局部不变性特征描述性质.pptVIP

生成特征向量 SIFT：在特征点周围取16×16的邻域，并把该邻域化为4×4个的小区域，每个小区域统计8个方向梯度，最后得到4×4×8=128维的向量，该向量作为该点的sift描述子。 SURF：在特征点周围取一个正方形框，框的边长为20σ(σ是所检测到该特征点所在的尺度)。该框带方向，方向就是第4步检测出来的主方向了。然后把该框分为16个子区域，每个子区域统计5×5个像素的水平方向和垂直方向的Haar小波响应（dx和dy），这里的水平和垂直方向都是相对主方向而言。 每个子区域计算4个参量：∑dx，∑dy，∑|dx|，∑ |dy| 生成特征向量 每个小区域就有4个值，所以每个特征点就是16×4=64维的向量。 相比SIFT而言，少了一半，这在特征匹配过程中会大大加快匹配速度。 生成特征向量 性能比较 总结SIFT与SURF的不同 其他特征算子 HOG：Histogram of Oriented Gradients GLOH：Gradient Location and Orientation Histogram BRISK：Binary Robust Invariant Scalable Keypoints ORB：ORiented Brief BRIEF：Binary Robust Independent Elementary Features 。。。 结束 原图 平滑后图像 实验结果——不同尺度 实验结果——旋转不变性 关键点匹配 分别对模板图（参考图，reference image）和实时图（观测图，observation image）建立关键点描述子集合。目标的识别是通过两点集内关键点描述子的比对来完成。具有128维的关键点描述子的相似性度量采用欧式距离。 关键点匹配 穷举匹配 原图像 目标图像 关键点匹配 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 关键点的匹配可以采用穷举法来完成，但是这样耗费的时间太多。 一般都采用一种叫kd树的数据结构来完成搜索。搜索的内容是以目标图像的关键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点。 Kd树是一个平衡二叉树。 实验结果 SIFT应用——物体识别 SIFT应用——图像拼接 SIFT应用——笔迹鉴定 SIFT应用——匹配 来自网友的创意 ——周正龙的老虎 图1周正龙的华南虎照片与年画上的华南虎照片12点匹配 图2周正龙的华南虎照片与真实的华南虎照片0点匹配 改进 PCA-SIFT ASIFT——Affine SIFT LPP-SIFT 。。。 PCA-SIFT PCA-SIFT与标准SIFT有相同的亚像素位置，尺度和主方向。但在第4步计算描述子的设计，采用了主成分分析的技术。 用特征点周围的41×41的像素计算它的主元，并用PCA-SIFT将原来的2×39×39维的向量降成20维，以达到更精确的表示方式。 它的主要步骤为：对每一个关键点，在关键点周围提取一个41×41的像素于给定的尺度，旋转到它的主方向?；计算39×39水平和垂直的梯度，形成一个大小为3042的矢量；用预先计算好的投影矩阵n×3042与此矢量相乘；这样生成一个大小为n的PCA-SIFT描述子。 3.3.3 加速稳健特征 Speeded-Up Robust Features（SURF） 2006年由Herbert Bay et al.在ECCV会议提出，是一种稳健的图像识别和描述算法。 SURF是SIFT的改进，SURF标准版本比SIFT要快数倍——积分图像Haar求导，并且其作者声称在不同图像变换方面比SIFT更稳健。 特点： 使用积分图像完成图像卷积（相关）操作; 使用Hessian矩阵检测特征值； 使用基于分布的描述符（局部信息）。 SURF步骤 搜寻图像关键点 采用Hessian矩阵的行列式 在尺度空间搜寻主要的关键点 非极大值抑制 设置特征点的方向 生成特征向量 Hessian矩阵 二维空间函数f(x,y)的Hessian矩阵为函数的偏导数组成： 为对称矩阵 每一个像素点都可以求出一个Hessian矩阵 Hessian矩阵 Hessian矩阵的行列式为： 行列式的值是H矩阵的特征值的乘积，可以利用判定结果的符号将所有点分类，根据行列式式取值的正负，来判别该点是或不是极值点：正数为极值点！ 可以通过设置行列式值的阈值来检测主要的特征点。 Hessian矩阵 由于特征点需要具备尺度无关性，所以在进行Hessian矩阵构造前，需要对其进行高斯滤波。 经过滤波后再进行Hessian的计算，H(x,σ)在x方向尺度为σ的