1、從尺度不變關鍵點選擇可區分的圖像特征Distinctive Image Features from Scale-Invariant Keypoints( (從尺度不變關鍵點選擇可區分的圖像特征從尺度不變關鍵點選擇可區分的圖像特征) )報告人：馬振磊報告人：馬振磊 學號：學號：2015110189從尺度不變關鍵點選擇可區分的圖像特征目標識別與匹配目標識別與匹配B提取圖像特征提取圖像特征A從尺度不變關鍵點選擇可區分的圖像特征圖像特征圖像特征 特征數量：它對目標識別尤為重要，要具備探測雜亂背景下 的小目標能力，要求每個目標至少有三個特征被正確的匹配才是可靠的識別。定義：圖像特征是指某一副或某一類圖像

2、區別于其他圖 像的本質特點或特性或是這些特點和特性的集合 實用性：它具備將一個目標或場景的不同影像進行匹配。特點：對于圖像尺度和旋轉具有不變性，并在光照變化和三維相機視點變換的情況下具有部分不變性。從尺度不變關鍵點選擇可區分的圖像特征圖像特征提取的方法圖像特征提取的方法 特點：它可以生成大量特征，它們的密集覆蓋了整個圖像尺度和位置。一幅500*500的像素的典型圖片可以產生約2000個穩定的特征。尺度不變的特征轉化法（SIFT）：基于局部特征把圖像數據轉換到尺度不變的坐標上。從尺度不變關鍵點選擇可區分的圖像特征SIFTSIFT算法算法的步驟的步驟 1. 1.尺度空間的生成尺度空間的生成 2.2

3、.尺度空間極值點探測尺度空間極值點探測 3.3.精確定位極值點（關鍵點）精確定位極值點（關鍵點） 4.4.為每一個關鍵點指定方向參數為每一個關鍵點指定方向參數 5.5.關鍵點描述子的生成關鍵點描述子的生成從尺度不變關鍵點選擇可區分的圖像特征v尺度空間理論的目的是模擬圖像數據的多尺度特征，高斯卷積核是實現尺度變換的唯一線性核。于是一幅二維圖像的尺度空間函數定義為：尺度空間的生成尺度空間的生成從尺度不變關鍵點選擇可區分的圖像特征從尺度不變關鍵點選擇可區分的圖像特征構造高斯差分尺度空間構造高斯差分尺度空間表達式：從尺度不變關鍵點選擇可區分的圖像特征尺度空間尺度空間極值極值探測探測v為了探測尺度空間極

4、值點，每個樣本點都要和它當前圖像的八個近鄰點和上下尺度上的各九個近點鄰相比較，確保在二維圖像空間和尺度空間都檢測到極值點。只有在它比所有近鄰大或者小時才會被選擇，認為該點是圖像在尺度下的一個特征點。從尺度不變關鍵點選擇可區分的圖像特征精確定位極值點精確定位極值點v通過擬合三維二次函數以精確確定關鍵點的位置和尺度，同時去除低對比度的關鍵點和不穩定的邊緣響應點（DoG算子會產生較強的邊緣響應），以增強匹配穩定性，提高抗噪聲能力。從尺度不變關鍵點選擇可區分的圖像特征v空間尺度函數： (1)v求導令其為零得： (2)v把（2）代入（1）取前兩項：v若 大于0.03，該特征點保留，否則丟棄。從尺度不變關

5、鍵點選擇可區分的圖像特征排除角反射（去除邊緣響應）v高斯差分函數中一個定義不好的峰值將會對邊緣處產生很大的主曲率，而在垂直方向上產生很小的主曲率。主曲率可以通過一個2*2的Hessian矩陣來計算。 H在關鍵點的位置和尺度上。 通過對近鄰樣本點的差分來估計導數值。從尺度不變關鍵點選擇可區分的圖像特征vH的特征值與D的主曲率成比例。設為最大量級的特征值，而為最小量級的特征值。v 則：v令=r v則：v看主曲率是否低于某個極限：v保留該特征點（r=10）。從尺度不變關鍵點選擇可區分的圖像特征從尺度不變關鍵點選擇可區分的圖像特征定向任務（為關鍵點指定方向參數）定向任務（為關鍵點指定方向參數）對于每個

6、圖像樣本L(x，y)，在這個尺度下，梯度量級m（x,y）和方向（x,y）是用像素差預計算出來的： 該式子表示（x,y）處梯度的模值和方向公式。L所用的尺度為每個關鍵點各自所在的尺度。從尺度不變關鍵點選擇可區分的圖像特征v通過以上的步驟，圖像的關鍵點檢測完畢。每個關鍵點有三個信息：位置，所在尺度，方向。由此可確定一個SIFT特征區域：從尺度不變關鍵點選擇可區分的圖像特征v關鍵點描述子生成關鍵點描述子生成從尺度不變關鍵點選擇可區分的圖像特征旋轉主方向旋轉主方向從尺度不變關鍵點選擇可區分的圖像特征從尺度不變關鍵點選擇可區分的圖像特征v在44的窗口內計算8個方向的梯度方向直方圖。繪制每個梯度方向的累加

7、可形成一個種子點。繪制每個梯度方向的累加可形成一個種子點。從尺度不變關鍵點選擇可區分的圖像特征 每個直方圖有8方向的梯度方向，每一個描述符包含一個位于關鍵點附近的四個直方圖數組.這就導致了SIFT的特征向量有128維.生成描述子生成描述子從尺度不變關鍵點選擇可區分的圖像特征描述子向量元素門限化和規范化描述子向量元素門限化和規范化v 門限化：方向直方圖每個方向上梯度幅值限制在一個門限值一下。（門限一般取0.2，門限值0.2是通過圖像對相同的三維目標保留不同光照的實驗得到的。 ）規范化：從尺度不變關鍵點選擇可區分的圖像特征歸一化處理歸一化處理矢量是被標準化的單位長度，圖像對比度的改變會被矢量歸一化

8、抵消掉。亮度變化不會影響到梯度值，因為梯度值是像素值之差。所以，描述子對于光照仿射變換具有不變性。非線性光照變化可能會造成一些梯度相關量級的巨大變化，但對梯度方向影響較小。因此，我們減少將每個單位特征矢量不大于0.2的這個限定對大的梯度量級的影響，然后對單位長度進行重歸一化。通過歸一化處理，可進一步去除光照變化的影響。從尺度不變關鍵點選擇可區分的圖像特征目標識別原理目標識別原理v通過將個別特征與由已知目標特征組成的數據庫進行快速最近鄰算法的匹配，然后使用霍夫變換來識別屬于單一目標的聚類，最后通過最小二乘解執行一致的姿態參數的核查確認。 v特點：可以在有力確定對象之間的聚類和遮擋的同時實現近時性

9、能。從尺度不變關鍵點選擇可區分的圖像特征目標識別的問題和解決目標識別的問題和解決v模糊的特征和從背景聚類中得到的特征，很多這些最初的匹配是不正確的。v 識別那些與一個目標或其姿態一致的至少有三個特征的聚類，因為他們比那些獨立特征有更高的可能被正確匹配。從尺度不變關鍵點選擇可區分的圖像特征目標識別過程目標識別過程 1. 1.關鍵點匹配關鍵點匹配 2.2.有效的最近鄰函數有效的最近鄰函數 3.3.霍夫變換聚類霍夫變換聚類 4.4.仿射參數的解決方法仿射參數的解決方法從尺度不變關鍵點選擇可區分的圖像特征關鍵點匹配關鍵點匹配v最近領定義：每個關鍵點的不變描述子矢量之間的最短歐氏距離。 v由訓練圖像得到

10、的關鍵點數據庫中識別最近鄰，我們找到了每個關鍵點的最佳候選匹配。 從尺度不變關鍵點選擇可區分的圖像特征v圖像中的很多特征與訓練數據庫可能沒有任何正確的匹配，因為它們是從背景聚類中提出的或沒有在訓練圖像中被探測到。因此，有一種方法來丟棄與數據庫沒有很好地匹配的特征很有用。使用最近距離與次近距離的比值比較有效。 從尺度不變關鍵點選擇可區分的圖像特征從尺度不變關鍵點選擇可區分的圖像特征有效的最近領函數有效的最近領函數vBBF算法使用了一種k-d樹算法的改進算法，使得特征空間中的箱是以它們在隊列位置中最的近距離的順序被檢索。這個搜索順序要求使用一種基于堆優先的隊列來實現搜索順序的高效決策。這是在場景中

11、近似的返回具有最高可能性的最近鄰。 從尺度不變關鍵點選擇可區分的圖像特征霍夫變換的聚類霍夫變換的聚類v霍夫轉換通過每個特征與所有目標中特征一致的姿態進行投票通過的一致性解譯來識別聚類。當發現特征聚類與一個目標投票通過了同一姿態，這種解譯正確的可能性比任何單一特征要高很多。從尺度不變關鍵點選擇可區分的圖像特征仿射參數的解決方法仿射參數的解決方法 v在正射投影下，仿射變換可以正確求解一個平面的三維旋轉，但對于非平面的目標的三維旋轉估值就很差了。更普遍的方法是解基礎矩陣 。原理：初值由相似變換得到，然后計算已經找到足夠匹配數的基礎矩陣。從尺度不變關鍵點選擇可區分的圖像特征v模型點 對于圖像 的仿射變換可以被寫為： 其中， 為模型變換，而mi參數表示仿射旋轉、縮放和拉伸。求解變換參數，上式可以被重寫為將未知量變為列向量