图像特征提取.ppt

从尺度不变关键点选择可区分的图像特征 规划书籍的整体版面 图像特征 特征数量：它对目标识别尤为重要，要具备探测杂乱背景下 的小目标能力，要求每个目标至少有三个特征被正确的匹配才是可靠的识别。 图像特征提取的方法 特点：它可以生成大量特征，它们的密集覆盖了整个图像尺度和位置。一幅500*500的像素的典型图片可以产生约2000个稳定的特征。 SIFT算法的步骤 1.尺度空间的生成 2.尺度空间极值点探测 3.精确定位极值点（关键点） 4.为每一个关键点指定方向参数 5.关键点描述子的生成 尺度空间理论的目的是模拟图像数据的多尺度特征，高斯卷积核是实现尺度变换的唯一线性核。于是一幅二维图像的尺度空间函数定义为： 构造高斯差分尺度空间 表达式： 尺度空间极值探测 为了探测尺度空间极值点，每个样本点都要和它当前图像的八个近邻点和上下尺度上的各九个近点邻相比较，确保在二维图像空间和尺度空间都检测到极值点。只有在它比所有近邻大或者小时才会被选择，认为该点是图像在尺度下的一个特征点。 精确定位极值点 通过拟合三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点（DoG算子会产生较强的边缘响应），以增强匹配稳定性，提高抗噪声能力。 空间尺度函数： (1) 求导令其为零得： (2) 把（2）代入（1）取前两项： 若 大于0.03，该特征点保留，否则丢弃。 排除角反射（去除边缘响应） 高斯差分函数中一个定义不好的峰值将会对边缘处产生很大的主曲率，而在垂直方向上产生很小的主曲率。主曲率可以通过一个2*2的Hessian矩阵来计算。 H在关键点的位置和尺度上。 　H的特征值与D的主曲率成比例。设α为最大量级的特征值，而β为最小量级的特征值。 则： 令α=rβ 则： 看主曲率是否低于某个极限： 保留该特征点（r=10）。 定向任务（为关键点指定方向参数） 通过以上的步骤，图像的关键点检测完毕。每个关键点有三个信息：位置，所在尺度，方向。由此可确定一个SIFT特征区域： 关键点描述子生成 在4×4的窗口内计算8个方向的梯度方向直方图。绘制每个梯度方向的累加可形成一个种子点。 每个直方图有8方向的梯度方向，每一个描述符包含一个位于关键点附近的四个直方图数组.这就导致了SIFT的特征向量有128维. 描述子向量元素门限化和规范化 门限化：方向直方图每个方向上梯度幅值限制在一个门限值一下。（门限一般取0.2，门限值0.2是通过图像对相同的三维目标保留不同光照的实验得到的。 ） 归一化处理 目标识别原理 通过将个别特征与由已知目标特征组成的数据库进行快速最近邻算法的匹配，然后使用霍夫变换来识别属于单一目标的聚类，最后通过最小二乘解执行一致的姿态参数的核查确认。 目标识别的问题和解决 模糊的特征和从背景聚类中得到的特征，很多这些最初的匹配是不正确的。 目标识别过程 1.关键点匹配 2.有效的最近邻函数 3.霍夫变换聚类 4.仿射参数的解决方法 关键点匹配 最近领定义：每个关键点的不变描述子矢量之间的最短欧氏距离。 图像中的很多特征与训练数据库可能没有任何正确的匹配，因为它们是从背景聚类中提出的或没有在训练图像中被探测到。因此，有一种方法来丢弃与数据库没有很好地匹配的特征很有用。使用最近距离与次近距离的比值比较有效。 有效的最近领函数 霍夫变换的聚类 仿射参数的解决方法 在正射投影下，仿射变换可以正确求解一个平面的三维旋转，但对于非平面的目标的三维旋转估值就很差了。更普遍的方法是解基础矩阵 。 模型点 对于图像 的仿射变换可以被写为： 　　 其中， 为模型变换，而mi参数表示仿射旋转、缩放和拉伸。 结论： 局部特征不变量匹配方法无需挑选一个特征类型，（因为最好的结果往往是使用很多不同特征得到）因此，本方法可以贡献于获得有用的匹配并提高整体的鲁棒性。 为研究可以识别的目标分类的特征提供了基础。 谢谢欣赏！ 原理：初值由相似变换得到，然后计算已经找到足够匹配数的基础矩阵。 求解变换参数，上式可以被重写为将未知量变为列向量的形式： 识别实例： * Distinctive Image Features from Scale-Invariant Keypoints (从尺度不变关键点选择可区分的图像特征) 报告人：马振磊