计算机视觉-特征提取-ppt课件.ppt

1、第四章第四章 特征的提取与匹配特征的提取与匹配特征的提取和匹配特征的提取和匹配 对于左图像中的每一个特征对于左图像中的每一个特征左图像左图像角点角点线线结构结构特征的提取和匹配特征的提取和匹配 在右图像中寻找相似度最大的特征在右图像中寻找相似度最大的特征右图像右图像角点角点线线结构结构基于特征的计算机视觉处理的一般流程基于特征的计算机视觉处理的一般流程 特征提取特征提取确定显著性图像特征（点、线、面）的位置确定显著性图像特征（点、线、面）的位置 特征描述特征描述对特征进行紧凑、唯一、可理解的描述对特征进行紧凑、唯一、可理解的描述 特征匹配特征匹配在其它图像中寻找相似度最大的特征在其它图像中寻找

2、相似度最大的特征 特征跟踪（可选，一般用于视频处理）特征跟踪（可选，一般用于视频处理）仅在原有特征的很小的邻域范围内寻找特征仅在原有特征的很小的邻域范围内寻找特征主要内容主要内容 点特征的处理点特征的处理 面特征的处理面特征的处理 边缘特征的处理边缘特征的处理 线特征的处理线特征的处理点特征提取算法点特征提取算法点特征主要指明显点，提取点特征的算子称为兴趣算子或有利算子 点特征的灰度特征点特征的灰度特征Moravec算子算子 Moravec于1977年提出利用灰度方差提取点特征的算子 rcw（1）计算各像素的兴趣值 IV,min4321,VVVVIVrcK=int(w/2) （2 2）给定一经

3、验阈值，将兴趣值大给定一经验阈值，将兴趣值大于阈值的点作为候选点。于阈值的点作为候选点。 （3 3）选取候选点中的极值点作为）选取候选点中的极值点作为 特征点特征点。 综上所述，综上所述，Moravec算子是在四个算子是在四个主要方向上，选择具有最大主要方向上，选择具有最大最最小灰度方差的点作为特征点。小灰度方差的点作为特征点。Forstner算子算子 计算各像素的计算各像素的RobertsRoberts梯度梯度和像素（和像素（c c，r r）为中心）为中心的一个窗口的的一个窗口的灰度自方差矩阵灰度自方差矩阵，在图像中寻找具有，在图像中寻找具有尽可能小而接近圆的误差椭圆的点作为特征点。尽可能小

4、而接近圆的误差椭圆的点作为特征点。 -111-1Roberts梯度梯度crl（l l）计算各像素的）计算各像素的RobertsRoberts梯度梯度 Forstner算子步骤算子步骤（2 2）计算）计算l l（如（如5 5 5 5或更大）窗口中或更大）窗口中灰度的自方差矩阵灰度的自方差矩阵 )()()(,11,111,12,1111,22,111,12jijijikckcikrkrjjivujikckcikrkrjjivjikckcikrkrjjiugggggggggggg哪个图像块更容易被定位？哪个图像块更容易被定位？Aperture problems for different image

5、 patches:判断两幅图像的相似度判断两幅图像的相似度由于无法得到另一幅图像，只能在当前图像内寻找由于无法得到另一幅图像，只能在当前图像内寻找根据泰勒级数展开，根据泰勒级数展开，可得，可得，图像自相关函数分析图像自相关函数分析矩阵矩阵A A与信号处理中的自相关函数密切相关与信号处理中的自相关函数密切相关. .设设，为矩阵为矩阵A A的特征值，则的特征值，则，与局部自相关函数的与局部自相关函数的主曲率成比例主曲率成比例. .当两个曲率都低时，局部自相关函数是平坦的，那么窗口当两个曲率都低时，局部自相关函数是平坦的，那么窗口图像区域的灰度值近似为常量；当只有一个曲率高而另一个图像区域的灰度值近

6、似为常量；当只有一个曲率高而另一个曲率低时，局部自相关函数呈脊形，那么曲率低时，局部自相关函数呈脊形，那么E E只有当沿山脊移动只有当沿山脊移动时变化小，这就表示是边缘；当两个曲率都高时，局部自相时变化小，这就表示是边缘；当两个曲率都高时，局部自相关函数是尖峰，那么关函数是尖峰，那么E E在任意方向上移动都会增加，这就表示在任意方向上移动都会增加，这就表示是角点是角点. .因此我们可以由因此我们可以由，的值判断是否是角点。为了不对的值判断是否是角点。为了不对M M进进行分解求特征值，可以采用行分解求特征值，可以采用Tr(A)Tr(A)和和Det(A)Det(A)来代替来代替， 2( )( )T

7、r AABDet AABC2xAI2yBIxyCI I（3 3）计算兴趣值）计算兴趣值q q与与w w NNQtrDettr12)(4trNDetNq DetNDetN代表矩阵代表矩阵N N之行列式之行列式trNtrN代表矩阵代表矩阵N N之迹之迹 (4）确定待选点 当 同时 ，该像素为待选点 qTq wTw（5）选取极值点 即在一个适当窗口中选择最大的待选点 Harris算子算子 角点是景物轮廓线上曲率的局部极大点，对掌握景物角点是景物轮廓线上曲率的局部极大点，对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也就大致掌握了景物的形状。

8、直观的讲，角点就征点也就大致掌握了景物的形状。直观的讲，角点就是图像上所显示的物体边缘拐角所在的位置点。是图像上所显示的物体边缘拐角所在的位置点。 HarrisHarris角点检测法是一种基于图像灰度的检测方法，角点检测法是一种基于图像灰度的检测方法，这类方法主要通过计算点的曲率及梯度来检测角点。这类方法主要通过计算点的曲率及梯度来检测角点。该方法是由该方法是由HarrisHarris和和StephenStephen于于19881988年提出来的，也年提出来的，也叫叫PlesseyPlessey角点检测法。其基本思想与角点检测法。其基本思想与MoravecMoravec角点算角点算子相似，但对

9、其作了许多改进。子相似，但对其作了许多改进。MoravecMoravec角点算子角点算子计算各像素沿同方向的平均灰度变化，选取最小值作为对应计算各像素沿同方向的平均灰度变化，选取最小值作为对应像素点的角点响应函数。定义在一定范围内具有最大角点响像素点的角点响应函数。定义在一定范围内具有最大角点响应的像素点为角点。应的像素点为角点。MoravecMoravec角点算子简单快速，但是它存在一些缺点角点算子简单快速，但是它存在一些缺点: :各向异性各向异性, ,只考虑四个方向只考虑四个方向对强边界敏感对强边界敏感, ,只考虑了兴趣值的最小值只考虑了兴趣值的最小值 HarrisHarris角点算子角点

10、算子这里一阶微分可以由下面的式子近似这里一阶微分可以由下面的式子近似 因此因此,E,E可以表现成可以表现成: :HarrisHarris角点算子角点算子为消除噪声为消除噪声, ,进行高斯平滑进行高斯平滑: :( )xxyxyygg gMG sg gg在平移方向在平移方向(x(x，y)y)上的上的E E可以表示如下可以表示如下: : M为为 2 22 2的矩阵的矩阵: :HarrisHarris角点算子角点算子兴趣值的计算公式为兴趣值的计算公式为: :HarrisHarris算法认为，特征点是局部范围内的极大兴趣值对应的像算法认为，特征点是局部范围内的极大兴趣值对应的像素。因此，在计算完各点的兴

11、趣值后，要提取出原始图像中的素。因此，在计算完各点的兴趣值后，要提取出原始图像中的所有局部兴趣值最大的点。所有局部兴趣值最大的点。实际操作中，可以依次取出每个像素的实际操作中，可以依次取出每个像素的8 8邻域中的邻域中的8 8个像素，从个像素，从中心像素和这中心像素和这8 8个像素中提出最大值，如果中心点像素的兴趣值个像素中提出最大值，如果中心点像素的兴趣值就是最大值，则该点就是特征点。就是最大值，则该点就是特征点。在提取特征点时，凡满足大于某一阈值的像素点均可被认为是在提取特征点时，凡满足大于某一阈值的像素点均可被认为是特征点。特征点。阈值选取的方法：通过确定图像中所能提取的最大可能的特征阈

12、值选取的方法：通过确定图像中所能提取的最大可能的特征点数目点数目N N来选择值最大的若干像素点作为特征点。局部极值点的来选择值最大的若干像素点作为特征点。局部极值点的数目往往很多，根据数目往往很多，根据I I值进行排序，取其前值进行排序，取其前N N个为特征点。个为特征点。 2()(),0.04IDet MkTraceMkSUSAN算子算子 SUSANSUSAN算法由算法由Smith S MSmith S M在在19971997年提出年提出, ,是一是一种基于结构元的点特征提取算子种基于结构元的点特征提取算子. . SUSANSUSAN是是“Smallest Univalue Segment

13、Smallest Univalue Segment Assimilating NucleusAssimilating Nucleus”的缩写的缩写, ,即同化核即同化核分割最小值。分割最小值。 假设有一个圆形的区域假设有一个圆形的区域, ,称其为掩模。它的称其为掩模。它的中心有一个核中心有一个核, ,假设这个核的灰度值与黑色假设这个核的灰度值与黑色区域的灰度值相近。区域的灰度值相近。SUSAN算子算子SUSAN算子算子 在整个区域内移动这个掩模在整个区域内移动这个掩模, ,它与黑色区域将有不同的接它与黑色区域将有不同的接触情况。不失一般性触情况。不失一般性, ,在图中表示了其中的四种情况：在在

14、图中表示了其中的四种情况：在掩模所处的区域内掩模所处的区域内, ,这些点与掩模核的灰度值如果相近的这些点与掩模核的灰度值如果相近的话话, ,就称这些点构成的区域是就称这些点构成的区域是USAN(Univalue Segment USAN(Univalue Segment Assimilating Nucleus),Assimilating Nucleus),即同化核分割相同值区域。根即同化核分割相同值区域。根据这一定义可知上图各种情况下，由设定的掩模所确定据这一定义可知上图各种情况下，由设定的掩模所确定的的USANUSAN如下图所示如下图所示: :SUSAN算子算子 图图2 2是图是图1 1中

15、相应掩模位置的中相应掩模位置的USANUSAN标识图标识图, ,图中黑图中黑色区域即为色区域即为USAN,USAN,可以看到可以看到USANUSAN包含了图像结构包含了图像结构的重要信息。掩模核及掩模完全包含在图像（黑的重要信息。掩模核及掩模完全包含在图像（黑色区域）中时，色区域）中时，USANUSAN的值最大；掩模核处在图像的值最大；掩模核处在图像的一条直线边缘附近时，的一条直线边缘附近时，USANUSAN值接近其最大值的值接近其最大值的一半；掩模核若在图像的一个角点处，则一半；掩模核若在图像的一个角点处，则USANUSAN值值接近最大值的四分之一。在一幅图像中搜索图像接近最大值的四分之一。

16、在一幅图像中搜索图像角点或边缘点，就是搜索角点或边缘点，就是搜索USANUSAN最小（小于一定值）最小（小于一定值）的点，即搜索最小化同化核分割相同值。这样可的点，即搜索最小化同化核分割相同值。这样可得到特征点检测的得到特征点检测的SUSANSUSAN算法。算法。SUSAN算子算子 构造一个（圆形）掩模，遍历图像的每一个点。判断掩构造一个（圆形）掩模，遍历图像的每一个点。判断掩模所掩盖的区域内的点与掩模的相似程度，采用以下相模所掩盖的区域内的点与掩模的相似程度，采用以下相似比较函数似比较函数: : 600( , )(,)( , )expI x yI xyC x ytn 掩模区域的掩模区域的US

17、ANUSAN值为值为: :0000( , ) (,)( ,)( , )x yx yn x yC x ynn为为USANUSAN中像素个数，它给出了中像素个数，它给出了USANUSAN值。值。SUSAN算子算子 将与某固定阈值相比较，得到将与某固定阈值相比较，得到SUSANSUSAN算法对图像角点的响算法对图像角点的响应函数如下式所示：应函数如下式所示： 00000000(,)(,)(,)0(,)gn xyn xygR xyn xyg2/maxng maxn为为n的最大值的最大值 dn为提高抗噪声干扰能力，在利用为提高抗噪声干扰能力，在利用USANUSAN值进行阈值比较时，不仅值进行阈值比较时，

18、不仅设定一个上限设定一个上限g，有时还设定一个下限有时还设定一个下限d.下限的设定是为了排除下限的设定是为了排除孤立噪声点的干扰，通常情况下取孤立噪声点的干扰，通常情况下取2 21010个像素。同时，利用个像素。同时，利用USANUSAN重心与核心点连线上的像素点的边缘初始值要相近的条件重心与核心点连线上的像素点的边缘初始值要相近的条件来消除错误的角点。来消除错误的角点。 几种算子性能的比较几种算子性能的比较 图像质量较好时图像质量较好时ForstnerForstner算子在纹理丰富地区特征点也丰富，算子在纹理丰富地区特征点也丰富，在纹理匮乏地区几乎没有；在纹理匮乏地区几乎没有；SusanSu

19、san算子适合提取大量密集的特征点，速度算子适合提取大量密集的特征点，速度很快；很快；HarrisHarris算子提取的特征点分布较为均匀，且速算子提取的特征点分布较为均匀，且速度精度适中；度精度适中；几种算子性能的比较几种算子性能的比较 图像中噪声较多时图像中噪声较多时利用利用HarrisHarris算子不需设置阈值，整个过程的自动化程算子不需设置阈值，整个过程的自动化程度高，可以根据匹配结果，定量调整提取的特征点数。度高，可以根据匹配结果，定量调整提取的特征点数。同时它抗干扰强、精度高。同时它抗干扰强、精度高。SUSANSUSAN算子提取特征点分布合理，较适合提取图像边缘算子提取特征点分布

20、合理，较适合提取图像边缘上的拐点，由于它不需对图像求导数，所以也有较强上的拐点，由于它不需对图像求导数，所以也有较强的抗噪声能力，利用的抗噪声能力，利用SUSANSUSAN算法提取图像拐点，阈值的算法提取图像拐点，阈值的选取是关键。它没有自适应算法，也不象选取是关键。它没有自适应算法，也不象HarrisHarris算法算法可根据需要提出一定数目的特征点。但该算法编程容可根据需要提出一定数目的特征点。但该算法编程容易，易于硬件实现。易，易于硬件实现。 SIFT算法算法 SIFT算法由加拿大算法由加拿大University of British Columbia的的D.G.Lowe 1999年提出

21、，年提出，2004年完善总结。年完善总结。 Object Recognition from Local Scale-Invariant Features(ICCV,1999) Distinctive Image Features from Scale-Invariant Keypoints(IJCV,2004)SIFT SIFT 主要思想主要思想 SIFTSIFT算法是一种提取局部特征的算法，在算法是一种提取局部特征的算法，在尺度空间寻找极值点尺度空间寻找极值点, ,并确定关键点并确定关键点(Key (Key points)points)的位置和关键点所处的尺度的位置和关键点所处的尺度; ;

22、然后使用关键点邻域梯度的主方向作为该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点的方向特征，以实现算子对尺度和方向的无关性。的无关性。 SIFTSIFT算法的主要特点算法的主要特点 a) SIFT a) SIFT特征是图像的局部特征，其对旋转、尺度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。换、噪声也保持一定程度的稳定性。 b) b) 独特性独特性(Distinctiveness)(Distinctiveness)好，信息量丰富，适好，信息量丰富，适用于

23、在海量特征数据库中进行快速、准确的匹配。用于在海量特征数据库中进行快速、准确的匹配。 c) c) 多量性，即使少数的几个物体也可以产生大量多量性，即使少数的几个物体也可以产生大量SIFTSIFT特征向量。特征向量。 d) d) 高速性，经优化的高速性，经优化的SIFTSIFT匹配算法甚至可以达到实匹配算法甚至可以达到实时的要求。时的要求。 e) e) 可扩展性，可以很方便的与其他形式的特征向量可扩展性，可以很方便的与其他形式的特征向量进行联合。进行联合。SIFTSIFT算法步骤算法步骤 1.1.检测尺度空间极值点检测尺度空间极值点2.2.精确定位极值点精确定位极值点3.3.为每个关键点指定方向

24、参数为每个关键点指定方向参数4.4.关键点描述子的生成关键点描述子的生成5.5.特征匹配特征匹配1.1.检测尺度空间极值点检测尺度空间极值点 在对有噪声的图像求取边缘点时，可以先用平滑在对有噪声的图像求取边缘点时，可以先用平滑滤波器对图像平滑，然后再对平滑后的图像求两滤波器对图像平滑，然后再对平滑后的图像求两阶微分，并检测局部极值点阶微分，并检测局部极值点. . 高斯卷积核是实现尺度变换的唯一线性核，所以高斯卷积核是实现尺度变换的唯一线性核，所以SIFTSIFT算法中使用了高斯滤波器对图像进行平滑处算法中使用了高斯滤波器对图像进行平滑处理理. . （x x，y y）是空间坐标，）是空间坐标，

25、是尺度参数。是尺度参数。2)(22/21),(22yxeyxG尺度空间的生成尺度空间的生成 尺度空间理论是通过对原始图像进行尺度变换尺度空间理论是通过对原始图像进行尺度变换, , 获得图获得图像多尺度下的尺度空间表示序列像多尺度下的尺度空间表示序列, , 对这些序列进行尺度对这些序列进行尺度空间主轮廓的提取空间主轮廓的提取, , 并以该主轮廓作为一种特征向量并以该主轮廓作为一种特征向量, , 实现边缘、角点检测和不同分辨率上的特征提取等。实现边缘、角点检测和不同分辨率上的特征提取等。 一副二维图像的尺度空间定义为：一副二维图像的尺度空间定义为： 对原始图像做多次的高斯平滑处理对原始图像做多次的

26、高斯平滑处理, ,也就得到了一个多尺也就得到了一个多尺度图像金字塔度图像金字塔 图像金字塔能够很好的显示图像多尺度空间的特征，图像金字塔能够很好的显示图像多尺度空间的特征，SIFTSIFT算法中的图像金字塔共有算法中的图像金字塔共有o o组，每组有组，每组有S S层，下一组层，下一组的图像由上一组图像降采样得到的图像由上一组图像降采样得到. . ),(),(),(yxIyxGyxL多尺度图像金字塔多尺度图像金字塔DOGDOG图像金字塔图像金字塔 对平滑后的图像求两阶微分，并检测局部对平滑后的图像求两阶微分，并检测局部极值点极值点. . 对于高斯函数而言，其两阶微分可以用两对于高斯函数而言，其两

27、阶微分可以用两个不同尺度高斯函数的差近似表示个不同尺度高斯函数的差近似表示. . 根据这一原理可以得到根据这一原理可以得到DOGDOG图像金字塔图像金字塔DOGDOG图像金字塔图像金字塔检测极值点检测极值点构建构建DOGDOG尺度空间需确定的参数尺度空间需确定的参数尺度空间坐标尺度空间坐标; ; Ooctaveoctave坐标坐标; ; S sub-level sub-level 坐标坐标和和O、S的关系的关系 为基准层尺度为基准层尺度空间坐标空间坐标x是组是组octave的函数，设是的函数，设是o组的空间坐标，组的空间坐标，则则如果如果 是基础组是基础组o=0的分辨率，则其他组的分辨的分辨率

28、，则其他组的分辨率由下式获得：率由下式获得：Lowe使用的参数使用的参数Ssoso/02),(,1,.,0minOoo 1,.,0Ss0 1,.,01,.,0,20000MNxoxxo00,MN0000,22ooNMNM1/0min0.5,1.6 2,1,3SnoS 2.2.极值点定位极值点定位 在某个像素点被确定为尺度空间的极值点在某个像素点被确定为尺度空间的极值点以后，下一步的任务就是确定它的位置、以后，下一步的任务就是确定它的位置、尺度及主曲率，同时去除低对比度的关键尺度及主曲率，同时去除低对比度的关键点和不稳定的边缘响应点点和不稳定的边缘响应点( (因为因为DoGDoG算子会算子会产生

29、较强的边缘响应产生较强的边缘响应) )，增强匹配稳定性、，增强匹配稳定性、提高抗噪声能力提高抗噪声能力 极值点位置的确定极值点位置的确定 Lowe99Lowe99年的文章中极值点被简单定位在中年的文章中极值点被简单定位在中间采样点上。间采样点上。 在在20042004的论文中对此进行了改进。通过拟的论文中对此进行了改进。通过拟和三维二次函数以精确确定关键点的位置和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）。和尺度（达到亚像素精度）。 这个改进减少了提取特征的数量这个改进减少了提取特征的数量, ,增强了匹增强了匹配的鲁棒性配的鲁棒性边缘响应的去除边缘响应的去除 其主要思想是一个定

30、义不好的高斯差分算子其主要思想是一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。而在垂直边缘的方向有较小的主曲率。 主曲率通过一个主曲率通过一个2x2 2x2 的的HessianHessian矩阵矩阵H H求出，求出，矩阵中的导数可以由采样点相邻差估计得到。矩阵中的导数可以由采样点相邻差估计得到。 D的主曲率和的主曲率和H的特征值成正比，令的特征值成正比，令为最大特征值，为最大特征值， 为最小的为最小的特征值，则特征值，则令令，则：，则： (r + 1)2/r的值在两个特征值相等的时候最小，随着的值在两个特

31、征值相等的时候最小，随着r的增大而的增大而增大，增大， 因此，为了检测主曲率是否在某阈值因此，为了检测主曲率是否在某阈值r下，只需检测下，只需检测在在Lowe的文章中，取的文章中，取r0.46。3.3.关键点朝向关键点朝向 主要思想主要思想 利用关键点邻域像素的梯度方向分布特性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，使算子具备为每个关键点指定方向参数，使算子具备旋转不变性。旋转不变性。 (x,y)(x,y)处的梯度值和梯度方向公式处的梯度值和梯度方向公式 其中其中L L所用的尺度为每个关键点各自所在所用的尺度为每个关键点各自所在的尺度的尺度确定关键点朝向确定关键点朝向 在

32、实际计算时，我们在以关键点为中心的邻域窗口内采在实际计算时，我们在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。直方图的峰样，并用直方图统计邻域像素的梯度方向。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。键点的方向。 在梯度方向直方图中，当存在另一个相当于主峰值在梯度方向直方图中，当存在另一个相当于主峰值80%80%能能量的峰值时，则将这个方向认为是该关键点的辅方向。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，一个关键点可能会被指定具有多个方向（一个

33、主方向，一个以上辅方向），这可以增强匹配的鲁棒性。一个以上辅方向），这可以增强匹配的鲁棒性。 4.4.关键点描述子的生成关键点描述子的生成 至此，图像的关键点已检测完毕，每个关键点至此，图像的关键点已检测完毕，每个关键点有三个信息：位置、所处尺度、方向。有三个信息：位置、所处尺度、方向。 由此可以确定一个由此可以确定一个SIFTSIFT特征区域特征区域, ,用箭头表示用箭头表示 关键点描述子的生成关键点描述子的生成 接下来以关键点为中心取接下来以关键点为中心取8 88 8的窗口。图左部分的中央黑的窗口。图左部分的中央黑点为当前关键点的位置，每个小格代表关键点邻域所在尺点为当前关键点的位置，每个

34、小格代表关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中蓝色的圈代表高斯加权的范围头长度代表梯度模值，图中蓝色的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在（越靠近关键点的像素梯度方向信息贡献越大）。然后在每每4 44 4的小块上计算的小块上计算8 8个方向的梯度方向直方图，绘制每个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，个梯度方向的累加值，即可形成一个种子点， 关键点描述子的生成关键点描述子的生成 首先将坐标轴旋转为关键点的方向，以确保旋转不变性。

35、首先将坐标轴旋转为关键点的方向，以确保旋转不变性。 此图中一个关键点由此图中一个关键点由2 22 2共共4 4个种子点组成，每个种子点有个种子点组成，每个种子点有8 8个方向向量信息。这种邻域方向性信息联合的思想增强了算个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。了较好的容错性。 实际计算过程中，为了增强匹配的稳健性，实际计算过程中，为了增强匹配的稳健性，LoweLowe建议对每个建议对每个关键点使用关键点使用4 44 4共共1616个种子点来描述，这样对于一个关键点

36、个种子点来描述，这样对于一个关键点就可以产生就可以产生128128个数据，即最终形成个数据，即最终形成128128维的维的SIFTSIFT特征向量。特征向量。 此时此时SIFTSIFT特征向量已经去除了尺度变化、旋转等几何变形因特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。去除光照变化的影响。 5.5.特征匹配特征匹配 当两幅图像的当两幅图像的SIFTSIFT特征向量生成后，下一特征向量生成后，下一步我们采用关键点特征向量的欧式距离来步我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。作为两幅图像中关键点的相似性判定度量。取图像取图像1 1中的某个关键点，并找出其与图像中的某个关键点，并找出其与图像2 2中欧式距离最近的前两个关键点，在这两中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，配点。降低这个比例阈值，SIFTSIFT匹配点数匹配点数目会减少，但更加稳定。目会减少，但更加稳定。SIFT的应用SIFT的应用