特征点检测之surf算法

四、尺度不变的SURF特征检测

        当我们想匹配不同图像时，经常会遇到图像尺度不同的问题，不同图像中特征点的距离变得不同，物体变成不同的尺寸，如果我们通过修正特征点的大小，就会造成强度不匹配。为了解决这个问题，我们提出一个尺度不变的SURF特征检测，在计算特征点的时候把尺度因素加入之中。SURF与SIFT算法相似，SIFT算法比较稳定，检测特征点更多，但是复杂度较高，而SURF要运算简单，效率高，运算时间短一点。

       4.1 SURF算法简介

       为了实现尺度不变性的特征点检测与匹配，SURF算法与SIFT算法的第一步都是构造图像多尺度空间（图像金字塔）。sift算法使用高斯卷积，高斯函数有两个参数，高斯核的尺寸K与σ值，默认最底层（0层）的σ = 1.6，原图像的σ=0.5（σ越大图像越模糊，所以源图像是最清晰的），尺寸空间即图像金字塔，Ksize决定有个塔，σ决定每个塔有几层（Octave），不同K和σ构造出的尺寸空间。在这种多尺度空间计算特征点就满足了尺度不变的特性。但是sift使用高斯卷积计算复杂，SURF算法则用高斯滤波与Hessian矩阵结合近似实现多尺度空间，计算复杂度降低多了。

同一层中k的值改变，不同层是σ的值改变

       SURF第二步是根据非极大值抑制初步确定特征点，与SIFT相似。

       第三步根据3维线性插值法得到半像素点的特征点，最后选取特征点的主方向，SURF是对特征点进行邻域统计，取半径为6S（单位）的圆区域，统计那个60°的扇形中haar小波特征总和最大，即为最大特征点主方向。

       第四步构造特征点算术描述子，SURF算法是选取一个20S（单位）的区域，分成4X4分，每一份中有5X5S，统计一份中的∑dx，∑dy，∑|dx|，∑|dy|，这样就得到4X4X4 = 64的向量描述子。SIFT是128个描述子，比SURF复杂一点。

       

       4.2 opencv实现

       4.2.1 SURF的函数接口