特征提取：传统算法 vs 深度学习

小白学视觉 · 公众号 · · 2025-05-31 20:00

正文

请到「今天看啥」查看全文

FAST特征点判断示意图

上述步骤检测出的FAST角点数量很大且不确定，因此ORB对其进行改进。对于目标数量K为个关键点，对原始FAST角点分别计算Harris响应值，，然后根据响应值来对特征点进行排序，选取前K个具有最大响应的角点作为最终的角点集合。除此之外，FAST不具有尺度不变性和旋转不变性。ORB算法构建了图像金字塔，对图像进行不同层次的降采样，获得不同分辨率的图像，并在金字塔的每一层上检测角点，从而获得多尺度特征。最后，利用灰度质心法计算特征点的主方向。作者使用矩来计算特征点半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向。矩定义如下：

计算图像的0和1阶矩：

则特征点的邻域质心为：

进一步得到特征点主方向：

描述子计算

BRIEF算法计算出来的是一个二进制串的特征描述符，具有高速、低存储的特点。具体步骤是在一个特征点的邻域内，选择n对像素点pi、qi（i=1,2,…,n）。然后比较每个点对的灰度值的大小。如果I(pi)> I(qi)，则生成二进制串中的1，否则为0。所有的点对都进行比较，则生成长度为n的二进制串。一般n取128、256或512。另外，为了增加特征描述符的抗噪性，算法首先需要对图像进行高斯平滑处理。在选取点对的时候，作者测试了5种模式来寻找一种特征点匹配的最优模式（pattern）。

图3 测试分布方法

最终的结论是，第二种模式（b）可以取得较好的匹配结果。

深度学习的方法— SuperPoint

深度学习解决特征点提取的思路是利用深度神经网络提取特征点而不是手工设计特征，它的特征检测性能与训练样本、网络结构紧密相关。一般分为特征检测模块和描述子计算模块。在这里以应用较为广泛的SuperPoint为例介绍该方法的主要思路。

该方法采用了自监督的全卷积网络框架，训练得到特征点（keypoint）和描述子（descriptors）。自监督指的是该网络训练使用的数据集也是通过深度学习的方法构造的。该网络可分为三个部分（见图1），(a)是BaseDetector(特征点检测网络)，(b)是真值自标定模块。(c)是SuperPoint网络，输出特征点和描述子。虽然是基于深度学习的框架，但是该方法在 Titan X GPU 上可以输出70HZ的检测结果，完全满足实时性的要求。