特征点匹配V10.docxVIP

1、Harris Corner DetectorHarris角点检测原理是对于一幅图像，角点与自相关函数的曲率特性有关。自相关函数描述了局部图像灰度的变化程度，可表示为：表示：一个窗，平移后的自相关函数，是窗函数局部图像灰度的自相关函数可近似表示成一次泰勒多项式形式：其中，是个椭圆方程：矩阵M的两个特征值都比较大，说明在该点的图像灰度自相关函数的两个正交方向上的极值曲率均较大，所以即可认为该点为角点。Corner Response Measure:当大于零并且较大时，对应角点；如果较小但是小于零，则对应与边缘区域；如果较小时，对应与图像的平坦区域。MATLAB 实验结果：img1 = imread(..\images\corner1.jpg);ticcorners1 = corner_detector(img1);features1 = makeFeatures( corners1, img1, 15);showFeatures1(features1 ,img1 );fprintf( %f\n, toc ); //time= 3.267188CUDA 实验结果：2、SIFTSift算法主要步骤：1）尺度空间的极值点检测a.建立高斯金字塔一副二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：代表图像的尺度空间，为尺度空间因子，其值越小则表征被平滑的越少，相应的尺度也就越小。同时大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。b.生成DOG金字塔为了有效提取稳定的关键点，利用不同尺度的高斯差分核与图像卷积生成。c.DOG空间极值点检测极值点的搜索是通过同一组内DOG相邻层之间比较完成的。为了寻找尺度空间的极值点，每一个采样点都要和它所有的相邻点比较，以确保在尺度空间和二维图像空间都检测到极值点。2）关键点的精确定位泰勒公式：a. 精确确定关键点的位置为关键点的偏移量，是在关键点处（即）的值。令，解得，是偏移量的极值点。如果（相对于插值中心点的偏移量）在任一方向上的偏移大于0.5时，就意味着该关键点与另一采样点（检测点）非常接近，这样的点就要删除。b. 删除低对比度的点可以用来衡量特征点的对比度，如果 ，则为不稳定的特征点，应删除。的经验值为0.03。c. 去除低对比度的边缘响应点因为DOG算子会产生较强的边缘响应，所以应去除低对比度的边缘响应点，以增强匹配的稳定性，提高抗噪声能力。一个平坦的DOG响应峰值往往在在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2*2的Hessian矩阵求出：导数通过相邻采样点的差值计算。的主曲率和的特征值成正比，令， 为最大，最小特征值，则令为最大特征值与最小特征值的比值，则为了检测主曲率是否在某阈值下，只需检测的经验值为10。3）确定关键点的主方向关键点处邻域梯度的主方向，即关键点的主方向。对于已检测到的特征点，我们已经知道该特征点的尺度值，因此根据这一尺度值，得到接近这一尺度值的高斯图像：上式中，和分别为高斯金字塔处梯度的大小和方向，所用到的尺度为每个关键点所在的尺度。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10度一个柱，共36个柱。直方图的主峰值（最大峰值）代表了关键点处邻域梯度的主方向，即关键点的主方向。图像的关键点已检测完毕，每个关键点有三个信息：位置、所处尺度、方向。4）生成sift特征矢量（生成关键点的描述子）首先，将坐标轴旋转到关键点的主方向。只有以主方向为零点方向来描述关键点才能使其具有旋转不变性。其次，以关键点为中心取8*8的窗口。进而计算每个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。每个种子点有8个方向向量信息。为了增强匹配的稳健性，Lowe建议对每个关键点可使用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，即最终形成128维的sift特征矢量。此时sift特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。MATLAB 实验结果：CUDA实验结果：3、SURF4、RANSAC流程图：以求基础矩阵为例：5、CannyStep1: 对原始图像进行灰度化?? ? ? ?Canny算法通常处理的图像为灰度图，因此如果摄像机获取的是彩色图像，那首先就得进行灰度化。对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。以RGB格式的彩图为例，通常灰度化采用的方法主要有：?? ? ? ?方法1：Gray=(R+G+B)/3;?? ? ? ?方法2：Gray=0.299R+0.587G+0.114B;（这种参数考虑到了人眼的生理特