角点匹配方法(总结篇)

经过前一段时间学习，在此先把角点特征匹配方法做个总结，和大家分享一下，在以后的时间里，我将介绍各算子相关知识。

图像匹配能够应用的场合非常多，如目标跟踪，检测，识别，图像拼接等，而图像匹配最核心的技术就要属角点匹配了，所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。角点匹配可以分为以下四个步骤：

1. 提取检测子：在两张待匹配的图像中寻找那些最容易识别的像素点(角点)，比如纹理丰富的物体边缘点等。
2. 提取描述子：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等。检测子和描述子的常用提取方法有:sift, harris, surf, fast, agast, brisk, freak, brisk,orb等。
3. 匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系。常用方法如 flann。
4. 去外点：去除错误匹配的外点，保留正确的内点。常用方法有Ransac, GTM。

综合作者论文中实验结果和自己实验部分算子测试结果来看，orb检测子与surf描述子配合的效果是最好的，不过速度也是最慢的。古老的sift和surf依然好用，速度也还是那么不给力。在不考虑旋转和仿射变换的情况下，fast是很不错的选择，在小幅旋转（小于20度)的情况下，fast也还是有一定的容错能力的。在旋转变化和尺度变化方面，各算子的武功相差不多，虽然在理论上sift支持旋转变化，不过测试中它并没有表现出明显的优势。在噪音方面，sift和orb明显强于其它算法；在亮度变化和仿射变换上，orb的鲁棒性是最好的；综合比较，orb的性价比略胜一筹。

关于Image Engineering & Computer Vision的更多讨论与交流，敬请关注本博客和新浪微博songzi_tea.