特征提取方法 SIFT,PCA-SIFT,GLOH,SURF

在前面的blog中，我们已经讲了SIFT的原理，这里我们再详细讲解SIFT的变体：PCA-SIFT和GLOH。

– Scale invariant feature transform (SIFT): Lowe, 2004.

– PCA-SIFT: SIFT: Ke and Sukthankar 2004 Ke and Sukthankar, 2004.

– Gradient location-orientation histogram (GLOH): Mikolajczyk and Schmid 2005

– SURF(Speeded Up Robust Features), Bay, 2006回顾前面讲过的SIFT算法，可以很好地应对旋转和尺度不变，光强不变，位置遮挡不变（http://blog.csdn.net/abcjennifer/article/details/7639681），其过程分为四步：

– Detection of scale-space extreme 构建尺度空间
– Accurate keypoint localization 关键点检测
– Orientation assignment 指定方向
– The local image descriptor 局部图像描述子

David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110

/***************************************************PCA-SIFT*****************************************************/

PCA(Principle component analysis) SIFT 描述子将在所有描述子中提取出更有区分度，更robust to image deformations的特征。其方法：

– 在第四步中，不用原先的4*4*8个描述子，而是在41*41的图像块上计算39*39*2（x,y方向）个梯度导数，然后使用PCA将得到的3042维向量降到36维。

Y. Ke and R. Sukthankar, “PCA-SIFT: A More Distinctive Representation for Local Image 15 Descriptors,” Computer Vision and Pattern Recognition, 2004.

当然，上图只是PCA-SIFT作者的一面之词，Mikolajczyk and Schmid（2005）的描述子测评显示还是SIFT比较靠谱。

/************************************************