Distinctive Image Features from Scale-Invariant Keypoints译文.pdfVIP

Distinctive Image Features from Scale-Invariant Keypoints David G.Lowe Computer Science Department, University of British Columbia, Vancouver, B.C., Canada 摘要：本文提出了一种从图像中提取独特不变特征的方法，可用于不同视角之间目标或场景 的可靠匹配的方法。这种特点对图像的尺度和旋转具有不变性。并在大范围的仿射变换，三 维视点的改变，噪音和光照变化的图像匹配具有鲁棒性。特征是highly distinctive 的，使场 景图像中的单一特征和许多图像中提取的大型特征数据库一样，有很高的正确匹配率。本文 还介绍了一个使用该特征来识别目标的方法。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Hough 变换来识别属于单一目标的类簇(clusters)， 最后通过执行一致的构成参数的最小二乘解来验证。这种识别方法可以在杂乱和遮挡的对象 间鲁棒的识别目标并且具有接近线性的时间复杂度。 关键词：不变特征，目标识别，尺度不变性，图像匹配 1. Introduction 图像匹配是计算机视觉领域中很多问题的关键，包括目标和场景识别、多幅影像的3D structure、stereo correspondence、motion tracking 等。本文描述的图像特征有很多特性使得 它适合将一个目标或场景的不同影像进行匹配。这些特征对于图像尺度和旋转具有不变性， 并在光照变化和三维相机视点变化的情况下具有部分的不变性。它在空间域和频率域具有很 好的局部性，减少了遮挡（occlusion ）、杂乱和噪音的影响。通过有效的算法，可以从典型 的图像中提取海量的特征。另外，这些特征是highly distinctive 的，使场景图像中的单一特 征和大型特征数据库一样，有很高的正确匹配率，为目标和场景识别提供了基础。 通过一个级联滤波算法将minimized 提取这些特征的cost，这样，昂贵的运算仅在通过 初步测试的locations。下面是生成图像特征集的主要步骤： 1.Scale-space extrema detection ：第一阶段对所有尺度和图像locations 进行有哪些信誉好的足球投注网站。通过 使用difference-of-Gaussian function 高斯差分函数来识别对于尺度和方向具有不变性的潜在 兴趣点。 2. Keypoint localization：在每一个候选location，一个detailed model 适合于确定位置和 尺度。基于关键点的稳定性来选择关键点。 3.Orientation assignment：基于局部图像的梯度方向，给每个keypoint location 指定一个 或多个方向。后面所有操作的图像数据都是将每个特征的方向、尺度和位置进行相关变换得 到的，因此特征对这些变换具有不变性。 4.Keypoint descriptor ：局部梯度是在所选尺度上每个关键点附近的区域测量得到的。这 些局部梯度可以转化为允许强烈的局部形状扭曲和光照变化的图像表示法。 这种方法被命名为Scale Invariant Feature Transform (SIFT) ，把图像数据转换到对于局部 特征尺度不变的坐标上。 该方法的一个重要方面是它生成了大量特征，它们密集的覆盖了图像所有的尺度和 locations。一幅500*500 像素的典型图片可以产生约2000 个稳定的特征（这个数字依赖于 图像内容和几个参数的选择）。特征的数量对目标识别尤为重要，要检测杂乱背景下的小目 标，至少要求每个目标有三个特征被正确匹配才是可靠的识别。 对于图像匹配和识别，从一组参考图像中提取SIFT features 并存储在数据库中，通过将 新图像中的各个特征与原有数据库进行对比并基于特征向量的欧氏距离找到候选匹配特征。 本文将讨论可以在大型数据库中进行快速计算的fast nearest-neighbor algorithms。 关键点描述子是highly distinctive 的，可以使单个特征在大型特征数据库中以很大概率 进行正确匹配。然而，在杂乱的图像中，很多背景中的特征在数据库中不存在正确匹配，产 生了很多错误的配对。通过标识与新图像在the object and its loca