引言及特征点监测器
前面提到的SURF与SIFT特征检测器与描述子，
其实都是OpenCV扩展模块xfeature2d中的内容，
而在OpenCV本身包含的feature2d模块中也包含了几个非常有用的特征检测器与描述子，
其所支持的特征点检测器（FeatureDetector）如下：
- FAST=1
- STAR=2
- ORB=5
- MSER=6
- GFTT=7
- HARRIS=8
- SIMPLEBLOB=9
- DENSE=10
- BRISK=11
- AKAZE=12
其中，3、4本来是SIFT与SURF的，但在OpenCV3.x中，它们已经被移到扩展模块中了。
如果使用OpenCV官方编译好的OpenCV4Android 3.x版本的SDK，
则当声明与使用这两个类型的时候，它会告诉你不支持。
描述子类型
feature2d支持的特征点检测器还支持以下的描述子类型：
- DescriptorExtractor.ORB=3
- DescriptorExtractor.BRIEF=4
- DescriptorExtractor.BRISK=5
- DescriptorExtractor.FREAK=6
- DescriptorExtractor.AKAZE=7
这里其实还有1与2分别是SIFT与SURF，
但其已经被移到扩展模块了，所以如果声明使用会抛出不支持的错误提示。
简单介绍几种特征提取方法
在feature2d模块中同时具有特征点检测与描述子功能的方法有ORB、BRISK、AKAZE。
下面我们简单介绍一下这三种特征提取方法。
1.ORB检测器与描述子
-
ORB（Oriented FAST and Rotated BRIEF）是OpenCV实验室于2011年开发出来的一种新的特征提取算法，
相比较于SIFT与SURF，
ORB的一大好处是没有专利限制，
可以免费自由使用，
同时具有旋转不变性与尺度不变性。
OpenCV4Android中创建ORB检测器与描述子的代码：
FeatureDetector detector = FeatureDetector.create(FeatureDetector.ORB);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.ORB);
2.BRISK检测器与描述子
-
BRISK（Binary Robust Invariant Scalable Keypoint）特征检测与描述子是在2011年由几位作者联合提出的一种新的特征提取算法，
OpenCV4Android中创建ORB检测器与描述子的代码如下：
FeatureDetector detector = FeatureDetector.create(FeatureDetector.BRISK);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.BRISK);
3.AKAZE检测器与描述子
AKAZE算法是
SIFT算法之后,
具有尺度不变性与旋转不变性算法领域的再一次突破，
它是KAZE特征提取算法的加速版本；其
算法原理有别于前面提到的几种方法，
其是通过正则化PM方程与AOS（加性算子分裂）方法来求解非线性扩散，
从而得到 尺度空间 的 每一层；采样的方法与
SIFT类似，
对每一层实现候选点的定位与过滤以实现关键点的提取；然后再使用与
SURF求解方向角度类似的方法实现旋转不变性特征，
最终生成AKAZE描述子。
AKAZE算法的原理本身比较复杂，笔者所读的书中亦无详细解说，
感兴趣的小伙伴阅读相关论文去深入了解。
在OpenCV4Android中创建AKAZE特征检测器与描述子的代码如下：
FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.AKAZE);
4. OpenCV4Android中feature2d检测器与描述子的使用
基于feature2d中的检测器对象实现对象关键点检测的演示代码：
FeatureDetector detector = null;
if(type == 1) {
detector = FeatureDetector.create(FeatureDetector.ORB);
} else if(type == 2) {
detector = FeatureDetector.create(FeatureDetector.BRISK);
} else if(type == 3) {
detector = FeatureDetector.create(FeatureDetector.FAST);
} else if(type == 4){
detector = FeatureDetector.create(FeatureDetector.AKAZE);
} else {detector = FeatureDetector.create(FeatureDetector.HARRIS);
}
MatOfKeyPoint keyPoints = new MatOfKeyPoint();
detector.detect(src, keyPoints);
Features2d.drawKeypoints(src, keyPoints, dst);
以AKAZE为例，在feature2d中实现图像特征检测、描述子计算、特征匹配的演示代码如下：
private void descriptorDemo(Mat src, Mat dst) {
String boxFile = fileUri.getPath().replaceAll("box_in_scene", "box");
Mat boxImage = Imgcodecs.imread(boxFile);
FeatureDetector detector = FeatureDetector.create(FeatureDetector.AKAZE);
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create
(DescriptorExtractor.AKAZE);
// 关键点检测
MatOfKeyPoint keyPoints_box = new MatOfKeyPoint();
MatOfKeyPoint keyPoints_scene = new MatOfKeyPoint();
detector.detect(boxImage, keyPoints_box);
detector.detect(src, keyPoints_scene);
// 描述子生成
Mat descriptor_box = new Mat();
Mat descriptor_scene = new Mat();
descriptorExtractor.compute(boxImage, keyPoints_box, descriptor_box);
descriptorExtractor.compute(src, keyPoints_scene, descriptor_scene);
// 特征匹配
MatOfDMatch matches = new MatOfDMatch();
DescriptorMatcher descriptorMatcher = DescriptorMatcher.create
(DescriptorMatcher.BRUTEFORCE_HAMMING);
descriptorMatcher.match(descriptor_box, descriptor_scene, matches);
Features2d.drawMatches(boxImage, keyPoints_box, src, keyPoints_scene, matches, dst);
// 释放内存
keyPoints_box.release();
keyPoints_scene.release();
descriptor_box.release();
descriptor_scene.release();
matches.release();
}
如果是作者本人的GitHub项目的话，
运行时，首先需要把drawable中的box.png与box_in_scene图像放到SD卡上的指定目录下，
在演示程序运行之后选择box_in_scene图像即可。
当然我们也可以更改一下代码，使用别的图片进行测试或者把图片放在项目中进行测试。
参考材料
- 《OpenCV Android 开发实战》（贾志刚 著）
- 关于《OpenCV Android 开发实战》作者的GitHub项目
- 笔者基于作者GitHub维护的APP
