Sift(尺度不变特征变换)特征提取
注意:放射变换和透视变换:放射变换是二维空间变换,透视变换是三维空间变换;
SIFT先进行非抑制最大值,在用Hessian矩阵过滤;
Surf先进行Hessian矩阵,再进行非抑制最大值;
优点
-
目标旋转,缩放,平移保持;
-
图像放射/投影;
-
光照影响;
-
目标遮挡;
-
杂物场景;
-
噪音;
以上几种场景下,特征点保持不变性。
缺点
实时性不高;
有时特征点较少;
对边缘光滑的目标无法准确提取特征点;
特征点提取过程
主要分一下几个步骤:
尺度空间极值检测;
关键点定位;
方向确定;
关键点描述;
关键技术说明
尺度空间表达
每一层图像的分辨率相同,图片之间通过高斯卷积计算形成模糊不同的图片。
图像金字塔
通过图像平滑,再进行 降(下)采样形成不同的图片。
高斯卷积
通过二维高斯函数,生成高斯卷积核,其中高斯函数如下:
f(x,y)= 1/(2πσ^2 ) e((-(x2+y2)/(2σ2 )))
高斯拉普拉斯变换LOG图像
先进行图像下采样,形成图像金字塔,对每张图片多次(4)进行高斯卷积,形成LOG图像。
高斯差分金字塔
对LOG图像后,对相邻图像之间进行相减,形成高斯差分DOG金字塔。
DOG极值点
每个像素点与其周围的像素点比较,当其大于或者小于所有相邻点时,即为极值点。
精确极值点
由于找到的HOG极值点是离散的点,需要通过拟合方式,形成连续的点,然后通过求导方式(泰勒公式:三维二次函数),获得精准极值点。
消除边缘影响
由于定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率,而在垂直方向有较小的主曲率。所以需要剔除掉对应的边缘干扰极值点。
主要通过2*2的Hessian矩阵H如下:
H=[ ■(D_xx&D_xy@D_xy&D_yy )]
其中:
Tr(H) = D_xx+ D_yy
Det(H) =D_xx D_yy- 〖D_xy〗^2
只要满足以下条件:
〖Tr(H)〗^2/(Det(H))< 〖(r+1)〗^2/r 其中r是一个阈值;
关键点被保留,反之被剔除。