
演示效果如下图：
在运行BRISK算法和SIFT等算法对同一张图像进行特征点提取时，可以明显的感受到二者的速度差距，可以说BRISK是一种高速的特征点检测和特征描述子生成以及高速匹配的算法。
而且BRISK特征提取描述算法在很大程度上还保留了旋转不变性和尺度不变性，实现了较高检测质量的同时仍然具有较快的运行速度，有效降低了计算成本，更适合用于实时特征提取的工作中。
好的，今天的笔记整理到此结束，谢谢阅读。
PS：本人的注释比较杂，既有自己的心得体会也有网上查阅资料时摘抄下的知识内容，所以如有雷同，纯属我向前辈学习的致敬，如果有前辈觉得我的笔记内容侵犯了您的知识产权，请和我联系，我会将涉及到的博文内容删除，谢谢！
