基于局部特征的目标识别技术-外文翻译..docxVIP

基于SIFT特征的目标识别摘要我们已经开发出一个通过使用局部影像特征进行目标识别的系统。这些特征是尺度、平移和旋转不变的，并且具有一定的灰度变化不变性和仿射及三维射影变换不变性。这些特征与灵长类动物的目标识别有一些共同的特性。这些特征可以通过一个分阶段的滤波过程在尺度空间中得到那些稳定点。这些关键点通过将其图像梯度表示为多尺度下的多向性平面从而可以忍受畸变。这些关键点将作为最邻近索引的输入，用于候选匹配。候选匹配的最终确认是通过最小残差的最小二乘估计得到的。实验结果表明在混乱有部分遮挡图像中可以在两秒钟内得到稳定的目标识别结果。1简介在混乱的现实世界中进行目标识别需要目标没有被附近的杂乱信息和部分遮挡而影响。这些特征必须对不同的亮度、三维射影变换、以及普通的目标变化有一定抗干扰能力。换句话说，这些特征必须相对于其他特征更具有代表性。目标识别的困难就在于不能成功的找到这些典型图像特征。然而最近一段时问的通过密集局部特征的算法显示出高效的识别可以通过使用大量分布于重复位置的局部图像描述了来实现。本文展示了一个称为尺度不变特征变换(SIFT)的新方法。这个方法是通过将图像变换成一个由大量具有平移、尺度、旋转不变以及一定的亮度变化不变及仿射、三维射影变换不变性质的局部特征向量组成的集合之中来实现的。先前的基于局部特征的算法缺乏初读不变性并且对投影变形和亮度变化更为敏感。SIFT特征和灵长类动物视觉系统中的视网膜神经元的响应机制有一定的共有特性。本文也论述了模型验证以及改进的索引方法。尺度不变特征使用了分阶段滤波算法因此效率很高。第一阶段通过在尺度空间中需找那些高斯差函数(DOG)的最大值或最小值点来寻找特征点。每一个点都被用来生成一个描述了相对于其尺度空间进行了采样的局部图像区域特征向量。这些特征通过平滑图像梯度具有一定的局部变化(如仿射变换或三维射影变换)不变性。这个方法是基于哺乳动物视网膜上复杂细胞的行为模型而产生的。得到的特征称为SIFT特征。在现有的版本下面，每个图像产生约1000个SIFT特征，这个过程大约需要不到一秒的计算时问。从图像中得到的SIFT特征被用于最邻近查找，索引到候选匹配。那些满足一些潜在模型姿态的特征点集将首先通过霍夫变换哈希表被识别，然后通过最小二乘拟合得到模型参数的估计。当至少有三个SIFT特征满足该模型参数并且残差较小时，将表明该目标存在的可能性很大。因为在目标的影像上可能有很多个SIFT特征，从而就可能在有相当程度的遮挡的情况下依然可以得到很高的置信度。目前的目标模型是被表示为可以忍受仿射变换的SIFT特征的平面位置。特征位置的明显变化将有助于识别最大旋转60度的平面物体的或最大20度旋转的三维物体中心投影。2相关研究目标识别在机器视觉里被大量应用于观察、识别和操纵。然而目前的商业目标识别系统很大程度上依赖于基于相关的模板匹配。这些算法在目标姿态、光照被严格控制等一些特定的环境下，模板匹配时很有效的，但是在目标旋转、尺度、亮度以及三维姿态变化的情况下，效果很差，在处理部分可见物体以及大型模型的时候更是如此。一个可选的搜寻用于匹配的特征的方法是从图像中提取那些有对成像过程有一定不变性的特征，并且匹配过程中仅匹配这些特征。至今已经发现并推荐了很多候选特征类型，包括线段、边缘、区域。这些特征对于一些特定的目标类型效果很好，它们通常不能被高频检测或者不能有效的稳定地识别目标物。近期也有一些文章使用了更加密集的图像特征。有一种方法使用一种角点检测算子去检测那些在可重复图像位置。Zhang et al.在经过极线重排的图像上用harris角点算子来确定特征位置，将搜索空间由二维变为一维，相对于那些直接搜索的算法节省了很多时问。对于目标识别问题，Schmid和Mohr也用harris角点提取算子去确定兴趣点，然后再按DOG图像中的指向不变向量给每一个兴趣点对应一个得到一个局部图像描述了。这些描述子被用于通过寻找多个满足目标指向和位置条件的匹配描述了对实现鲁棒目标识别。本文的方法在大数据量的速度上以及处理稳定性上都有很大的优越性。在先前的有关目标识别的工作中使用的角点检测算子都有一个共同的弱点，就是它们在处理的时候只是在一个单一尺度进行处理。当图像问尺度变化较大的时候，这些算子得到不同的匹配点。同时，以为这些算子没有提供每张图像，这样就有必要生成一个图像描述子并在多个尺度上进行匹配。本文描述了一种快速稳定的在尺度空间中进行特征匹配的方法。这就意味着不同的图像尺度不会影响特征匹配结果。另外，对每一个特征都给出其尺度，这样就允许这个点对应的图像描述子可以在每张图像中被重采样为同一尺度。对每一个特征位置都一个标准指向，从而可以在一个局部二维坐标框架下进行匹配。这就允许了在Schimid和Mohr的方法中使用的比旋转不变描