[论文解读] Image Matching Using SIFT, SURF, BRIEF and ORB: Performance Comparison for Distorted Images

Ebrahim Karami, Siva Prasad+1 more|arXiv (Cornell University)|Oct 7, 2017

Advanced Image and Video Retrieval Techniques参考文献 8被引用 303

一句话总结

本文比较 SIFT、SURF、BRIEF 和 ORB 在各种畸变下的图像匹配，评估鲁棒性、关键点、匹配率和速度。

ABSTRACT

Fast and robust image matching is a very important task with various applications in computer vision and robotics. In this paper, we compare the performance of three different image matching techniques, i.e., SIFT, SURF, and ORB, against different kinds of transformations and deformations such as scaling, rotation, noise, fish eye distortion, and shearing. For this purpose, we manually apply different types of transformations on original images and compute the matching evaluation parameters such as the number of key points in images, the matching rate, and the execution time required for each algorithm and we will show that which algorithm is the best more robust against each kind of distortion. Index Terms-Image matching, scale invariant feature transform (SIFT), speed up robust feature (SURF), robust independent elementary features (BRIEF), oriented FAST, rotated BRIEF (ORB).

研究动机与目标

• 推动计算机视觉与机器人应用中的鲁棒图像匹配。
• 在多种畸变条件下比较经典的特征检测器/描述子（SIFT、SURF、BRIEF、ORB）
• 确定每种畸变类型下最具鲁棒性的算法。
• 提供在畸变图像条件下准确性与速度之间权衡的实用指南。

提出的方法

• 手动对原始图像应用不同变换以生成畸变数据。
• 计算并比较关键指标：每种算法检测到的关键点数量、匹配率和执行时间。
• 分析 SIFT、SURF、BRIEF、ORB 在缩放、旋转、噪声、鱼眼畸变和剪切下的鲁棒性。
• 评估每种畸变类别下哪种算法表现最佳。

实验结果

研究问题

• RQ1 哪种特征匹配技术（SIFT、SURF、BRIEF、ORB）在每种畸变类型（缩放、旋转、噪声、鱼眼、剪切）下最具鲁棒性？
• RQ2 在不同的畸变下，不同算法的关键点、匹配率和执行时间如何变化？
• RQ3 在畸变图像条件下，针对选择匹配方法可以给出哪些实际建议？
• RQ4 在畸变下，BRIEF 与 ORB 是否在速度与准确性之间提供有利的权衡，相较于 SIFT 和 SURF？

主要发现

• SIFT、SURF、BRIEF 和 ORB 在不同畸变类型下表现出不同的鲁棒性特征。
• 研究报告了包括关键点数量、匹配率和执行时间等指标，用于比较算法。
• 论文基于所评估参数确定了每种畸变类别下的最佳算法。
• 结果揭示了在畸变图像匹配中鲁棒性与计算效率之间的权衡。