sift算法详解及应用(课程)2014-3-24教材课程.ppt

* * 关键点描述 描述的目的 描述的思路 通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性。 描述的目的是在关键点计算后，用一组向量将这个关键点描述出来，这个描述子不但包括关键点，也包括关键点周围对其有贡献的像素点。用来作为目标匹配的依据，也可使关键点具有更多的不变特性，如光照变化、3D视点变化等。 * * 关键点描述 下图是一个SIFT描述子示例。其中描述子由2×2×8维向量表征，也即是2×2个8方向的方向直方图组成。左图的种子点由8×8单元组成。每一个小格都代表了特征点邻域所在的尺度空间的一个像素，箭头方向代表了像素梯度方向，箭头长度代表该像素的幅值。然后在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，如右图所示：一个特征点由4个种子点的信息所组成。 * * 关键点描述 Lowe实验结果表明：描述子采用4×4×8＝128维向量表征，综合效果最优（不变性与独特性）。 * * 关键点匹配 分别对模板图（参考图，reference image）和实时图（观测图，observation image）建立关键点描述子集合。目标的识别是通过两点集内关键点描述子的比对来完成。具有128维的关键点描述子的相似性度量采用欧式距离。 * * 关键点匹配 原图像 目标图像 穷举匹配 * * 模板图中关键点描述子： 实时图中关键点描述子： 任意两描述子相似性度量： 要得到配对的关键点描述子， 需满足： 关键点匹配 Scale Invariant Feature Transform SIFT * * * */60 5.3 尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT） 第5章 视觉图像特征信息提取 * * SIFT简介 SIFT算法实现细节 提纲 SIFT算法的应用领域 SIFT算法的扩展与改进 * * SIFT简介 传统的特征提取方法 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。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、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。 * * 1999年British Columbia大学大卫.劳伊（David G.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（尺度不变特征变换），这种算法在2004年被加以完善。 SIFT提出的目的和意义 David G. Lowe Computer Science Department2366 Main MallUniversity of British ColumbiaVancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca SIFT简介 * * SIFT简介 将一幅图像映射（变换）为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。 Original image courtesy of David Lowe * * SIFT简介 SIFT算法特点 SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 独特性(Distinctiveness)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。 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 经过优化的SIFT算法可满足一定的速度需求。 可扩展性，可以很方便的与其他形式的特征向量进行联合。 * * 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决： 目标的旋转、缩放、平移（RST） 图像仿射/投影变换（视点viewpoint） 光照影响（illumination） 目标遮挡（occlusion） 杂物场景（clutter） 噪声 SIFT算法可以解决的问题 SIFT简介 Back * * SIFT算法实现细节 SIFT算法实现步骤简述 SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。 ?SIFT算法实现