特征提取：传统算法 vs 深度学习

特征提取：传统算法 vs 深度学习

特征点是图像中梯度变化较为剧烈的像素，比如：角点、边缘等。FAST（Features from  Accelerated Segment Test）是一种高速的角点检测算法；而尺度不变特征变换SIFT（Scale-invariant feature transform）仍然可能是最著名的传统局部特征点。也是迄今使用最为广泛的一种特征。特征提取一般包含特征点检测和描述子计算两个过程。描述子是一种度量特征相似度的手段，用来确定不同图像中对应空间同一物体，比如：BRIEF（Binary Robust IndependentElementary Features）描述子。可靠的特征提取应该包含以下特性：

（1）对图像的旋转和尺度变化具有不变性；

（2）对三维视角变化和光照变化具有很强的适应性；

（3）局部特征在遮挡和场景杂乱时仍保持不变性；

（4）特征之间相互区分的能力强，有利于匹配；

（5）数量较多，一般500×500的图像能提取出约2000个特征点。

近几年深度学习的兴起使得不少学者试图使用深度网络提取图像特征点，并且取得了阶段性的结果。图1给出了不同特征提取方法的特性。本文中的传统算法以ORB特征为例，深度学习以SuperPoint为例来阐述他们的原理并对比性能。

图1 不同的特征提取方法对比

传统算法—ORB特征

尽管SIFT是特征提取中最著名的方法，但是因为其计算量较大而无法在一些实时应用中使用。为了研究一种快速兼顾准确性的特征提取算法，Ethan Rublee等人在2011年提出了ORB特征：“ORB：An Efficient Alternative to SIFT or SURF”。ORB