从尺度不变的关键点选择可区分的图像特征.docVIP

从尺度不变的关键点选择可区分的图像特征 David G.Lowe 温哥华不列颠哥伦比亚省加拿大英属哥伦比亚大学计算机科学系 Lowe@cs.ubc.ca 2003年1月10日接受，2004年1月7日修改，2004年1月22日采用 ? 摘要：本文提出了一种从图像中提取独特不变特征的方法，可用于完成不同视角之间目标或场景的可靠匹配的方法。这种特点对图像的尺度和旋转具有不变性。并跨越很大范围的对仿射变换，三维视点的变化，添加的噪音和光照变化的图像匹配具有鲁棒性。特征是非常鲜明的，场景中的一个单一特征和一个许多图像的大型特征数据库也有很高的概率进行正确匹配。本文还介绍了一个使用该功能来识别目标的方法。通过将个别特征与由已知目标特征组成的数据库进行快速最近邻算法的匹配，然后使用Hough变换来识别属于单一目标的聚类（clusters），最后通过最小二乘解执行一致的姿态参数的核查确认。这种识别方法可以在有力确定对象之间的聚类和遮挡的同时实现近实时性能。 关键词：不变特征，目标识别，尺度不变性，图像匹配 ? 1. 引言 　　 图像匹配是计算机视觉领域中很多问题的关键，包括目标和场景识别、多幅影像进行三维构建、立体对应（correspondence）、运动追踪等。本文描述的图像特征很实用，因为它具备很多可以将一个目标或场景的不同影像进行匹配的特性。这些特征对于图像尺度和旋转具有不变性，并在光照变化和三维相机视点变化的情况下具有部分的不变性。它在空间域和频率域都可以很好地定位，减少了遮挡（occlusion）、聚类和噪音的影响。有了有效的算法，海量的特征就可以从典型的图像中提取出来。另外，这些特征是非常鲜明的，使一个单一特征可以无误地与大型数据库中的特征进行匹配，为目标和场景识别提供了基础。 　　通过一个层叠的过滤算法将提取这些特征的代价最小化，这样，最昂贵的运算仅在最初测试通过处。下面是生成图像特征集计算的一些主要步骤： 1）??尺度空间极值探测：第一阶段对整个尺度和图像位置进行搜索。通过使用高斯差分函数来有效地识别对于尺度和方向具有不变性的可能的兴趣点。 2）??关键点定位：在每一个候选区，都可以确定一个详细模型的位置和尺度。基于关键点的稳定性进行选择。 3）??定向任务：基于局部图像的梯度方向，给每个关键点指定一个或多个方向。所有随后的图像数据操作都是将每个特征的方向、尺度和位置进行相关变换得到的，因此这些变换具有不变性。 4）??关键点描述子：局部梯度是在每个关键点附近的区域所选尺度上测量得到的。这些可以转化成为一个允许显著的局部形状变化和光照变化的表示法。 　　这种方法被命名为尺度不变的特征转换法（SIFT），因为它可以基于局部特征把图像数据转换到尺度不变的坐标上。 　　该方法的一个重要方面是它生成了大量特征，它们密集的覆盖了整个图像尺度和位置。一幅500*500像素的典型图片可以产生约2000个稳定的特征（这个数字依赖于图像内容和几个参数的选择）。特征的数量对目标识别尤为重要，要具备探测杂乱背景下的小目标的能力，要求每个目标至少有三个特征被正确匹配才是可靠的识别。 　　对于图像匹配和识别，SIFT特征被第一个从一组参考图像中提取并存储在数据库中。一个新的图像通过将这幅新图像中的各个特征与原有数据库进行一一对比并基于欧氏距离找到候选的匹配特征。本文将讨论可以在大型数据库中快速执行的快速近邻算法。 　　关键点描述子是非常鲜明的，可以使单个特征在大型特征数据库中以很大概率进行正确匹配。然而，在杂乱的图像中，很多背景中的特征不能与数据库进行正确匹配，产生了很多错误的配对。通过确定与新图像在目标、目标的位置、尺度和定向一致的关键点的子集，可以将正确的匹配从匹配的全集中过滤出来。多种功能恰好与这些参数一致的可能性比任一个特征匹配错误的可能性要小很多。确定这些一致的聚类，可以通过一个高效的广义Hough变换的散列表快速执行。 　　每个拥有三个及三个以上特征与目标一致的聚类，它们的姿态都要进行下一步更精细的确认。首先，最小二乘估计是用于目标姿态的仿射近似。其他已识别的与此姿态相一致的图像特征以及异常值都忽略不计。最后，通过一个精细的计算可以得出一组可以表明目标存在的详细特征，并给出符合的准确度和可能的错误匹配数。经过所有的这些实验，可以得出这个结论：目标匹配的成功率很高。 2. 相关研究 　　使用一组局部兴趣点来进行图像匹配的发展可以追溯到1981年Moravec在立体匹配中使用的角探测器。Moravec的探测器在1988年被Harris和Stephens改进，在小的图像变动和近边缘区域具有了更高的重复性。Harris还展示了它在高效运动追踪和由运动恢复进行三维建模中的价值（Harris，1992），Harris的角探测器自此在很多其他的图像匹配工