2_3_SIFT特征点检测.pptVIP

SIFT特征点检测 David G. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, Vol. 60, 110, Nov 2004. 图像变化的类型： 几何变化 旋转 相似(旋转 + 各向相同的尺度缩放) 仿射 (非各向相同的尺度缩放)适用于: 物体局部为平面 灰度变化 仿射灰度变化 (I ? a I + b) SIFT SIFT － Scale Invariant Feature Transform 一种特征提取算法（Lowe 1999, 2004） DoG 特征检测 ＋ SIFT 描述子 SIFT描述子性能评价最佳（MikolajczykSchmid, 2005） 迄今使用最为广泛的一种特征 SIFT特征的性质 不变性 对图像的旋转和尺度变化具有不变性 对三维视角变化和光照变化具有很强的适应性 局部特征，在遮挡和场景杂乱时仍保持不变性 辨别力强 特征之间相互区分的能力强，有利于匹配 数量多 一般500×500的图像能提取出约2000个特征点 扩展性强 SIFT特征提取算法流程 尺度空间的定义 目的：检测在尺度变化时仍然稳定的特征 定义图像 的尺度空间： 图像尺度空间 高斯差分尺度空间 为了在尺度空间中检测稳定的关键点，构造高斯差分尺度空间 高斯差分尺度空间（高斯差分DoG: Difference of Gaussian） 高斯差分尺度空间 DoG尺度空间极值点检测 关键点的精确定位 三元二次函数拟合 去除不稳定的关键点 例子 例子 SIFT点－视角和旋转变化 SIFT点－光照和尺度变化 模式识别国家重点实验室 中国科学院自动化研究所 National Laboratory of Pattern Recognition Institute of Automation, Chinese Academy of Sciences * (1997-) Professor of Computer Science, University of British Columbia 多尺度空间极值点检测 特征向量 输入图像 关键点的精确定位 描述子的构造 关键点的主方向计算 SIFT算法 在DoG尺度空间中 提取极值点并进行优化从而获取特征点 其中： 尺度参数 ，当 连续变化， 构成图像的尺度空间 几个理由： （1） 计算效率高：高斯卷积，减法 （2） 高斯差分是对尺度归一化LoG的一个很好的近似, 而尺度归一化的LoG空间具有真正的尺度不变性 (Lindegerg 1994) （3） 实验比较表明，从尺度归一化LoG空间中提取的图像特征的尺度稳定性最好，优于梯度、Hessian或Harris角点函数。 建立的三维尺度空间形式 在三维尺度空间 中，有哪些信誉好的足球投注网站每个点的26邻域，若该点为局部极值点，则保存为候选关键点。 极值点检测： 改变关键点的初始位置 x ，重复计算精细偏移量 若中的三个变量任意一个偏移量大于0.5（精确极值点更接近于另一个邻点） 计算精细偏移量 去除对比度低的点 去除边缘上的点 利用Hessian矩阵H判断关键点是否位于边缘 设定阈值 H的两个特征值对应两个方向上的主曲率大小。 在边缘位置，两个特征值的比值大于阈值 设两个特征值之间的比值为r： 通过计算H的迹和行列式避免直接求特征值，减少了计算量. 原始图像 大小233*189像素 多尺度DoG空间中的极值点 832个 对比度阈值处理 832 ? 729 去除边缘上的点 729 ? 536 旋转＋尺度变化 视角变化 尺度变化 光照变化 * *