尺度不变特征变换匹配算法.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《尺度不变特征变换匹配算法.ppt》由用户(晟晟文业)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 尺度 不变 特征 变换 匹配 算法
- 资源描述:
-
1、尺度不变特征变换匹配算法提纲提纲nSIFT算法简述算法简述nSIFT算法具体实施细节算法具体实施细节n目前进展及所遇到的问题目前进展及所遇到的问题SIFT算法简述算法简述n成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。David G.Lowe在2004年总结了现有的基于不变量技术的特征检测方法,并正式提出了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SIFT(尺度不变特征变换),并将其应用与图像拼接与场景三维重建。nSIFT:Scale Invariant Feature Transform 尺度不变特征变换。
2、这种方法就是将一幅图像映射(变换)为一个局部特征向量集,而其中的特征向量具有平移、缩放、旋转不变性,同时对光照变化、仿射及3D投影也有一定不变性。目标的投影变换(视点变化)光照变化nSIFT算法属于特征级的点特征算法类,SIFT用于目标检测处理过程如下:SIFT算法的主要计算步骤 nSIFT算法首先在尺度空间进行特征检测,并确定关键点的位置和关键点处的尺度,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。主要计算步骤如下:n(1)尺度空间极值检测:搜索整个图像尺度空间。通过使用高斯差分函数来确定对尺度和方向具有不变性的关键点。以初步确定关键点位置和所在尺度。n
3、(2)关键点定位:在每一个候选位置,详细地模型拟合以确定位置和尺度。根据稳定性选择关键点。通过拟合三维二次函数以精确确定关键点的位置和尺度,同时消除低对比度的关键点和不稳定的边缘响应点(因为高斯差分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。n(3)方向分配:每一个关键点根据局部图像梯度方向分配一个或多个方向。其后所有操作都根据分配的方向、尺度、位置来进行。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。n(4)关键点描述:在每个关键点周围在选定的尺度下测量局部图像梯度。为了增强匹配的稳健性,对每个关键点使用44共16个种子点来描述,每个种
4、子点具有8个方向向量信息,这样对于一个关键点就可以产生128个数据,最终形成128维的SIFT特征向量。SIFT算法具体实施细节算法具体实施细节n基于尺度不变特征的目标匹配算法既然属于点特征目标识别方法,它也就满足特征识别的一般流程:特征点检测特征点描述特征点匹配目标识别跟踪。n1.特征点检测n2.特征点描述n3.特征点匹配n4.目标识别跟踪n5.实现过程目标的特征点检测特征点检测n主要包括以下几部分内容:1.图像尺度空间的构建.(1)图像高斯尺度空间的构建.(2)DoG(高斯差分)空间的构建.2.尺度空间极值点检测.(1)关键点精确定位 (2)排除边缘响应 3.特征点方向分配.特征点检测特征
5、点检测 n在计算机视觉领域,尺度空间理论用于模 拟图像数据的多尺度特征。Koendetink利 用扩散方程来描述尺度空间滤波过程,并由此证明高斯核是实现尺度变换的唯一变 换核。Lindeberg、Babaud等人通过不同的 推导进一步证明高斯核是唯一的线性核。因此,尺度空间理论的主要思想是利用高 斯核对原始图像进行尺度变换,获得图像 多尺度下的尺度空间表示序列,对这些序 列进行尺度空间特征提取。图像高斯尺度空间构建 n主要思想是利用高斯核对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列。n二维高斯函数定义如下:22221,exp22xyG x yn一幅二维图像,在不同尺度下的尺度空间
6、的表示可由图像与高斯核卷积得到:n式中,L代表尺度空间,(x,y)代表图像的像素 位置,称为尺度空间因子,其值越小则表征 该图像被平滑得越少,相应的尺度也就越小,大 尺度对应于图像的概貌,小尺度对应于图像的 细节。对同一幅图像用不同的尺度表达后,相 当于给图像数据增加了一维新坐标,即除了一 般使用的空间分辨率外,现在又多了一个刻画 当前分辨率层次的新参数。,L x yG x yI x yDOG(Difference of Gaussian)空间。n在图像的高斯尺度空间,尺度规范化的拉普拉斯函数 具有尺度不变性,可以采用函数的极值点来表示该函数。n在SIFT算法中,引入DoG(Differenc
7、e of Gaussian)函数对其进行近似,特征点就是指DoG函数在图像的尺度空间的局部极值点。22GnLoG(Laplacian of Gaussian)函数:nDoG(Difference of Gaussian)函数:22222GGGxy,D x yG x y kG x yI x yL x y kL x ynDoG与LoG的关系:n由上式子可以看出,k的不同取值代表DoG函数的不同近似。k值越接近1,DoG函数越是逼近于 。n二者具有相同的极值,稳定、可以近似。2,G x y kG x yGGk22,1G x y kG x ykG2 2Gn在数学推导上,图像在尺度空间的表示 的自变量x
8、,y,是连续取值的,而数字图像(x,y)是离散取值的。现在讨论如何对离散化,以便于检测近似表征所需DoG函数极值点。为了保证DoG对 一定程度的近似,取下述方法对进行离散:,相邻尺度成等比增长。,L x y2,kk22G下面给出一幅图像产生高斯尺度空间和DoG的详细过程。n假设图像高斯尺度空间共有n个离散尺度,将这n个模糊图像分作o组,每组s层,即n=so,相邻组的对应层尺度成2倍关系。Lowe给出参考值s=3。而初始值,即离散尺度空间的最小尺度(图像金字塔最底层),Lowe通过大量样本试验给出参考值为1.6,组个数o的确定由下式:21,nkkk2logmin,3oM Nn其中M,N为扩展后的
9、原始图像的列和行。图像的高斯金字塔如下图所示:为何要扩展?n在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息,所以David G.Lowe建议在建立尺度空间前首先对原始图像长宽扩展一倍,以保留原始图像信息,增加特征点数量。n在构建完高斯尺度空间后,DoG空间可由高斯尺度空间相邻的图像做差得到。尺度空间极值点检测 n为了寻找DoG函数的极值点,每一个像素点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。如下图中间的被检测点和它同尺度的8个相邻点和上下相邻尺度对应的92个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。极值点的精确定位 n由于DoG值对噪
10、声和边缘较敏感,因此,在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。首先需要对尺度空间DoG函数进行3D二次曲线拟合,通过这种方法可以从上一步检测到的局部极值点计算出亚像素极值的位置。n利用DoG函数在尺度空间Taylor展开式:其中,为上一步中检测到的极值点坐标。2212TTDDD XDXXXXX,TXx yn根据泰勒展开式,可以得到一个偏移 ,这个偏移可以看作局部极值的亚像素的位置,然后将 代入泰勒展开式中,如果计算出来的结果 绝对值小于0.03,就认为这个点的对比度较低。12TDD XDXXDX去处边缘响应n仅仅去除低对比度的极值点对于极值点的稳定性是远
展开阅读全文