尺度不变特征变换匹配算法sift介绍课程实例.pptVIP

* * 关键点匹配 原图像 目标图像 穷举匹配 * * 模板图中关键点描述子： 实时图中关键点描述子： 任意两描述子相似性度量： 要得到配对的关键点描述子， 需满足： 关键点匹配 * * 关键点匹配 Back Scale Invariant Feature Transform SIFT * * 尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT） * * SIFT简介 SIFT算法实现细节 提纲 SIFT算法的扩展与改进 SIFT算法的应用 * * SIFT简介 传统的特征提取方法 成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。 * * 1999年British Columbia大学大卫.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），这种算法在2004年被加以完善。 SIFT提出的目的和意义 David G. Lowe Computer Science Department2366 Main MallUniversity of British ColumbiaVancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca SIFT简介 * * 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 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。 独特性(Distinctiveness)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。 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 经过优化的SIFT算法可满足一定的速度需求。 可扩展性，可以很方便的与其他形式的特征向量进行联合。 * * 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决： 目标的旋转、缩放、平移（RST） 图像仿射/投影变换（视点viewpoint） 光照影响（illumination） 目标遮挡（occlusion） 杂物场景（clutter） 噪声 SIFT算法可以解决的问题 SIFT简介 Back * * SIFT算法实现细节 SIFT算法实现步骤简述 SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。 ?关键点，就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。 * * 尺度空间极值检测 建立高斯金字塔 建立DOG金字塔 DOG空间极值点检测 关键点定位 确定关键点的主方向 关键点描述 SIFT算法实现细节 SIFT算法实现步骤 * * 所谓关键点，就是在不同尺度空间的图像下检测出的具有方向 信息的局部极值点。 根据归纳，我们可以看出特征点具有的三个特征： 尺度 方向 大小 尺度空间极值检测 1. 哪些点是SIFT中要查找的关键点（特征点）？ 这些点是一些十分突出的点不会因光照条件的改变而消失，比如角点、 边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物， 那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配点。 一个图像的尺度空间 定义为原始图像 与一个可变尺度的2维高斯函数 卷积运算。 尺度空间极值检测 建立高斯金字塔 高斯金子塔的构建过程可分为两步： 1）对图像做高斯模糊； 2）对图像做降采样。 根据不同的尺度，一幅图像可以产生几组(octave)图像，一组图像包括几层(interval)图像。 尺度空间极值检测 * * 高斯模糊