SIFT与模式识别.ppt

Scale Invariant Feature Transform ——麻将识别 组员： 一、SIFT算法处理步骤 1. DoG尺度空间构造 2. 关键点搜索与定位 3. 方向赋值 4. 关键点描述 * DOG尺度空间构造 * 关键点的搜索与定位 * 方向赋值 梯度方向和赋值如下： 其中L所用的尺度为每个关键点各自所在的尺度。至此，图像的关键点已经检测完毕，每个关键点有三个信息：位置，所处尺度、方向，由此可以确定一个SIFT特征区域。在实际计算时，我们在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每45度一个柱，总共8个柱, 或者每10度一个柱，总共36个柱 * 关键点描述 首先将坐标轴旋转为关键点的方向，以确保旋转不变性。以关键点为中心取8×8的窗口。 二、匹配处理 建立KD-tree 进行RANSAC匹配点筛选NSAC匹配点筛选行RANSAC匹配点筛选 人刚刚保进行RANSAC匹配点筛选是的外省人进行R出风口老公能就发给你 ANSAC匹配点筛选进进行RANSAC匹配点筛选进行RANSAC匹配点筛选行RANSAC匹配点筛选 KD-tree 先看二叉树：（右图） Kd-Tree的构建算法： （1） 在K维数据集合中选择具有最大方差的维度k，然后在该维度上选择中值m为pivot对该数据集合进行划分，得到两个子集合；同时创建一个树结点node，用于存储k, m； （2）对两个子集合重复（1）步骤的过程，直至所有子集合都不能再划分为止；如果某个子集合不能再划分时，则将该子集合中的数据保存到叶子结点（leaf node） RANSAC匹配点筛选 RANSAC的基本假设是： （1）数据由“局内点”组成 （2）“局外点”是不能适应该模型的数据； （3）除此之外的数据属于噪声。 局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。 RANSAC也做了以下假设：给定一组（通常很小的）局内点，存在一个可以估计模型参数的过程；而该模型能够解释或 者适用于局内点。 RANSAC用于 识别SIFT算 法的误判： 三、代码执行逻辑 选取麻将模板 计算模板 SIFT特征点和 描述子 选取检测图片 计算检测图片 SIFT特征点和 描述子 进入匹配环节 建立KD-tree 进行模板与 检测图片的比对 进行RANSAC匹配点筛选 模板匹配结果 装入容器 对上述模板容器根据匹配率排序 选择最高的匹配率模板 输出该模板 三、搭载平台 1、程序架构采用win32下MFC架构 2、图像处理部分采用openCV-2.4.9开源库 3、SIFT算法实现借助Rob Hess开发openSIFT开源库 四、程序架构 五、匹配效果 图1：检测图片SIFT特征描述子 图2：模板之一的SIFT特征描述子 图3：SIFT匹配结果 六、MFC下算法时间开销 详见word文档 —— 时间开销 图4：MFC运行Demo 七、参考文献 1、David G. Lowe,Object Recognition from Local Scale-Invariant Features，1999 2、 David G. Lowe ,Distinctive Image Features from Scale-Invariant Keypoints，2004 3、XiaoWei , /xiaowei_cqu/article/details/8069548 ,2012 4、Changchang Wu,A GPU Implementation of Scale Invariant Feature Transform (SIFT),2007 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 不好的特征点的检测：近似的Harris comer 检测器。去掉低对比度和不稳定的边缘响应点 梯度方向直方图的横轴是梯度方向角，纵轴是剃度方向角对应的梯度幅值累加值 中蓝色的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大） 。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。Lowe建议对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形128维的SIFT特征向量 若它的左子树不为空，则左子树上所有结