(四)OpenCV中的特征检测之SURF简介(快速鲁棒的特征)

注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正

1.目标

• 学习SURF的基础知识
• 在OpenCV中看到SURF函数

2.理论

在上一章中，我们看到了SIFT的关键点检测和描述。但速度相对较慢，我们需要更加快速的版本。2006年，Bay, H., Tuytelaars, T. and Van Gool,L等人发布了另一篇文章“SURF，Speeded UpRobust Features”，其中介绍了一种名为SURF的新算法。顾名思义它是SIFT的加速版本。

在SIFT中，Lower用高斯差分近似拉普拉斯高斯分布来寻找尺度空间。SURF走得更远一点，并用Box Filter逼近LoG。下图显示了这种近似的演示。这种近似的一大优点是，利用积分图像可以容易地计算与盒式滤波器的卷积。它可以在不同的尺度下并行完成。

SURF依赖于Hessian矩阵的行列式和位置的行列式。

对于方向分配，SURF使用水平和垂直方向的小波响应来计算6s的领域。足够的guassian权重也适用于它。然后将它们绘制在下图中给出的空间中。通过计算角度60度的滑动取向窗口内的所有响应的总和来估计主导方向。有趣的是，小波响应可以很容易地在任何尺度上用积分图像找出来。对于许多应用来说，不需要旋转不变性，所以不需要找到这个方向，从而加快了处理速度。SURF提供了称为Upright-SURF或U-SURF的功能。它提高了速度，并且在15分钟之前保持稳定。根据标志，OpenCV支持两种标准。如果它是0，则计算方向；如果是1，则方向不计算并且更快。

对于特征描述，SURF使用水平和垂直方向的小波响应（再次，使用积分图像使其更容易）。在尺寸为s的关键点周围拍摄20s×20s的邻域。它分为4x4个分区域。对于每个子区域，采用水平和垂直小波响应并且像这样形成矢量，其中 。这表示为矢量时，SURF特征描述符总共有64个维度。降低维度，提高计算速度和匹配速度，但提供更好的功能独特性。

为了更加独特，SURF特征描述符具有扩展的128维版本。和的总和分别为和.计算。类似地，和根据的符号进行分割，从而使特征的数量加倍。它不会增加很多计算复杂性。 OpenCV支持两种方式，分别为64-dim和128-dim设置扩展标志的值0和1（默认值为128-dim）

另一个重要的改进是使用拉普拉斯算子（Hessian矩阵的迹线）作为潜在的兴趣点。它不会增加计算成本，因为它在检测期间已经被计算出来。拉普拉斯的标志将黑暗背景上的明亮斑点与相反的情况区分开来。在匹配阶段，我们只比较具有相同类型对比度的特征（如下图所示）。这个最小的信息允许更快的匹配，而不会降低描述符的性能。

简而言之，SURF增加了很多功能来提高每一步的速度。分析表明它比SIFT快3倍，而性能可与SIFT相媲美。 SURF善于处理模糊和旋转的图像，但不擅长处理视点变化和照明变化。

3.OpenCV中的SURF

OpenCV像SIFT一样提供SURF函数。你用一些可选的条件来启动一个SURF对象，比如64/128-dim描述符，Uright/Normal SURF等等。所有细节再文档中都有很好的解释。然后就像我们再SIFT中所做的那样，我们可以使用SURF.detect()、SURF.compute()来查找关键点和描述符。

看下面的这个栗子：

# -*- coding: utf-8 -*-
'''
SURF:
1.上一节中的SIFT找到了关键点和描述，但速度较慢，需要速度更快的版本，SURF比SIFT快3倍，性能可与SIFT媲美。
2.SURF善于处理模糊和旋转的图像，但不擅长处理视点变化和照明变化
3.OpenCV中的SURF：SURF.detect(),SURF.compute()来查找关键点和描述符
'''

import cv2
from matplotlib import pyplot as plt

img = cv2.imread('5.jpg', 0)
surf = cv2.xfeatures2d.SURF_create(20000)
print("help of surf", help(surf))
print("getHessianThreshold", surf.getHessianThreshold())
surf.setUpright(True)  # 将所有方向显示为一个方向

kp, des = surf.detectAndCompute(img, None)
print("len of kp", len(kp))  # 显示1253个关键点太多
print('des.shape', des.shape)

img2 = cv2.drawKeypoints(img, kp, None, (255, 0, 0,), 4)

plt.imshow(img2), plt.show()

# 将关键点缩小到50左右以便在图像上绘制，在匹配时，我们可能需要所有这些特征。所以增加hessian阈值

结果：

简而言之，SURF增加了很多功能来提高每一步的速度。分析表明它比SIFT快3倍，而性能可与SIFT相媲美。 SURF善于处理模糊和旋转的图像，但不擅长处理视点变化和照明变化。