4、特征点检测：Harris角点、SIFT、SURF、ORB特征提取原理对比

说到多帧合成和运动补偿，特征点检测是绕不开的基础。说白了，你得先知道图像里哪些点是“有特征”的，才能去跟踪它们、匹配它们。今天咱们就把四种经典算法掰开揉碎聊一聊。

我个人习惯把特征点检测分成两派：一派是“角点派”，代表是Harris；另一派是“斑点派”，代表是SIFT、SURF、ORB。为什么这么分？你往下看就明白了。

4.1 Harris角点检测——祖师爷级别的算法

Harris角点检测是1988年提出的，到现在三十多年了，但很多场景下依然好用。它的核心思想很简单：窗口在角点处往哪个方向移动，灰度变化都很大。

数学上它用一个矩阵M来描述局部梯度分布：

M = ∑[Ix²  IxIy]
       [IxIy Iy² ]

然后计算响应值R = det(M) - k·trace(M)²。R大于阈值的就是角点。

4.2 SIFT——尺度不变性的王者

SIFT（Scale-Invariant Feature Transform）是2004年David Lowe提出的。它解决了Harris最头疼的问题：尺度变化。

SIFT的核心流程分四步：

1. 尺度空间极值检测：用高斯差分金字塔找候选点
2. 关键点定位：去掉低对比度和边缘响应点
3. 方向分配：统计梯度方向直方图，给每个点分配主方向
4. 描述子生成：在16×16邻域内统计8方向梯度，生成128维向量

我记得第一次用SIFT做图像拼接时，效果惊艳到我了。两张视角差30°的照片，硬是能找出上百对匹配点。但代价也很明显——慢。128维描述子，每张图几千个点，算起来真不轻松。

4.3 SURF——SIFT的加速版

SURF（Speeded-Up Robust Features）是2006年提出的，目标很明确：在保持SIFT精度的前提下，把速度提上去。

它做了几个关键改进：

• 用盒式滤波器近似高斯二阶导，配合积分图加速
• 用Hessian矩阵的行列式检测极值点
• 描述子降到64维（可选128维）

速度上，SURF比SIFT快3-5倍。但有个问题——SURF是有专利的。商用项目里用SURF要小心，我见过有团队因为这个被发律师函的。

特性	SIFT	SURF
提出时间	2004	2006
检测方法	DoG金字塔	Hessian矩阵+积分图
描述子维度	128	64/128
相对速度	1x	3-5x
专利状态	已过期	有专利

4.4 ORB——开源界的救星

ORB（Oriented FAST and Rotated BRIEF）是2011年由OpenCV实验室推出的。它把FAST角点检测和BRIEF描述子结合起来，再加了个方向信息。

ORB的特点很鲜明：

• 快：比SIFT快两个数量级
• 免费：完全开源，没有专利限制
• 旋转不变：通过灰度质心法计算主方向
• 尺度不变性弱：没有显式的尺度空间

4.5 四种算法对比总结

下面这张SVG图把四种算法的核心差异画出来了，你可以直观感受一下：

4.6 实际项目中的选型建议

说了这么多，到底该用哪个？我给你一个简单的判断逻辑：

• 场景一：视频帧间运动补偿——帧间尺度变化小，Harris或ORB就够了。我一般先用ORB，不行再换Harris。
• 场景二：多视角图像拼接——尺度变化大，SIFT或SURF。专利问题要注意，商用项目优先考虑SIFT（专利已过期）。
• 场景三：移动端实时处理——没得选，ORB。我在手机上试过SIFT，发热量感人。
• 场景四：高精度三维重建——SIFT依然是标杆。虽然慢，但精度确实好。