Python OpenCV ORB探测器发现的关键点很少

我尝试使用ORB关键点检测器，它返回的点似乎比SIFT检测器和FAST检测器少得多

此图显示了ORB探测器发现的关键点：

这张图显示了SIFT检测阶段发现的关键点（FAST返回相似数量的点）

拥有如此之少的点会导致图像间非常差的特征匹配结果。我只是对ORB现在的检测阶段很好奇，因为这看起来我得到的结果不正确。我已经尝试使用带有默认参数和下面详述的自定义参数的ORB检测器

为什么会有这么大的差异

代码：

---

增加n特征会增加检测到的角点数量。关键点提取器的类型似乎无关紧要。我不确定这个参数是如何传递给FAST或Harris的，但它似乎可以工作

orb = cv2.ORB_create(scoreType=cv2.ORB_FAST_SCORE)

---

尽管这条线索已经很老了，但我希望这条线索可以帮助有同样问题的人：

我不确定这个参数是如何传递给FAST或Harris的，但它似乎可以工作

orb = cv2.ORB_create(scoreType=cv2.ORB_FAST_SCORE)

Rublee等人在他们的论文“ORB：筛选或冲浪的有效替代品”中对此做了很好的解释。由于我认为无法更好地解释这一点，这里直接引用“2011年国际互联网会议”第2565页 计算机视觉“：

FAST不会产生转弯度，我们 我们发现它沿边缘有很大的响应。我们雇用 Harris角测量[11]用于排序快速关键点。 对于N个关键点的目标数量，我们首先设置 阈值低到足以获得N个以上的关键点，然后 根据Harris测量值订购，然后选择 前N点

---

降低门槛，我不认为这是问题所在。我已经尝试降低这两个阈值，但在检测到的关键点数量上没有显著差异。Hmmm。scoreType=cv2.ORB\u HARRIS\u SCORE->FAST\u SCORE怎么样？作为一个离线者，我可以建议尝试AKAZE检测器/描述符-它既快速又健壮。

orb = cv2.ORB_create(nfeatures=100000, scoreType=cv2.ORB_FAST_SCORE)