课程小结——SURF特征提取

       Surf（Speeded Up Robust Features）改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述。

背景 

       计算机视觉中，引入尺度不变的特征，主要思想是每个检测到的特征点都伴随着对应的尺度因子。然而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也会不同，如果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，提出了尺度不变的SURF特征检测，在计算特征点的时候把尺度因素加入其中。SURF与SIFT类似，SIFT算法比较稳定，检测特征点更多，但复杂性更高，而SURF要运算简单，效率高，运算时间也较短。

优缺点  

       Sift算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。

算法流程

1. 构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取；
2. 构建尺度空间
3. 特征点定位
4. 特征点主方向分配
5. 生成特征点描述子
6. 特征点匹配    

算法描述