宽基线条件下的特征匹配

 宽基线条件下点特征匹配的首要任务就是提取稳定的特征，并进行描述。这里稳定一词的含义指的是希望该特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化等图像变化因素保持一定的不变性，而对物体运动、遮挡、噪声等因素也保持较好的可匹配性，从而可以实现差异较大的两幅图像之间特征的匹配。

     对图像变化保持稳定的特征描述符称为不变量，比如对图像的旋转保持稳定的不变量称为旋转不变量(Rotation Invariant)，对尺度缩放保持稳定的不变量则称为尺度不变量(Scale Invariant)．

    特征描述符(FeatrueDescriptors)指的是检测图像的局部特征(比如边缘、角点、轮廓等)，然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题．进而将特征的匹配问题转化为特征空间特征向量的聚类问题．

宽基线条件下的点特征匹配一般包括下面四个步骤：
1．) 特征点检测。这些特征点一般是灰度变化的局部极值点，含有显著的结构性信息，甚至这些点也可以没有实际的直观视觉意义，但却在某种角度、某个尺度上含有丰富的易于匹配的信息。
2．) 特征点描述，即建立特征向量。这是各匹配算法主要的不同所在。特征空间的选择决定了图像的哪些特性参与匹配，哪些特性将被忽略。特征点的特征描述符应是不变量，以确保最低限度的受摄像机的运动或光照变化等因素的影响。选择合理的特征空间可以降低各类图像变化因素对匹配算法速度、稳健性的影响。
3．) 进行特征匹配以获得候选匹配点。这一步根据特征向量的相似性来进行匹配，一般采用各种距离函数作为特征的相似性度量，如欧氏距离、街区距离、马氏距离等。
4．) 消除错配。无论采用何种特征描述符和相似性判定度量，错配难以避免．这一步主要做的就是根据几何或光度的约束信息去除候选匹配点中的错配。常用的去外点方法是RANSAC随机抽样一致性算法，常用的几何约束是极线约束关系(Epipolar Line)．

 

postscript：

我认为：（理解了这四个步骤，就可以理解很多基于特征的匹配算法，例如SIFT、SURF等等！！）