索引地址：系列索引 特征：图像特征与特征描述子 ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。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 SIFTor SURF”的文章

索引地址：系列索引 特征：图像特征与特征描述子 BREIF（Binary Robust Independent Elementary Features） BREIF的基本原理 我们已经知道SIFT特征采用了128维的特征描述子，由于描述子用的浮点数，所以它将会占用512 bytes的空间。类似地，对于SURF特征，常见的是64维的描述子，它也将占用256bytes的空间。如果一幅图像中有1000

索引地址：系列索引 使用surf提取关键点，使用flann进行匹配。 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071#include <opencv2/opencv.hpp&

索引地址：系列索引 SURF（加速版的具有鲁棒性的特征，SpeededUp Robust Features），SURF是尺度不变特征变换算法（SIFT算法）的加速版。SURF最大的特征在于采用了harr特征以及积分图像的概念。 SURF原理 （1）构建Hessian矩阵构造高斯金字塔尺度空间 SIFT采用的是DoG图像，而SURF采用的是Hessian矩阵（SURF算法核心）行列式近似值图像。在

索引地址：系列索引 SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大，很难实时，所以对一些实时要求比较高的常见SIFT算法还是无法适用。如今SIFT算法在深度学习特征提取与分类检测网络大行其道的背景下，已经越来越有鸡肋的感觉，但是它本身的算法知识还是很值得我们学习，对我们也有很多有益的启示，本质上SIFT算法是很多常

索引地址：系列索引 FLANN库全称是Fast Library for Approximate Nearest Neighbors（快速最近邻逼进搜索库），是一个在高维空间快速搜索近邻的库，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制。 主要优势：实现了包含kd-tree等在内的搜索算法集合，并且可以根据数据集本身特点，自动选取最适合的算法来完

索引地址：系列索引 图像特征点检测、描述子生成以后，就可以通过OpenCV提供的描述子匹配算法，得到描述子直接的距离，距离越小的说明是匹配越好的，最终绘制位置即可。 测试代码： 1234567891011121314151617181920212223242526272829303132333435363738394041424344#include <iostream>#includ

索引地址：系列索引 所谓模板匹配，就是以一张图片作为模板，去另一张图片中找到其所在的位置。 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818

索引地址：系列索引 角点和角点检测：角点检测 moravec算法 基本原理 这是一种基于灰度方差的角点检测算子，该算子计算图像中每个像素点沿着水平、垂直、对角线及反对角线的四个方向的灰度方差，其中的最小值选作该像素点的兴趣值IV(interest value)，再通过局部非极大值抑制来检测其是否为特征点（角点）。 算法步骤 （1）计算各像元的兴趣值IV。以像素(c,r)为中心的 w x w

索引地址：系列索引 角点和角点检测：角点检测 面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。至于“附近”到什么程度？就很困难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“