CV8-matching2

特征描述

将特征局部图像转化成描述特征的向量

要求

不变性；区分性；

基于模板的匹配方法

衡量算法

SSD（Sum of Square Difference）

SAD（Sum of Absolute Difference）

NCC (Normalized Cross Correlation)

利用子图与模板图的灰度，通过归一化的相关性度量公式来计算二者之间的匹配程度。

没有归一化数值过大；

Census Transform特征描述

以一个像素为中心，对周围像素点进行编码，然后对两个匹配像素点进行异或操作，统计结果中的1个数作为汉明距离：

汉明值是两点间相似度的一种体现，汉明值愈小，两点相似度愈大实现算法时先异或再统计1的个数即可，汉明距越小即相似度越高;

cencus方法保留了窗口中像素的位置特征,并且对亮度偏差较为鲁棒,简单讲就是能够减少光照差异引起的误匹配。
Census变换对整体的明暗变化并不敏感，因为是比较的相对灰度关系，所以即使左右影像亮度不一致，也能得到较好的匹配效果。

BRIEF 特征点描述算法

BRIEF算法的具体步骤
  （1）建立特征点的一个正方形邻域。
  （2）对该邻域用σ=2的高斯核卷积，以消除一些噪声。这是因为该描述子随机性强，对噪声较为敏感。
  （3）以一定的随机化算法生成点对< x,y>，若点x的亮度小于点y的亮度，则返回值1，否则返回0。
  （4）重复第三步若干次（如256次），得到一个256位的二进制编码，即该特征点的描述子。

随机点对选择：

（1）在图像块内平均采样；
（2）p和q都符合(0 , 1/25 S2)(0 , 1/25 S2)的高斯分布；
（3）p符合(0,1/25 S2)(0,1/25 S2)的高斯分布，而q符合(0,1/100 S2)(0,1/100 S2)的高斯分布；
（4）在空间量化极坐标下的离散位置随机采样；
（5）把p固定为(0,0)，q在周围平均采样。

问题

1.对光照颜色变化（加性、线性、仿射、噪音）的稳定性

2.对微小对齐误差的稳定性

对齐误差

讲一个图像块作为特征描述缺点：

小的偏移就大大影响匹配分数；

解决方式：使用直方图描述一个图像块；

SIFT中的特征描述

sift特征检测

1.尺度空间极值检测

构建高斯金字塔，构建高斯差分金字塔，利用邻域找出不同的极值点

2.关键点定位

极值点不一定对应关键点，通过对极值点拟合得到真正的关键点

3.方向赋值

每个关键点，按照圆圈3$\sigma$出一个区域，统计区域内的方向投票，按照方向得票数最大的作为主方向

4.关键点描述

将关键点周围的领域区域划分成几个子区域，每个区域按照方向给一个方向多少和大小的描述，得到梯度方向直方图。

特征描述：

1.将图像块分成4x4的16个子区域；

2.计算梯度方向直方图（每个像素有一个梯度方向和大小，利用高斯函数加权综合得到描述）

4.结果表示为4x4x8=128维的特征描述向量。

更多基于直方图的特征描述方法

HOG：用于人体描述

PCA-sift：对于每个像素用两个方向描述，窗口大小取41x41不计算最外层，得到39x39x2的特征描述，最后用PCA降维

SURF特征描述

使用harr小波（只有四个方向）来特征描述；

harr小波filter：

黑色区域减去白色区域；

surf中特征描述使用harr小波检测的单个的梯度方向。

自主尺度选择

通过LOG响应得到尺度，再将特征重新放缩到对应尺度

旋转不变性

实现：通过主方向确定，然后将图像块根据角度旋转，然后进行特征比较，这样保证旋转不变性。

三种方式：

sift求解梯度：

使用Canny边缘算子在感兴趣点的周围16X16像素点区域计算；

对得到的方向在0-360度范围内分成八个区间，然后将16X16大小的区域分成不重合的4X4个单元，每个单元内计算梯度方向直方图（八个区间）。一共得到16个单元的直方图，将这些直方图接连起来得到长度为128X1的向量，然后将该向量归一化。

特征匹配

三种方式，通过向量搜索方式

元内计算梯度方向直方图（八个区间）。一共得到16个单元的直方图，将这些直方图接连起来得到长度为128X1的向量，然后将该向量归一化。

特征匹配

三种方式，通过向量搜索方式