SIFT特征关键点检测算法-论文.docVIP

目录 第一章 绪论 1 第二章 相关研究 3 2.1基本概念 3 2.1.1 采样 3 2.1.2 卷积 3 2.1.3 图像金字塔 4 2.1.4 尺度、梯度 5 2.2 点特征提取 5 2.3 几种物体识别算法的比较 6 2.4 SIFT的应用 8 2.5 SIFT算法优点 9 2.6 SIFT的一些缺点 10 第三章 关键点提取 11 3.1SIFT特性 11 3.2 SIFT算法步骤 11 3.3 尺度空间的建立 12 3.3.1高斯空间 12 3.3.2 DOG空间的建立 13 3.4 本地极值点获取 15 3.5 尺度空间采样频率 16 3.6空间域采样频率 18 3.7 精确确定极值点 18 3.7.1 三维二次拟合 19 3.7.2 去除不稳定边缘响应点 20 3.8 PCA-SIFT 21 第四章 局部图像描述子 23 4.1 关键点方向分配 23 4.2特征点描述子生成 24 第五章 实验以及实验结果分析 29 5.1 基本实验 29 5.2 精确确定极值点实验 30 5.3 尺度参数概念实验 33 5.4 最大特征值最小特征值比值r对关键点获取的影响 34 5.5低对比度点的去除实验 38 第六章 全文总结 43 致 谢 45 参考书目 47 第一章 绪论 在计算机可视化应用中，图像匹配是解决许多问题之前必须解决的基础问题，包括物体的场景识别，解决复合图像3D结构问题等。图像中有许多很有特性的关键点，这些关键点对于尺度变换和旋转，亮度以及3D视图变换等表现出了不变的特性。而且对视角变化，仿射变化，噪声变化也保持一定的稳定性。SIFT特征是图像的局部特征。这种特征独特性好。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。SIFT特征向量还具有多量性，高速性，可扩展性等特征，即使少数的几个物体也能产生大量的SIFT特征向量，经过优化的SIFT 匹配算法甚至可以达到实时的要求，可以方便的与其他形式的特征向量进行联合。 本文展示了一个称为尺度不变特征变换（SIFT）的方法。本方法通过将图像变换成一个由大量具有平移，尺度，旋转以及一定的亮度变化、仿射、三维仿射变换不变性质的局部特征向量组成的集合来实现的。先前的基于局部特征的算法缺乏尺度不变性并且对投影变和亮度变化过于敏感。 尺度不变特征使用了分阶段滤波算法，因此十分的有效。第一阶段是在尺度空间找些高斯差分函数（ DOG）的最大值或最小值来寻找特征点。每一个点都被用来生成一个描述了相对其尺度空间进行了采样的局部图像区域特征向量。这些特征通过平滑图像梯度具有一定的局部变化不变性。这个方法是基于哺乳动物视网膜上复杂细胞的行为模型而产生的，得到的特征称为SIFT特征。 从图像中得到的SIFT特征被用于最邻近查找，索引到候选匹配。那些满足一些潜在模型姿态的特征点将首先通过霍夫变换被识别，然后通过最小二乘拟合得到模型参数估计。当至少有三个SIFT特征满足该模型参数并且残差较小时，表明该目标存在的可能性很大。因此在目标的影像上可能有很多个SIFT特征，从而可能在有相当程度的遮挡情况下依然可以得到很高的可信度。 本文在第二章对SIFT特征的相关研究进行了阐述，对研究SIFT需要的基本概念，应用以及SIFT的优点以及缺点进行了描述。第三章主要是SIFT关键点的 提取的步骤，包括尺度空间的建立，本地极值点的获取，采样频率，关键点的获取等。关键点获取中几个参数的设定都在第三章进行了详细的讲解，同时对SIFT特征的改进算法PCA-SIFT进行 第二章 相关研究 2.1基本概念 对于关键点提取，需要了解一些图像的基本概念以及基本原理，这些对于关键点提取的研究起到至关重要的作用，如果没有这些概念和原理，想要理解SIFT特征算法几乎是不可能的。下面我们将对这些概念做基本的介绍。 2.1.1 采样 降采样：对于一幅图像而言的降采样就是每隔几行、几列取一点，组一个新的图像。比例因子为2（fact of 2）的降采样来说：就是対一幅图像每隔一行一列取一点。对于×n的图像就变为n/2×n/2的图像了。比例因子为2的降采样是SFIT要用到的 升采样：其实一种插值，就是在一幅图像里利用相关的插值运算得到一幅的图像比如比例因子为2的升采样就是每个相邻像素点插值一个像素（这里包括X、Y两个方向）。对于的图像就变为2n×2n的图像了。顺便说下插值，就是一种利用已有数据对位置数据的估计。比如第10秒走了12米，第20走了30，那么用线性插值估计我第15秒走了（30-12）/2+12=21米，当然 2.1.2 卷积 卷积：就是一个积分，两个函数（其中一个带参数）对应点的，然后乘积函数求积分卷积是一种无限的积分运算，但是因为在一个二维平面（X轴对应一个卷积函数，Y轴对应一个卷积函数）,一般境况下围绕