CV | SIFTflow 学习笔记

题外话： 

这是刘策08年发表论文中提出的方法，比较老，就稠密匹配这块经典，但是网上资料不多，刚开始以为是经典的方法不打算花太多时间读文，想着直接用现成的代码就好，哪知。。。就是这种想法！所以导致效率极其低下，几乎看了整整五六天有没有！而且心情也不好，虽然中间穿插小长假是一部分原因，但是效率总也提不起来。这就是掉以轻心的坏处，以后记住，无论是什么问题还是本着要从根本学会的态度比较好。题外话ending。

论文摘要：

作者提出SIFT flow是基于图像标定/图像定位（image alignment），旨在根据输入图像，在数据库中找到与之最匹配的图，根据输入图像将找到的图像进行标定。翻译一段：对于一副输入图像，使用histogram intersection找到数据库中输入图像的最近邻，即与之最相像的图。SIFT flow在两幅图中进行稠密的特征采样。 SIFT特征的鲁棒性使得光流变得更好用。接下来作者提出几点应用。由于笔者看本文是出于稠密的特征匹配，所以就不重点介绍其他的了。感兴趣可以去看看原文。

SIFT flow光流算法：

本文最关键的就是下面这个公式了，体现了核心思想，但是由于我粗心心急直接跑去看代码，所以看了好多遍才理解。

 其中w是w(p) = (u(p), v(p))是查找到的目标图T对应于原图I像素点位置p = (x,y)（对应原图中的像素坐标）得到对应点的位移差，也就是说T中与I中最相似点的位移，如T中坐标为(x1, y1)那么|u(p)| = |x-x1|, |v(p)| = |y - y1|，到了这里就可以很好地理解代码结果中的vx, vy，即对应于这个位移差，也就是说SIFT flow的结果就是找到所有像素点相似点的位移差，就是稠密匹配对。 

s1和s2是SIFT描述子，上式就是要得到描述子的最小差和，即最佳匹配结果。其余几项是优化项。

以上。