Dog算子，SIFT特征点， Fast角点 ，ORB特征点 有时间慢慢再来解析

1. SURF的优势

• SURF主要有以下几点优势

  • SURF是尺度不变特征变换算法（SIFT）的加速版，一般来说它比SIFT要快好几倍，且在多幅图像下具有更好的稳定性；

  • SURF采用了harr特征+积分图像的概念，大大加快了程序的运行时间。

  • SURF可以应用于计算机视觉的物体识别以及3D重构

2.SURF算法原理

1. 构建Hessian矩阵， 构造高斯金字塔尺度空间

SURF构造的金字塔图像与SIFT有很大不同，是造成SURF快很多的原因之一。

Sift采用的是Dog算子， 而surf采用的是Hessian矩阵行列式近似值图像， Hessian矩阵是Surf算法的核心。

但由于特征点需要具备尺度无关性，所以在在计算Hessian矩阵之前，需要对其进行高斯滤波。

• 首先判断该点是否为极值点，才可以决定是否选择其为特征点

  判别式的就是Hessian矩阵的行列式， 缩写为det(H), 判别式的值就是H矩阵的的特征值，然后根据判别式的值从而可以判定该点是是不是极值点。

  海森矩阵(Hessian): 是一个自变量为向量的二阶偏导数组成的方块矩阵，如下：
  

  它的判别式为：
  

在SURF算法中，为了计算Hessian矩阵，我们选用二阶标准高斯函数作为滤波器， 通过特定核间的卷积计算二阶偏导数，从而可以得到H矩阵：

而$L(x, t)=G(t) \cdot I(x, t)$L(x,t)=G(t)⋅I(x,t), $G(t)=\frac{\partial^{2} g(t)}{\partial x^{2}}$G(t)=∂x2∂2g(t)​.

为应用方便， 有人(Herbert Bay)提出了用近似值线线代替L(x,t), 为了平衡误差引入权值，权值随着尺度变换， 则H矩阵的判别式可表示为：

$\operatorname{det}(\text {H})=D x x D y y-\left(0.9 D_{x y}\right)^{2}$det(H)=DxxDyy−(0.9Dxy​)2

• SURF相比对SIFT加速的两个地方

  • 积分图**(提高计算效率)**：就是当前的每个像素的灰度都是它与坐标原点(0,0)形成的对角线的矩形内的所有像素的灰度值之和。所以我们在计算某个矩阵框内的像素灰度值之和时，就可以很快得出结果。
  • 图像金字塔：sift的图像金字塔是逐渐降采样得到的（图像像素降低）；而Surf中，图像大小始终保持不变，改变的是滤波器的大小（就是核的尺寸）， 这样节省了降采样过程，所以速度提升了。

2. 利用非极大值抑制初步确定特征点

初步特征点的确定： 将经过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果它是这26个点中的最大值或者最小值，则保留下来，当做初步特征点。

3. 精确定位极值点

和sift算法类似，采用三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，增加极值使检测到的特征点数量减少，最终只有几个特征最强点会被检测出来。

4. 选取特征点的主方向

• sift选取特征点主方向

  采用在特征点领域内统计其梯度直方图， 取直方图bin值最大的以及超过最大bin值80%的那些方向作为其特征点的主方向。

梯度直方图不熟，记个标签，后面专门补上。

• SURF选取特征点主方向

  不统计起梯度直方图， 而是统计特征点领域内的harr小波特征。即以特征点为中心，统计在一定半径范围内，以60°的扇形区域内x-y方向上的Haar小波响应总和，并给这些响应值按照离特征点的远近赋予不同程度的权重， 最后将最大值那个扇形的作为该特征点的主方向。该过程的示意图如下：

  

haar小波特征不熟，记个标签2，后面补上更新

5. 构造SURF特征点描述算子

• sift描述子的选取方式

  在sift中，是在特征点周围取16x16的邻域， 并把该领域化为4x4个的小区域，每个小区域统计8个方向梯度，最后得到448 = 128维的向量， 将该向量作为该点的描述子

• SURF描述子的选取方式

  在surf中，是在特征点周围去一个正方形框，该框是有方向的，与上的一步的主方向统一。 然后将该框分为44个小区域，对每个小区域统计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是相对主方向而言的。就可以得到4个值：该haar小波特征的水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。所以从以上可以看出，最后得到44*4=64维的向量， 该向量与sift的向量相比少了一半。

3. SURF缺点

在上面讲述SURF的原理过程中，都与sift特征进行了对比， 突出了surf特征的优势所在，那么现在分析一下surf有那些缺点：

• 求主方向阶段太过于依赖局部区域像素的梯度方向

  这有可能使得找到的主方向不准确，而后面的特征向量提取以及匹配都严重依赖于主方向，即便不大偏差角度也可以造成后面特征匹配的误差放大，从而使匹配不成功。

• 图像金字塔的层取得不够紧密

  这会使得尺度有误差， 后面的特征向量提取同样依赖相应的尺度，研究者们在这个问题上的解决方法是取适量的层然后进行插值

4.SURF特征的提取和匹配–OpenCV函数

• OpenCV3总SURF/SIFT特征点的检测

		int minHessian = 400; ## 检测关键点的数量
		cv::Ptr<xfeatures2d::SURF> detector = xfeatures2d::SURF::create( minHessian );
		cv::Ptr<xfeatures2d::SIFT> detectorSift = xfeatures2d::SIFT::create(minHessian);
		## 画出关键点位置
		drawKeypoints(image1, kyPoints1, img_kyPoints1, cv::Scalar::all(-1), DrawMatchesFlags::DEFAULT);  

• OpenCVC3中特征点的匹配方式

		vector<DMatch> matches;
		FlannBasedMatcher matcher;
		matcher.match(descrip1, descrip2, matches);
		# 画出匹配的关键点
		drawMatches ( image1, kyPoints1, image2, kyPoints2, matches, img_matches );

• 测试结果简单展示

4. SURF特征与SIFT特征各项指标对比

且理论上， SURF比SIFT快3倍。