ASIFT算法.docVIP

1. 绪论 目标识别是在图像或视频中寻找目标的过程。在目标识别的应用中，特征提取和特征选择是第一个步骤，而且也是决定最后效果最重要的一个步骤之一。如果说一个完整应用是一个系统的话，那么特征就代表着由输入数据转化而来的，传送给系统其它部分的数据。很多时候最终能否得到一个理想的结果，在很大程度上依赖于能否找到最具代表性的特征。好的特征将会较大地降低后续工作的难度;不好的特征则会对系统后续处理产生干扰甚至使系统产生错误的输出。良好的特征也降低了系统后续处理的复杂度，为其广泛应用提供了可能。 SIFT(Scale-Invariant Feature Transform, 尺度不变特征转换)特征是一个检测和描述图像局部特征的算法，这种算法具有优良的特性，能较准确地用于特征匹配。它具有广泛的用途，包括目标识别，三维重建、表情识别以及视频和运动追踪。SIFT基于两个大的组成部分，并使用了多种改进技术以改善各项指标。这里简要介绍经典SIFT算法和基于SIFT的目标识别应用。为后面介绍ASIFT算法作铺垫。 SIFT是一种检测与描述图像局部特征的方法。为了识别和描述图像中的目标，需要从图像中提取出与目标相联系的特征。利用这些特征可以从众多背景目标中识别出所需目标。为了确保准确无误地识别出目标，要求在各种视角、光照、距离以及噪声条件下仍然可以准确地进行匹配。SIFT使用不同的技术解决以上问题。对物体距离远近，大小和噪声条件的适应由高斯尺度空间来完成，而视角、光照等条件则对应于特征描述符。SIFT并不是一开始就以解决上述问题为设计目标，而是先提出一种算法，而后发现它有诸多优良的性质。在SIFT算法提出以前，若干技术已经趋于成熟，而SIFT则成功地把它们整合为一个整体，并包括一些创新点。SIFT的两个主要组成部分是尺度空间检测和特征描述符。 图像的特征点一般都比周围的点显著，比如位于极值点或灰度值变化加速率大的位置。特征的类型一般包括点、块、边缘、脊等。SIFT主要检测块状特征。借助一种旋转不变微分算子，SIFT可以在尺度空间中检测到特征点的所在位置和尺度。虽然存在很多其它的微分算子，SIFT却依赖于LoG算子。其原因之一是实现方便，原因之二是LoG检测的特征比较稳定性。块状特征位于尺度空间的极值点，它们的一阶导数为零，而LoG算子并不是为了检测这些特征。LoG算子检测的是像素灰度值变化加速率极大和极小的位置。因为有些尺度空间上的极值点满足LoG的检测条件，所以SIFT检测到的特征既有块状特征，也有非块状特征。基于以上的分析可以看出，SIFT检测的特征点的标准比较严格，因而特征点也比较稳定，可以免受一定程度的外在影响。通过使用高斯差分空间(DoG)，可以相对较快地寻找到特征点位置。 SIFT特征也具有尺度和旋转无关特性，也就是说，不管图像中的对象如何改变大小和旋转，其SIFT特征都是不变的。这两种不变性是由特征检测和特征描述共同完成的。首先，基于尺度空间的LoG算子可以检测到任意方向、大小的特征，并且获得检测尺度参数。SIFT的特征描述算法通过统计一阶微分向量的方向、大小来找到一个主方向，而后根据特征的检测尺度选择邻域范围，并产生描述符。SIFT特征的描述符是基于一阶微分，能应对相当程度的光照及视角的变化。为了获得最佳效果，SIFT将特征邻域分成4x4区域，并根据方向、大小作一阶向量的直方图统计。SIFT描述符覆盖的范围与LoG检测尺度有关，半径大概为检测尺度的6倍，因此能包括与特征有关的绝大多数信息。这个原则在工业界也称为6σ准则。为了区别不同位置的重要性，SIFT用高斯窗口对各一阶微分向量的长度进行加权，使得远离特征中心的位置所占权重较小。 传统上SIFT的匹配是通过最近邻方法查找的。为了加快查找速度，Lowe提出一种称为Best Bin First的近似方法，大大加快了匹配速度。在获得了大量的特征点以后，可以使用Hough变换和线性最小平方验证目标。 目标识别是利用计算机在图像或视频序列中识别目标的任务。人类和动物可以利用视觉轻易地识别各种目标，包括物体、图像、绘画、影片等。人类可以在不同视角、大小、位移和旋转角的情况下，轻易地在图像中识别出多个物体。用机器来实现人类这种识别能力是一个前沿课题，目前利用特征来进行目标识别是一个主流的研究方向。图像和目标经常会经历各种变化，但特征一般保持相对的稳定性，这使得利用特征研究目标识别问题成为了可能。 基于特征的目标识别是伴随着计算机视觉的发展而出现的一种应用。基于图像特征的目标识别研究最近受到了广泛的关注。很多在某一方面性能出色的特征都被推广到一般的目标识别，这时其局限性也就显现了。这使得SIFT在目标识别方面的研究日益引起人们的注意。 基于SIFT的目标识别，是一种利用SIFT特征在图像中识别目