物体识别中的特征-基于SIFT特征提取、描述、匹配.pptVIP

关键点检测相关问题*对应DOG算子，我们要构建DOG金字塔我们可以通过高斯差分图像看出图像上的像素值变化情况。（如果没有变化，也就没有特征。特征必须是变化尽可能多的点。）DOG图像描绘的是目标的轮廓。高斯差分（DOG）金字塔关键点检测*中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。01DoG的局部极值点02关键点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。03精确确定极值点位置*去除低对比度极值点：*边缘响应处的极值点的去除*DOG算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。获取特征点处的Hessian矩阵，D的主曲率和H的特征值成正比，通过一个2x2?的Hessian矩阵H的特征值表示：?H的特征值α和β为特征值。假设是α较大的特征值，而是β较小的特征值，令，则?的增大而增大。让该比值小于一定的阈值。为了检测主曲率是否在某域值r下，只需检测成立时将关键点保留*全局特征：从整幅图像的像素点中，提取的特征信息局部特征从总体上说是图像或在视觉领域中一些有别于其周围的地方局部特征通常是描述一块区域，使其能具有高可区分度局部特征的好坏直接会决定着后面分类、识别是否会得到一个好的结果****2002年Mikolajczyk在详细的实验比较中发现尺度归一化的高斯拉普拉斯算子的极大值和极小值同其它的特征提取函数，例如：梯度，Hessian或Harris角特征比较，能够产生最稳定的图像特征。*一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直的另一方向有较小的主曲率。DOG算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。获取特征点处的Hessian矩阵，主曲率通过一个2x2?的Hessian矩阵H求出：?H的特征值α和β代表x和y方向的曲率。表示矩阵H对角线元素之和，表示矩阵H的行列式。假设是α较大的特征值，而是β较小的特征值，令，则??????????????导数由采样点相邻差估计得到,在下一节中说明。D的主曲率和H的特征值成正比，令为α最大特征值，β为最小的特征值，则公式的值在两个特征值相等时最小，随着的增大而增大。值越大，说明两个特征值的比值越大，即在某一个方向的梯度值越大，而在另一个方向的梯度值越小，而边缘恰恰就是这种情况。所以为了剔除边缘响应点，需要让该比值小于一定的阈值，因此，为了检测主曲率是否在某域值r下，只需检测式(4-7)成立时将关键点保留，反之剔除。在Lowe的文章中，取r＝10。*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全局特征01大小、灰度分布、颜色、全局边缘02局部特征03点、线04角点05区域内的边缘06局部极值07图像特征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。01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。02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。03传统的局部特征提取SIFT算法*DavidG.LoweComputerScienceDepartment

2366MainMall

UniversityofBritishColumbia

Vancouver,B.C.,V6T1Z4,CanadaE-mail:lowe@cs.ubc.ca1999年BritishColumbia大学DavidG.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-invariantfeaturetransfor