SIFT和SRF比较分析.pptVIP

SIFT与SURF比较 SIFT和SURF的算法上的差异 预处理 将图像在各个方向上扩大二倍 计算积分图像 SIFT和SURF的算法上的差异 尺度空间构建 用高斯卷积乘以图像，获得LoG空间。通过相邻层相减 得到DoG尺度空间，对原图像进行向下采样得到下一层。 通过改变Box滤波器的尺度来得到不同的尺度空间，无 需改变图像的大小。 SIFT和SURF的算法上的差异 极值点确定 通过比较DoG尺度空间3维(3*3*3)像素灰度值来确定极值 用Hessian矩阵行列式的特征值符号来确定极值 SIFT和SURF的算法上的差异 是否需要剔除边缘响应 需要，根据Hessian的求出主曲率，采用阈值抑制掉边 缘响应。 不需要 SIFT和SURF的算法上的差异 极值点方向统计 根据像素的梯度来确定。将360°方向分成36份，进行 直方图统计。 根据像素在x,y方向上的Haar小波响应值来确定。将360° 分成72份，用直方图统计每相邻60°之内的响应值之和。 SIFT和SURF的算法上的差异 特征向量维数 4*4个子区域，8个方向共128维 4*4个子区域，4个方向的响应值共64维 SIFT和SURF的算法上的差异 相似度度量方法 基于KD的存储结构，采用BBF算法进行匹配 快速索引匹配和欧氏距离差方匹配 SIFT和SURF的算法上的差异 剔除伪匹配点 采用RANSAC算法剔除伪匹配点 一般不需要 SIFT和SURF的算法上的差异 实验素材 试验图片共分成五组500幅，分别为标记1组（60幅）、标记2组（60幅）、标记三组（60幅）、风景组（100幅）、涂鸦组（100幅）、街区组（120幅）。其特点如下： 标记1组：采用人工标记随意摆放，复杂度比较简单，图片大小为640*480。 标记2组：采用人工标记随意摆放，复杂度比较复杂，图片大小为640*480。 标记3组：采用人工标记随意摆放，复杂度比较复杂，图片大小逐渐减小。 风景组：多随机的曲线和点出现，内容复杂度非常大，图片大小各不相同。 涂鸦组：多随机的曲线出现，内容复杂处集中，图片大小各不相同。 街区组：多平行直线出现，内容比较复杂，图片大小各不相同。 SIFT和SURF的算法上的差异 算法总体性能比较（特征点的查找） SIFT和SURF的算法上的差异 标记1组性能比较（特征点的查找） SIFT和SURF的算法上的差异 标记2组性能比较（特征点的查找） SIFT和SURF的算法上的差异 标记3组性能比较（特征点的查找） SIFT和SURF的算法上的差异 风景组性能比较（特征点的查找） SIFT和SURF的算法上的差异 涂鸦组性能比较（特征点的查找） SIFT和SURF的算法上的差异 街区组性能比较（特征点的查找） SIFT和SURF的算法上的差异 算法总体性能比较（特征点的匹配） SIFT和SURF的算法上的差异 算法与图片大小关系（特征点的查找） 图像宽度从50到640递增，宽高比为4:3 SIFT和SURF的算法上的差异 算法与图片大小关系（特征点的匹配） 图像宽度从50到640递增，宽高比为4:3 目标检测 目标跟踪 三维注册 物体建模 虚实结合 预处理 显示 AR系统 预处理 卡尔曼估计 窗口分区 核心窗 一级窗 二级窗 预估窗 目标检测 目标跟踪 三维注册 物体建模 虚实结合 预处理 显示 AR系统 目标检测 SURF 1.目标物体无法精确定位 2.先确定特征点，后生成SURF描述子并匹配 目标检测 目标跟踪 三维注册 物体建模 虚实结合 预处理 显示 AR系统 显示 主窗体 菜单区 辅助窗体