SIFT特征匹配技术.pptVIP

SIFT特征匹配技术 Scale Invariant Feature Transform SIFT 算法提出及其改进 SIFT算法由D.G.Lowe 1999年提出，2004年完善总结。 [1]David G. Lowe, Object recognition from local scale-invariant features, International Conference on Computer Vision, Corfu, Greece (September 1999), pp.1150-1157. [2] David G. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60, 2 (2004), pp. 91-110. 后来Y.Ke将其描述子部分用PCA代替直方图的方式，对其进行改进。 [3] Y. Ke and R. Sukthankar. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors.Computer Vision and Pattern Recognition, 2004 SIFT算法主要思想 SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。 SIFT算法的主要特点： a) SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。b) 独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。 图像多尺度表示 SIFT算法 SIFT算法 SIFT算法步骤: Sift特征匹配算法主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。 Sift特征的生成一般包括以下几个步骤： 1、构建尺度空间，检测极值点，获得尺度不变性； ?2、特征点过滤并进行精确定位； 3、为特征点分配方向值； 4、生成特征描述子。  构建尺度空间 设输入图像经过s 次卷积后可以得到高斯卷积函数为G(x,y,2σ) 的输出图像, 所有σ从到2σ的图像构成一个octave, 每个octave 固定有s个平面。每一层Ip= G(x,y,kpσ)*I,p=1,2,…,s.而ks=2。根据高斯函数的性质可得: 构建尺度空间 建立高斯金字塔 为了得到在不同尺度空间下的稳定特征点,将图像I (x, y)与不同尺度因子下的高斯核G(x,y,σ)进行卷积操作,构成高斯金字塔。高斯金字塔有o阶,一般选择4阶,每一阶有s层尺度图像, s一般选择5层。 建立高斯金字塔 在高斯金字塔的构成中要注意,第1阶的第1层是放大2倍的原始图像,其目的是为了得到更多的特征点;在同一阶中相邻两层的尺度因子比例系数是k,则第1阶第2层的尺度因子是kσ, 然后其它层以此类推则可;第2阶的第1层由第一阶的中间层尺度图像进行子抽样获得, 其尺度因子是k2σ,然后第2阶的第2层的尺度因子是第1层的k倍即k3σ。第3阶的第1层由第2阶的中间层尺度图像进行子抽样获得。其它阶的构成以此类推。 构建尺度空间需确定的参数 σ－尺度空间坐标 O－octave坐标 S－ sub-level 坐标 和O、S的关系，σ (O,S)=2o+s/S, o∈omin+[0,...,O-1],s∈ [0,...,S-1] 其中σ0是基准层尺度。o-octave坐标，s-sub-level 坐标。 注：octaves 的索引可能是负的。第一组索引常常设为0或者-1,当设为-1的时候，图像在计算高斯尺度空间前先扩大一倍。 空间坐标x是组octave的函数，设是x0 组的空间坐标，则 Scale-space Definition: where Keypoints are detected using scale-space extrema in difference-of-Gaussian function D Close approximation to scale-normalized Laplacian of Gaussian, Relationship