精细版sift算法详解及应用.pptVIP

关键点匹配 原图像 目标图像 穷举匹配 精选 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 精选 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。 关键点匹配 Kd树是一个平衡二叉树 精选 关键点匹配 Back 精选 关键点匹配并不能标志着算法的结束，因为在匹配的过程中存在着大量的错配点。 消除错配点 图中交叉的绿线为错配点 精选 消除错配点 RANSAC（Random Sample Consensus，随机抽样一致 ） 是一种鲁棒性的参数估计方法。 RANSAC简介 RANSAC实质上就是一个反复测试、不断迭代的过程。 RANSAC的基本思想： 首先根据具体问题设计出某个目标函数，然后通过反复提取最小点集估计该函数中参数的初始值，利用这些初始值把所有的数据分为“内点”（ inlier ）和“外点“（outlier），最后用所有的内点重新计算和估计函数的参数。 精选 消除错配点 RANSAC事例 如何估计最佳直线？ 重复进行，拟合最优直线 随机取两样本点拟合