SURF算法分析解析.ppt

* SURF算法分析 SURF 介绍 SURF (Speeded Up Robust Feature)是一种高鲁棒性的局部特征点检测器。由Herbert Bay 等人在2006年提出。该算法可以用于计算机视觉领域例如物体识别或者三维重建。该算法比SIFT更快更加具有鲁棒性。该算法中采用积分图像、Haar小波变换和近似的Hessian矩阵运算来提高时间效率,采用Haar小波变换增加鲁棒性。 SURF 介绍 匹配步骤： 1、寻找特征点（兴趣点）。 2、特征向量描述（主方向）。 3、匹配优化（插值匹配）。 SURF -提取特征点 积分图像中任意一点I（i,j）的值n(i,j),为原图像左上角到该任意点I(i,j)相应的对角线区域灰度值的总和，即： n(i,j)= 式中，P(i’,j’)表示原图像中(i’,j’)的灰度值 积分图像 SABCD=D-C-B+A SURF- 提取特征点 上式子中n(i,j)可以用以下两式子迭代计算得到 S(i,j)=S(i,j-1)+p(i,j) n(i,j)=n(i-1,j)+S(i,j) 式中，S(i,j)表示一列的积分，且S(i,-1)=0,n(-1,j)=0。求积分图像，只需对原图像的所有像素进行一遍扫描。 积分图像 SURF- 提取特征点 快速 Hessian 盒子滤波结构： ShotHessianTemplate[]={ 3,0,2,2,6,15,1, 3,2,5,6,15,-2, 6,2,8,6,15,1, 0,0,0,0,0,0, ……} 第1位：滤波器盒子数量 第2、3位：第1个盒子左上角坐标 第4、5位：第1个盒子右下角坐标 第6位：盒子面积 第7位：盒子填充值 第8位：第二个盒子 SURF- 提取特征点 快速 Hessian 在SURF中，采用近似的Hessian矩阵的行列式的局部最大值来定位感兴趣点的位置。当Hessian行列式的局部值最大的时候，所检测出来的就是感兴趣点。感兴趣点的特征为比周围邻域更亮或者更暗一些。 给定图像f(x,y)中一个点 (x,y)，其Hessian矩阵H(x,o)定义如下： 位置 尺度 SURF -提取特征点 快速 Hessian Lxx是高斯模板与图像卷积 Dxx是盒子模板与图像卷积 用Dxx近似代替Lxx 如果行列式的结果符号为负，则特征值有不同的符号，则不是局部极值点。 如果行列式的符号为正，则该行列式的两个特征值同为正或负，所以该点可以归类为极值点。 SURF- 提取特征点 构建尺 度空间 由于采用的盒子滤波和积分图像，不需要像SIFT算法那样去直接建立金字塔图像，而是采用不断增大的盒子滤波模板的尺寸的间接方法。通过不同尺寸盒子滤波模板和积分图像求取Hessian矩阵行列式的响应图像，然后，在响应图像上采用3D非最大值抑制，求取各种不同尺度的斑点。 SIFT构建尺度空间 SURF构建尺度空间 模板 图片 SURF -提取特征点 构建尺 度空间 与SIFT相类似，SURF也将尺度空间划分成若干组(Octaves)。一个组代表了逐步放大的滤波模板对同一个输入图像进行滤波的一系列响应图像。每一组又有若干固定的层组成。 9 15 21 27 15 27 39 51 27 51 75 99 51 99 147 195 变化量 n*6 变化量 6*n Scale Octaves SURF- 提取特征点 极值点 抑制 为了在目标影像上确定SURF特征点，我们使用了3*3*3的模板在3维尺度空间进行非最大化抑制，根据预设的Hessian阈值H，当h大于H，而且比临近的26个点的响应值都大的点才被选为兴趣点。最后进行插值精确。 SURF –特征点描述 特征点 方向分配 为了保证特征矢量具有旋转不变形，需要对每一个特征点分配一个主要方向。需要以特征点为中心，以6s（s为特正点的尺度）为半径的圆形区域内，对图像进行Haar小波响应运算。这样做实际就是对图像进行了梯度运算，但是利用积分图像，可以提高计算图像梯度的效率。为了求取主方向值，需要设计一个以方