课件：物体识别中的特征基于SIF特征提取描述匹配.pptx

物体识别中的局部特征提取——基于SIFT算法的检测、描述和匹配基于图像进行物体识别的过程特征提取特征匹配图像特征全局特征大小、灰度分布、颜色、全局边缘局部特征点、线角点区域内的边缘局部极值特征提取中的常见问题物体所在环境复杂光照对比度杂散背景目标被遮挡物体运动导致的识别困难平移、旋转尺度变化彷射变换视点变化（例如站在立体物体不同侧面，看到的图像可能大不相同）局部特征图像变化对应特征不变性亮度亮度不变性对比度对比度不变性平移平移不变性旋转旋转不变性尺度变化尺度不变性仿射变换仿射不变性视角变化立体物体多角度建模用于识别的要求局部特征：重复性 可区分性 准确性 数量以及效率 不变性 传统的局部特征提取 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、线或边缘，对环境的适应能力较差。需要一种鲁棒性强、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。SIFT算法David G. LoweComputer Science Department2366 Main MallUniversity of British ColumbiaVancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca1999年British Columbia大学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（scale-invariant feature transform），这种算法在2004年被加以完善。SIFT算法的主要特点SIFT特征是图像的局部特征，其对平移、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。 可扩展性，可以很方便的与其他形式的特征向量进行联合。例如旋转不变性Original image courtesy of David Lowe尺度空间尺度是自然存在的，不是人为创造的！高斯卷积只是表现尺度空间的一种形式…我们要精确表示的物体都是通过一定的尺度来反映的。现实世界的物体也总是通过不同尺度的观察而得到不同的变化。尺度空间理论最早在1962年提出，其主要思想是通过对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等。尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。尺度空间尺度空间就是将要处理的ｎ维函数（计算机视觉中为２维），嵌入到一族单参数函数族中。这个单参数函数族就叫做尺度空间。单参数函数族的生成方法就是将要处理的函数与核函数进行卷积。核函数选择的核心原则是保证在生成的单参数函数族中，局部极值的稳定性和数目随单参数的增加的递减性。由于几个条件的约束导致，对连续函数必须使用高斯函数做为卷积核。对离散函数要使用高斯函数的某种离散近似。图像多尺度表示 根据尺度理论，高斯卷积核是实现尺度变换的唯一变换核，也是唯一的线性核：一幅二维图像，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： 图像多尺度表示 σ称为尺度空间因子，其值越小则表征该图像被平滑的越少相应的尺度也就越小。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。SIFT算法步骤检测尺度关键点（空间极值点 ）精确定位关键点，去除低对比度点和不稳定边缘点为每个关键点指定方向参数关键点描述子的生成关键点检测相关问题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。 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，特征点具有的三个特征： 尺度 方向 大小关键点检测相关问题?特征提取算子：尺度归一化的高斯拉普拉斯算子（LOG，因为：利用差分近似代替微分，则有：其中k-1是个常数，并不影响极值点位置的求取。再转换到高斯差分算子（DOG）中：关键点检测相关问题2. 高斯模糊 高斯模糊是在Adobe Photoshop等图像处理软件中广泛使用的处理效果，通常用它来减小图像噪声以及降低细