2023年11月28日

[计算机视觉] : FAST/BRIEF 原理与 ORB 图像匹配实战

0. 背景 : 追求极致速度的特征匹配

在计算机视觉的实时应用（如 SLAM、移动端 AR）中，传统的 SIFT 或 SURF 算法虽然精度高，但计算量过大，难以满足实时性要求。

为了解决这一瓶颈，ORB (Oriented FAST and Rotated BRIEF) 算法应运而生。它并未发明全新的理论，而是将 FAST 特征点检测算法与 BRIEF 特征描述子进行了工程化组合，并在其基础上解决了旋转不变性问题。本文将拆解这两个核心组件，并演示如何使用 OpenCV 实现高效的图像匹配。

1. 核心原理 : FAST 检测器

FAST (Features from Accelerated Segment Test) 专注于“快”，其唯一任务是迅速定位角点，而不负责描述角点特征。

1.1 检测逻辑

FAST 的核心思想基于像素周围的圆形邻域检测：

  1. 选取中心点：在图像中选取一个像素 $P$，假设其亮度为 $I_p$。

  2. 设定阈值：设定一个阈值 $t$。

  3. 圆周检查：检查 $P$ 点周围半径为 3 的圆周上的 16 个像素点。

  4. 角点判定：如果圆周上存在连续 $N$ 个像素（通常 $N=12$），其亮度值均显著高于 $I_p + t$ 或显著低于 $I_p - t$，则判定 $P$ 为角点候选点。

1.2 非极大值抑制 (NMS)

由于检测标准较为宽松，往往会在同一个角点附近产生多个聚簇的候选点。FAST 使用非极大值抑制进行筛选：计算候选点与周围像素的灰度差分和（Score），仅保留局部区域内 Score 最大的点，确保角点的唯一性和准确性。

2. 核心原理 : BRIEF 描述子

BRIEF (Binary Robust Independent Elementary Features) 是一种二进制描述子。不同于 SIFT 使用浮点数向量（计算复杂、占用内存大），BRIEF 使用二进制字符串（0和1）来描述特征点。

2.1 描述子生成

  1. 平滑处理：对图像进行高斯平滑，降低噪声干扰。

  2. 点对选择：在关键点周围的邻域内，按照特定的概率分布（如高斯分布）随机选取 $n$ 对像素点 $(p_a, p_b)$。

  3. 二进制编码：

    • 如果 $Intensity(p_a) > Intensity(p_b)$，该位记为 1。

    • 否则，记为 0。

  4. 组合特征：将这 $n$ 次比较的结果串联起来，形成一个 $n$ 位（通常为 128、256 或 512 位）的二进制字符串。

注意：由于 BRIEF 本身不具备旋转不变性，OpenCV 中的 ORB 算法通过引入“主方向”计算，改进了 BRIEF 的采样模式，使其能够适应图像旋转。

3. 实战 : OpenCV ORB 匹配实现

下文代码使用 OpenCV 的 ORB 接口（内部集成了 FAST 检测与 BRIEF 描述），并配合汉明距离进行特征匹配。

3.1 依赖环境

确保已安装 opencv-python 和 numpy。

3.2 代码实现

import cv2
import numpy as np


# 1. 数据准备
# 读取灰度图，特征提取通常不需要色彩信息
image1 = cv2.imread('01.jpg', cv2.IMREAD_GRAYSCALE)
image2 = cv2.imread('02.jpg', cv2.IMREAD_GRAYSCALE)


# 检查图片是否读取成功
if image1 is None or image2 is None:
    raise FileNotFoundError("无法加载图片，请检查路径。")


# 2. 初始化检测器
# ORB 是 FAST(检测) + BRIEF(描述) 的改良版
orb = cv2.ORB_create()


# 3. 特征提取
# keypoints: 关键点坐标信息
# descriptors: 对应的二进制特征向量
keypoints1, descriptors1 = orb.detectAndCompute(image1, None)
keypoints2, descriptors2 = orb.detectAndCompute(image2, None)


# 4. 特征匹配
# cv2.NORM_HAMMING: 专门用于二进制描述子(如 ORB/BRIEF)的距离度量，速度极快
# crossCheck=True: 开启双向验证(A匹配B且B匹配A)，提高匹配准确度
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)


# 执行匹配
matches = bf.match(descriptors1, descriptors2)


# 5. 结果筛选与展示
# 按距离从小到大排序，距离越小匹配度越高
matches = sorted(matches, key=lambda x: x.distance)


# 绘制前 10 个最佳匹配点
# flags=2 (NOT_DRAW_SINGLE_POINTS): 不绘制未匹配的孤立特征点，保持画面整洁
matched_image = cv2.drawMatches(
    image1, keypoints1,
    image2, keypoints2,
    matches[:10],
    None,
    flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS
)


# 显示图像
cv2.imshow('ORB Matches', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

重点参数说明：
在初始化 BFMatcher 时，务必使用 cv2.NORM_HAMMING。因为 BRIEF/ORB 生成的是二进制串，通过异或（XOR）运算计算汉明距离比计算欧氏距离（L2）快几个数量级。如果错误使用 NORM_L2，不仅速度变慢，匹配结果也会完全错误。