基于SIFT特征提取技术的视觉模式识别正式版.pptVIP

SIFT-ing Through Features with ViPR 基于SIFT特征提取技术的视觉模式识别 尺度不变特征变换算法（SIFT）简介 视觉模式识别（ViPR） ViPR在识别中的应用 ViPR在机器人中的创新应用 SIFT（ Scale Invariant Feature Transform） 1999年，大卫.劳伊（David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换). SIFT简介 将一幅图像映射（变换）为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。 Original image courtesy of David Lowe SIFT简介 SIFT算法特点 1)SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 2)独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 3)多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 4)高速性，经过优化的SIFT算法可满足一定的速度需求(应用与实时系统)。 5)可扩展性，可以很方便的与其他形式的特征向量进行联合。 SIFT 算法步骤 1)关键点检测 2)关键点描述 3)关键点匹配 4)消除错配点 详细参考 [1]D.Lowe, “Object recognition from local scale-invariant features ”, Sep 20，1999 [2]D.Lowe, Distinctive Image Features from Scale-Invariant Keypoints, January 5, 2004 视觉模式识别（ViPR） 视觉识别模式（ visual pattern recognition ）是自然界中许多高级生物的一种基本的能力。人类大脑的大部分区域都致力于视觉处理。在这些区域中，有一些固定区域用来进行模式识别。视觉模式识别包含了许多任务，例如对象和目标的识别，导航，以及在其他对象中对其抓取和操作。视觉模式识别解决了计算机视觉中一些根本的问题：联系，姿态估计和运动方式。因此，我们把视觉模式识作为机器人和自动化系统的一种重要的模块。 近年来，计算机视觉技术发展产生了具有一定鲁棒性的视觉模式识别技术，而这种技术就是以从一个图像中提取一组特征向量为基础的，这些特征量是通过尺度不变特征变换得到的。即基于SIFT特征变量的视觉识别模式。在真实场景中，利用这些特征量来进行识别的效果是非常稳定的。 视觉模式识别（ViPR） 通过机器人发展而来的视觉模式识别系统是多用途的，虽配置低价的相机，却能稳定的工作，具有一定经济可行性。基本算法需要解决的问题是，如何让视觉模式识别系统，在只具有廉价硬件和有限计算能力的真实场景中，保持可靠的性能和有效的识别。 ViPR（visual pattern recognition）应用非常广泛。 例如操控，人与机器人之间的交流，安全方面等； 它可用于移动机器人来支持导航、定位、测绘、及视觉伺服；还可用在机器视觉系统中来进行目标识别及手眼系统的协调。 基于SIFT特征提取，ViPR描绘一个目标是用一组SIFT特征向量，这组SIFT特征向量是通过抽取这个目标的多个图片而来的。 SIFT特征向量具有高度的定位视觉模版， 同时具有平移、缩放、旋转不变性，同时对光照变化及投影变换也有一定不变性。 ViPR的两个关键的内容 一方面：要特别选取有用的特征量（即SIFT特征量）； 另外一方面：要找到一条高效率的途径对拥有成千上万SIFT特征量的数据库进行搜索和组织。 视觉模式识别（ViPR） 在一张640×480的影像上，探测器通常将找到2000左右的SIFT特征量。 几种不同情况下通过ViPR的识别： 1.可靠的识别 2.旋转和仿射变换 3.尺度变化 4.光线变化 5.物体遮挡 ViPR在识别中的应用 目标1 目标2 将被识别的两个不同的目标 不同情况下的识别（1） 目标被正确识别 目标2 目