计算机视觉之图像处理-----SIFT、SURF、FAST、ORB 特征提取算法深度解析

SIFT、SURF、FAST、ORB 特征提取算法深度解析

前言

在图像处理领域亦或是计算机视觉中，首先我们需要先理解几个名词：

什么是尺度不变？

在实际场景中，同一物体可能出现在不同距离（如远处的山和近处的树），导致其在图像中的尺度不同，也引出了多尺度的概念。算法检测到的特征在图像缩放（放大或缩小）后仍能被正确识别和匹配，即尺度不变性。

什么是旋转不变？

物体在现实中的朝向可能任意（如手机横屏/竖屏拍摄同一物体）。算法检测到的特征在图像旋转后仍能被正确识别和匹配，即旋转不变性。

什么是角点：

角点是图像中具有显著变化的点，通常位于边缘的交汇处。它们在计算机视觉中扮演着重要角色，是许多任务的基础特征。通过角点检测算法（如Harris、FAST等），可以有效地提取和利用这些特征。在数学上通过梯度变化和自相关矩阵进行判断。

什么是斑点:

在图像处理和计算机视觉中，斑点（Blob）是指图像中与周围区域在亮度、颜色或纹理上存在显著差异的连通区域。斑点的检测通常基于二阶导数或高斯滤波响应，核心思想是寻找局部极值区域。

斑点 vs. 角点 vs. 边缘

特征类型	定义	数学表征	示例场景
斑点	闭合的均匀区域，周围强度突变	二阶导数极值（LoG/DoG）	医学图像中的肿瘤
角点	多方向强度变化的交点	一阶导数的双方向极值	棋盘格的交叉点
边缘	单方向强度突变的线状结构	一阶导数的极值	物体的轮廓线

什么是图像金字塔？

是一种多尺度表示方法，通过对图像进行多次下采样（缩小）或上采样（放大），生成一系列分辨率逐渐降低或升高的图像集合。

SIFT(尺度不变特征变换)

SIFT（尺度不变特征变换）是一种用于图像处理的特征检测与描述算法，具有尺度、旋转、光照不变性，广泛应用于图像匹配、物体识别等领域。其核心步骤分为四个阶段：

1. 尺度空间的极值检测：

算法通过构建高斯金字塔并计算高斯差分（DoG）来模拟不同尺度下的图像模糊效果，在DoG空间中检测局部极值点作为候选关键点。

2. 关键点定位：

在不同尺寸空间下可能找出过多的关键点，有些关键点可能相对不易辨识或易受噪声干扰。通过泰勒展开插值修正位置和尺度，并剔除低对比度点与边缘响应点以保留稳定的关键点，借此消除位于边上或是易受噪声干扰的关键点。

3. 方向分配：

为每个关键点分配主方向：在其邻域内计算像素梯度幅值和方向，生成方向直方图，取峰值作为主方向以实现旋转不变性，若存在次峰则分配多个方向以增强鲁棒性。

4. 生成关键点描述子：

围绕关键点生成描述子：将邻域旋转至主方向后划分为4×4子区域，每个子区域统计8个方向的梯度直方图，形成128维向量，并通过归一化和截断抑制光照变化的影响。

具体可以参考这篇博客：https://www.cnblogs.com/liuchaogege/p/5155739.html

SURF(加速稳健特征)

SURF（Speeded-Up Robust Features）是一种高效且鲁棒的特征检测与描述算法，旨在解决SIFT算法计算复杂度高的问题，同时保持对尺度、旋转和光照变化的鲁棒性。以下是SURF的核心思想与流程：

1. 特征点检测： SURF利用积分图像加速计算，通过近似Hessian矩阵检测关键点：在图像的多尺度空间中，采用不同尺寸的盒式滤波器替代传统高斯卷积，直接调整滤波器大小而非降采样图像来构建尺度空间，显著减少计算量。对于每个像素点，计算其Hessian矩阵的行列式值（近似为det(H)=LxxLyy−(0.9Lxy)2），若该值在三维邻域（空间与尺度）内为极值，则标记为候选关键点。

**2.关键点方向分配：**使用Haar小波响应来确定关键点的主方向：在关键点周围半径为6σ的圆形区域内，计算水平和垂直方向的Haar小波响应，用高斯加权函数对这些响应值进行加权。将360°划分为多个扇形区域，计算各扇区内响应向量的总和，最后选择最长向量的方向作为主方向，从而实现旋转不变性。

3. 特征描述子生成： 算法首先将关键点邻域旋转至主方向对齐，确保坐标系与主方向一致；接着将邻域划分为4×4的子区域，每个子区域内统计水平与垂直Haar小波响应的值及其绝对值之和，形成4维局部特征向量，最终将所有子区域的特征串联为64维或128维描述子（SURF-64或SURF-128）。

**4. 描述子归一化：**对描述子进行归一化处理以消除光照变化影响，并通过阈值截断（如限制最大分量值为0.2）进一步提升鲁棒性。

具体可以参考这篇博客：https://www.cnblogs.com/zyly/p/9531907.html

SURF vs. SIFT 核心差异

效率提升：SURF利用积分图像和盒式滤波器，计算速度比SIFT快数倍，适用于实时应用。
尺度空间构建：SIFT通过图像降采样生成多Octave，而SURF直接调整滤波器尺寸，减少图像重建开销。
方向分配：SURF使用Haar小波响应统计方向，SIFT基于梯度直方图。
描述子维度：SURF默认64维（可扩展至128维），低于SIFT的128维，但通过优化统计方式保持区分性。

应用与局限性

优势：实时性高，对模糊、旋转和光照变化鲁棒，适用于移动端或实时匹配场景（如SLAM、目标跟踪）。
局限性：对视角变换和非刚性形变的适应性弱于SIFT，高纹理重复场景易误匹配。

SURF通过算法优化在速度与性能间取得平衡，成为传统特征提取方法中的经典选择，后续算法（如ORB）进一步结合二进制描述子，推动实时性提升。

FAST（Features from Accelerated Segment Test）

FAST 是一种高效的关键点检测算法，专注于在实时系统中快速识别图像中的角点（Corner）。其核心思想是通过局部像素强度的快速比对筛选候选点，牺牲部分鲁棒性以换取极高的计算速度。具体流程如下：

首先，以候选像素 p 为中心，在其周围半径为3像素的圆形邻域（共16个像素）中选择一组固定点（通常取12或9个点），通过阈值 T 判断这些点与中心点的强度差异。若邻域中存在连续 N 个点（通常 N=9）的强度均显著高于或低于中心点（即 I邻域点>Ip+T 或 I邻域点<Ip-T），则判定 p 为候选角点。为进一步优化结果，FAST 采用非极大值抑制（Non-Maximum Suppression）去除响应较弱的重复点，保留最具显著性的角点。

特点与局限性：

优势：计算复杂度极低，适合实时应用（如视频跟踪、移动端SLAM）。
缺点：仅检测角点位置，不提供尺度与方向信息，且对噪声敏感，需依赖后续算法（如ORB）补全描述子。

ORB（Oriented FAST and Rotated BRIEF）

ORB 是对 FAST 和 BRIEF 算法的融合与改进，通过引入方向性与旋转不变性，解决了 FAST 缺乏描述能力及 BRIEF 对旋转敏感的问题，成为轻量级特征提取的经典方法。其流程分为以下阶段：

关键点检测（oFAST）：在 FAST 检测的基础上，通过灰度质心法（Intensity Centroid）为每个关键点分配主方向。具体而言，计算关键点邻域内像素的灰度质心（即加权平均坐标），将质心到关键点的向量方向作为主方向，实现旋转不变性。此外，ORB 通过构建图像金字塔检测多尺度关键点，支持尺度不变性。
特征描述（rBRIEF） ：传统的 BRIEF 描述子通过随机选取关键点邻域内的像素对进行强度比较，生成二进制字符串（如256位），但直接应用会因旋转导致匹配失效。ORB 改进为 旋转鲁棒的BRIEF（rBRIEF）：根据关键点的主方向旋转像素对的采样位置，确保描述子与方向对齐。同时，ORB 通过统计学习优化像素对的选择，使得生成的二进制描述子具有高区分度和低相关性。
匹配优化：ORB 描述子通过汉明距离（Hamming Distance）进行快速匹配，利用二进制异或操作加速计算，显著提升匹配效率。

特点与应用：

效率：全程基于二进制操作，计算速度远超 SIFT/SURF，适用于嵌入式设备或实时场景（如无人机导航、AR）。
鲁棒性：通过方向补偿和尺度金字塔，支持旋转与尺度不变性，但对透视形变和光照剧烈变化的适应性较弱。
典型应用：ORB-SLAM、移动端图像匹配、低功耗场景下的物体识别。

具体可以参考以下博客：

FAST特征点检测：https://www.cnblogs.com/ronny/p/4078710.html
BRIEF特征描述子：https://www.cnblogs.com/ronny/p/4081362.html

FAST 与 ORB 的关系

FAST 是纯粹的关键点检测器，仅定位角点位置。
ORB 是完整的特征提取框架，包含检测（oFAST）与描述（rBRIEF）两部分，本质是 FAST + 方向/尺度扩展 + 旋转鲁棒的二进制描述子。

总结

FAST 以"快"为核心，牺牲描述能力换取毫秒级检测速度，适用于对实时性要求极高的场景。
ORB 在 FAST 基础上融合方向、尺度与二进制描述，平衡速度与鲁棒性，成为轻量级特征提取的标杆算法，尤其适合资源受限的实时系统。
局限性：二者均依赖局部强度分布，对模糊、大视角变化或非刚性形变的处理能力有限，在此类场景中仍需依赖深度学习特征（如SuperPoint、D2-Net）。

可视化效果

yaml 复制代码

sift len of des: 458, size of des: 128
surf len of des: 1785, size of des: 64
orb len of des: 500, size of des: 32

可以看出：

sift虽然提取的特征点最少，但是效果最好。
sift提取的特征点维度是128维，surf是64维，orb是32维。

BruteForce Matcher特征匹配（BFMatcher总是尝试所有可能的匹配，从而使得它总能够找到最佳匹配，这也是Brute Force（暴力法）的原始含义。）

yaml 复制代码

sift size of kp: 59, after filtering: 20
surf size of kp: 197, after filtering: 35
orb size of kp: 390, after filtering: 47

从输出的结果来看，orb的效果最好。感兴趣的话还可以用其他图片看看效果，pic文件夹还提供其他两组比较的图片。

总结：

计算速度: ORB>>SURF>>SIFT（各差一个量级）

旋转鲁棒性：SURF>ORB~SIFT（表示差不多）

模糊鲁棒性：SURF>ORB~SIFT

尺度变换鲁棒性: SURF>SIFT>ORB（ORB并不具备尺度变换性）

算法	关键点类型	强度变化形式	典型应用场景
SIFT	边缘/斑点	一阶或二阶导数极值	高精度匹配、三维重建
SURF	斑点	二阶导数极值（Hessian）	实时性要求较高的匹配
FAST	角点	局部强度突变	实时跟踪、SLAM
ORB	角点（带方向）	局部强度突变 + 强度分布统计	嵌入式设备、移动端应用