局部不变性特征描述子.ppt

关键点匹配穷举匹配原图像目标图像第63页，共98页，星期日，2025年，2月5日关键点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：第64页，共98页，星期日，2025年，2月5日关键点匹配关键点的匹配可以采用穷举法来完成，但是这样耗费的时间太多。一般都采用一种叫kd树的数据结构来完成搜索。搜索的内容是以目标图像的关键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点。Kd树是一个平衡二叉树。第65页，共98页，星期日，2025年，2月5日实验结果第66页，共98页，星期日，2025年，2月5日SIFT应用——物体识别第67页，共98页，星期日，2025年，2月5日SIFT应用——图像拼接第68页，共98页，星期日，2025年，2月5日SIFT应用——笔迹鉴定第69页，共98页，星期日，2025年，2月5日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。OriginalimagecourtesyofDavidLowe第31页，共98页，星期日，2025年，2月5日SIFT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，对于视角变化、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。第32页，共98页，星期日，2025年，2月5日SIFT算法可以解决的问题目标的自身状态、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。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）噪声第33页，共98页，星期日，2025年，2月5日SIFT算法实现步骤简述SIFT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。第34页，共98页，星期日，2025年，2月5日SIFT算法实现步骤检测尺度空间极值点精确定位极值点为每个关键点指定方向参数关键点描述子的生成第35页，共98页，星期日，2025年，2月5日关键点检测哪些是关键点（特征点）？这些点是一些十分突出的点，不会因光照条件的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物，那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配点。所谓关键点，就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。特征点具有的三个特征：尺度，方向，大小第36页，共98页，星期日，2025年，2月5日高斯金字塔高斯金字塔的构建过程可分为两步：1）对图像做高斯平滑；2）对图像做降采样。为了让尺度体现其连续性，在简单下采样的基础上加上了高斯滤波。一幅图像可以产生几组（octave）图像，一组图像包括几层（interval）图像。上一组图像的底层是由前一组图像的倒数第二层图像隔点采样生成的。这样可以保持尺度的连续性。第37页，共98页，星期日，2025年，2月5日第38页，共98页，星期日，2025年，2月5日高斯差分尺度函数为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分（DifferenceofGaussian，DOG）尺度空间DOG在计算上只需相邻尺度高斯平滑后图像相减，因此简化了计算！第39页，共98页，星期日，2025年，2月5日高斯差分金字塔可以通过高斯差分图像观察图像上的像素值变化情况。如果没有变化，也就没有特征。特征必须是变化尽可能多的点。DOG图像描绘的是目标的轮廓。第40页，共98页，星期日，2025年，2月5日第41页，共98页，星期日，2025年，2月5日1）DOG的局部极值点关键点是由DOG空间的局部极值点组成的。为了寻找DOG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共2