OpenCV4入门教程117：Brisk特征提取与描述子匹配

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，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。

（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。

特征步骤

构建尺度空间
特征点检测
FAST9-16寻找特征点
特征点定位
关键点描述子

BRISK是BRIEF描述子的一种改进，相比于BRIEF特征，它具有旋转不变性、尺度不变性和对噪声的鲁棒性。几个特征检测的速度比较：SIFT>SURF>BRISK>FREAK>ORB，在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。

#include <opencv2/core/core.hpp> 
#include <opencv2/highgui/highgui.hpp> 
#include <opencv2/imgproc/imgproc.hpp> 
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/xfeatures2d.hpp>

using namespace cv;

int main(int argc, char** argv) 
{ 
    Mat img_1 = imread("box.png"); 
    Mat img_2 = imread("box_in_scene.png");

    // -- Step 1: Detect the keypoints using STAR Detector 
    std::vector<KeyPoint> keypoints_1,keypoints_2; 
    Ptr<xfeatures2d::StarDetector> detector =xfeatures2d::StarDetector::create(); 
    detector->detect(img_1, keypoints_1); 
    detector->detect(img_2, keypoints_2);

    // -- Stpe 2: Calculate descriptors (feature vectors) 
    Ptr<BRISK> brisk=BRISK::create(); 
    Mat descriptors_1, descriptors_2; 
    brisk->compute(img_1, keypoints_1, descriptors_1); 
    brisk->compute(img_2, keypoints_2, descriptors_2);

    //-- Step 3: Matching descriptor vectors with a brute force matcher 
    BFMatcher matcher(NORM_HAMMING); 
    std::vector<DMatch> mathces; 
    matcher.match(descriptors_1, descriptors_2, mathces); 
    // -- dwaw matches 
    Mat img_mathes; 
    drawMatches(img_1, keypoints_1, img_2, keypoints_2, mathces, img_mathes); 
    // -- show 
    imshow("Mathces", img_mathes);

    waitKey(0); 
    return 0; 
}