[VP] SIFT尺度不变特征变换 Scale-invariant feature transform

---

一、特征检测

1、DoG图像金字塔

大概就是，用不同 $\sigma$ 的高斯滤波器对图像滤波，然后做差

2、寻找局部极值

• 1、对于DoG金字塔的每一个点，比较它邻近的(包括临近层)26个点

• 2、寻找极值，作为潜在的关键点，这基本上意味着关键点最好在这个尺度上表示

3、SIFT关键点展示

• 1、去除低对比度特征：如果DoG中有的点低于某个设定的值，那就去掉

• 2、移去小于0.1倍最大值的所有关键点

最后结果举例：

3、为关键点指定方向

接下来是为每个关键点指定一个方向，这个方向提供了旋转不变性。

• 1、对于所有尺度，计算梯度振幅和取向

• 2、梯度幅度用2D高斯加权

• 3、将方向和幅度之和分配给关键点

• 4、按照方向，将对应的幅度放入直方图，极值所在的bin的值就代表了关键点的方向，达到极值的80%以上的bin，将转换成新的关键点

二、局部图像描述

• 1、使用与关键点尺度相关的高斯模糊图像

• 2、在每个像素检测到的特征周围的16x16方形窗口上获取图像梯度

• 3、相对于关键点方向旋转梯度方向和位置

• 4、创建方向直方图数组

• 5、将有8个bins的旋转梯度添加到它们的局部方向直方图中

• 6、所得到的SIFT描述符是一个长度为128的矢量，代表一个4x4直方图数组，每个直方图有8个方向bins

三、索引和匹配

1、 图像匹配

• 1、找到目标图像中识别的所有关键点，每个关键点都有二维位置、尺度和方向，以及不变的描述符向量

• 2、对于每个关键点，在参考图像数据库中搜索相似的描述符向量，描述符向量可以匹配数据库中的多个参考

2、特征匹配

如何搜索相似的描述符向量？

• 1、定义比较两个描述符的距离函数， 比如 L2距离，最好的是ratio距离

$$ratiodistance=\frac{||f_1-f_2||}{||f_1-f_2^{{}^{\prime }}||}<t$$
其中，$f_2$是最接近的距离， $f_2^{{}^{\prime }}$是第二接近的距离， 一般当 t = 0.8时，接受满足上式的匹配

• 2、测试数据库中的所有特征，找到距离最小的特征

3、结果评估

True positives = # of detected matches that are correct

False positives = # of detected matches that are incorrect

然后计算AUC的值，最高 = 1