AKAZE算法分析

1 算法简介

局部特征相关算法在过去二十年期间风靡一时，其中代表的有SIFT、SURF算法等(广泛应用于目标检测、识别、匹配定位中)，这两种算法是用金字塔策略构建高斯尺度空间(SURF算法采用框滤波来近似高斯函数)。不论SIFT还是SURF算法在构造尺度空间时候存在一个重要的缺点：高斯模糊不保留对象边界信息并且在所有尺度上平滑到相同程度的细节与噪声，影响定位的准确性和独特性。
　　针对高斯核函数构建尺度空间的缺陷，有学者提出了非线性滤波构建尺度空间：双边滤波、非线性扩散滤波方式。非线性滤波策略构建尺度空间主要能够局部自适应进行滤除小细节同时保留目标的边界使其尺度空间保留更多的特征信息。例如：BFSIFT采取双边滤波与双向匹配方式改善SIFT算法在SAR图像上匹配性能低下的问题(主要由于SAR图像斑点噪声严重)，但是付出更高的计算复杂度。AKAZE作者之前提出的KAZE算法采取非线性扩散滤波相比于SIFT与SURF算法提高了可重复性和独特性。但是KAZE算法缺点在于计算密集，通过AOS数值逼近的策略来求解非线性扩散方程，虽然AOS求解稳定并且可并行化，但是需要求解大型线性方程组，在移动端实时性要求难以满足。

2 非线性扩散滤波

作者目的在于如何将局部特征算法应用到移动设备(由于移动设备资源有限同时实时性要求较高)，主要正对KAZE算法改进一下两点：1 利用非线性扩散滤波的优势获取低计算要求的特征，因此作者引入快速显示扩散数学框架FED来快速求解偏微分方程。采用FED来建立尺度空间