SIFT特征匹配技答辩课件.ppt

胡汝坤

SIFT特征匹配技术
第1页，共23页。
SIFT优点
SIFT简介
SIFT实现
第2页，共23页。
SIFT简介
2004年总结了现有的基于不变量技术的特征检测方法的基础上提出。胡汝坤

SIFT特征匹配技术
第1页，共23页。
SIFT优点
SIFT简介
SIFT实现
第2页，共23页。
SIFT简介
2004年总结了现有的基于不变量技术的特征检测方法的基础上提出。
SIFT算子：一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。
其全称是Scale Invariant Feature Transform，即尺度不变特征变换。
第3页，共23页。
SIFT的优点
SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性
独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
第4页，共23页。
SIFT的优点
多量性，即使少数的几个物体也可以产生大量SIFT特征向量
高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。
可扩展性，可以很方便的与其他形式的特征向量进行联合。
第5页，共23页。
图像多尺度表示
高斯卷积核是实现尺度变换的唯一变换核，也是唯一的线性核：
一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：
第6页，共23页。
图像多尺度表示
称为尺度空间因子，其值越小则表征该图像被平滑的越少相应的尺度也就越小。
大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。
第7页，共23页。
SIFT算法简介
SIFT算法首先在尺度空间进行特征检测，并确定关键点(Keypoints)的位置和关键点所处的尺度。
然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。
第8页，共23页。
SIFT中的特征点
在图像二维平面空间和DOG(Difference -Of-Gaussian)尺度空间中同时检测局部极值以作为特征点。
DOG算子：
第9页，共23页。
DOG空间的创建
对各阶(后一阶是前一阶图像大小的1/4)图像迭代进行高斯平滑：
第10页，共23页。
SIFT中的特征点
在DOG空间通过计算局部最值获得初始特征点：
第11页，共23页。
SIFT中的特征点
对DOG空间中所有可以求得的局部最值合并为候选特征点。
接着，去除低对比度的关键点和不稳定的边缘响应点(因为DOG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。
第12页，共23页。
SIFT中的特征点
对于图像上的点，计算其在每一尺度(由 标示)下DoG算子的响应值，这些值连起来得到特征尺度轨迹曲线。特征尺度曲线的局部。极值点即为该特征的尺度。
第13页，共23页。
精炼特征点
得到候选的特征点后，还需要利用其周围的数据对特征点进行精确的定位。SIFT特征是通过拟和三维二次函数来精确确定特征点的位置和尺度的。
在候选的特征点处用泰勒展开式得到：
(1)
第14页，共23页。
精炼特征点
其中： ;
D是在候选特征点处的值。
令 可得特征点的精确位置和尺度。
(2)
第15页，共23页。
精炼特征点
将(2)式代入(1)式可得：
可以用来衡量特征点的对比度，即如果

则为不稳定的特征点。
第16页，共23页。
计算特征点的方向
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。
以关键点为中心的邻域窗口内用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。
第17页，共23页。
计算特征点的方向
直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向。
下图是采用7个柱时使用梯度直方图为关键点确定主方向的示例。邻域半径：r=10 。
第18页，共23页。
计算特征点的方向
当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该关键点的辅方向。
一个关键点可能会被指定具有多个方向（一个主方向，一个以上辅方向），这可以增强匹配的鲁棒性。
第19页，共23页。
生成SIFT特征向量
至此，图像