目标跟踪的点跟踪技术(5)

除了SIFT，还有一些采用较广泛的特征点选择和描述方法，如SURF、ORB等。

SURF: Speeded Up Robust Features

SURF与SIFT方法相似，区别主要在以下两点：

1. 采用了Hessian矩阵而非DoG作为角点筛选条件。为了提高计算速度，采用了Haar核而非二阶高斯偏导核进行卷积。因为Haar核可以用积分直方图一次性计算，所以效率更高，不过这种近似有一定的误差。

2. 特征点描述子用Haar核卷积然后求和，计算出子区域x, y两个方向的亮度变化累积情况。

ORB: an efficient alternative to SIFT or SURF

ORB算法整合修改了两个之前的算法，角点检测采用了FAST，描述子采用了BRIEF。

首先是FAST: Features from Accelerated Segment Test

它的基本原理是，如果环绕一个点的大部分点都比它亮/暗，那么该点为角点。但这种明暗关系不易人工设定，于是利用机器学习的方法来学习具体关系。

FAST把特征点检测看成一个机器学习问题，利用已有的标注图片集，训练一个两类分类器来分类角点/非角点。

对于每个待检测点，提取周围16个点的亮度信息。事先设定一个阈值t，将周围点的属性分成三类：

这样，图片中任意一点可以表示为一个由16个离散取值元素组成的特征，于是可以用决策树来学习最优分类规则。不难想象该算法的检测速度明显高于SIFT和SURF

然后是BRIEF: Binary Robust Independent Elementary Features

BRIEF的基本思想是，不仅要快速计算特征描述子，还要能提高特征匹配速度。与SIFT和SURF的浮点数不同，它为每个特征点创建一段二进制码，每一个二进制码代表一个特征。进行特征匹配时可以用异或操作判断海明距离，速度飞快。

BRIEF的每个二进制码的方法非常简单：对于特征点周围的邻近区域，任取两个点，比较这两个点的亮度(之前做高斯平滑)

取样一定次数，然后拼成二进制串即可。

这是原文尝试的一些取值方法，其他的都是按照某种分布随机采样，最后一个是固定函数采样。原文实验结果是前四种都不错，最后一种略差。

因为BRIEF是方向相关的，ORB做了一点改进。

首先计算角点邻域的主方向：

然后将之前产生的所有采样的位置点对(x, y)按主方向旋转后，再计算对应特征。

至此，我似乎有点跑题了。之前本来想整理一下目标跟踪中的点跟踪方法的，但是除了harris和光流法配合之外，SIFT等方法需要计算描述特征点周围区域的描述子，并进行描述子匹配，这个过程计算量相对较大，已经不十分适合用于实时跟踪，更多的用于图像配准、物体识别和摄像机标定等领域。

即使具有充分的实时计算能力，这些方法也不是真正的点跟踪了，而是块匹配，还不如直接使用块跟踪方法。