Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配

Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配

视频项目中要用到拼接，这里记录一下SIFT、SURF、ORB三种特征点。 
本文不做过多的理论解释，只是利用opencv简单实现三种特征点匹配算法的验证（改进的部分暂未上传）。代码下载地址：Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配环境： 
Windows下vs2010，opev2.4.9; 
代码release下编译，工程release下的exe可以直接运行；编译工程需要配置opencv，见：opencv配置 
注意： 
工程具体添加以下lib（release下的dll与以下的lib是对应的）： 
opencv_core249.lib 
opencv_highgui249.lib 
opencv_imgproc249.lib 
opencv_features2d249.lib 
opencv_nonfree249.lib 
opencv_legacy249.libSIFT算法 
SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。SIFT算法时间复杂度的瓶颈在于描述子的建立和匹配 ，如何优化对特征点的描述方法是提升SIFT效率的关键。 
作者David Lowe原文（附有demo） 
Distinctive image features from scale-invariant keypoints 
下载地址： 
http://www.cs.ubc.ca/~lowe/keypoints/ 
附个SIFT算法讲解的帖子： 
http://blog.csdn.net/abcjennifer/article/details/7639681/ 
https://www.52ml.net/2713.html

SURF算法 
SURF算法的优点是速度远快于SIFT且稳定性好;在时间上，SURF运行速度大约为SIFT的3倍；在质量上，SURF的鲁棒性很好，特征点识别率较SIFT高，在视角、光照、尺度变化等情形下，大体上都优于SIFT。 
作者原文：Speeded-Up Robust Features (SURF) 
下载地址： 
http://www.sciencedirect.com/science/article/pii/S1077314207001555 
附个SURF算法讲解的子： 
https://www.52ml.net/2709.html

ORB算法 
这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFT or SURF”的文章中提出。 
原文下载地址： 
http://ieeexplore.ieee.org/document/6126544/?reload=true&arnumber=6126544 
附个ORB算法讲解的帖子： 
http://www.cnblogs.com/ronny/p/4083537.html

三种特征点 
1）尺度、旋转不变性（ORB算法在尺度方面效果较差）； 
2）ORB较快，SURF运行速度大约为SIFT的3倍，ORB是sift的100倍，是surf的10倍。（这里摘录网上看到的，，具体视具体的数据）； 
3）SURF的鲁棒性较好 
具体的三种性能比较可见这篇文章： 
(1)多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法 
(2)http://blog.jobbole.com/83919/

衡量指标与改进方向 
一般用于图像匹配或者配置及拼接时:常有以下衡量指标： 
检测关键点，检测时间，匹配点对数，匹配时间；误匹配点对；主观效果。 
改进方向： 
特征点提取：对上述三种算法的特征点提取及描述方面加以某种改进。 
匹配：通常在匹配时有kd树搜素、双向匹配；在视频中可在首帧进行匹配求得变换矩阵，在首帧之后的k帧一直采用上述变换矩阵。RANSAC算法剔除误匹配点。