前言
本文我們將學(xué)習(xí)到特征點(diǎn)及其描述子。在特征點(diǎn)檢測(cè)中，我們將學(xué)習(xí)角點(diǎn)檢測(cè)和SIFT關(guān)鍵點(diǎn)檢測(cè)器，角點(diǎn)檢測(cè)以哈里斯角點(diǎn)檢測(cè)器為例進(jìn)行說明，SIFT將從高斯拉普拉斯算子和高斯差分算子展開。在描述子部分，我們將分別學(xué)習(xí)SIFT描述子和二進(jìn)制描述子的概念、基本計(jì)算流程以及優(yōu)劣評(píng)價(jià)，并給出實(shí)例進(jìn)行說明。
一、特征點(diǎn)檢測(cè)
首先，讓我們來了解一下特征點(diǎn)的定義及其性質(zhì)。
特征點(diǎn)：圖像中具有獨(dú)特局部性質(zhì)的點(diǎn)。
特征點(diǎn)應(yīng)用：
- 圖像對(duì)其配準(zhǔn)
- 3D重建
- 運(yùn)動(dòng)跟蹤
- 機(jī)器人導(dǎo)航
- 圖像檢索
- ···
?特征點(diǎn)有如下性質(zhì)：
- 局部性：特征是局部的，對(duì)遮擋和混亂場(chǎng)景魯棒
- 數(shù)量：一幅圖像中可以產(chǎn)生足夠數(shù)量的特征點(diǎn)，比如成百上千
- 獨(dú)特性：可以和其他圖像中大多數(shù)點(diǎn)相區(qū)分
- 高效：能夠進(jìn)行實(shí)時(shí)的檢測(cè)和比較
- 可重復(fù)性：對(duì)圖像進(jìn)行旋轉(zhuǎn)平移等操作后，仍能被檢測(cè)到?
1.1? 角點(diǎn)檢測(cè)器
1.1.1? 角點(diǎn)
角點(diǎn)的定義：在一個(gè)以角點(diǎn)為中心的局部窗口內(nèi)沿著，任意方向移動(dòng)都會(huì)給亮度帶來顯著變化
1.1.2? 角點(diǎn)檢測(cè)
某個(gè)以（???, ?? ）?為中心的局部窗口??經(jīng)過（??, ??）的微小偏移后，窗口內(nèi)部亮度發(fā)生的變化量，可以用SSD表示為：
?
【舉例說明】
我們不妨設(shè)：
【水平方向邊緣】
?【豎直方向邊緣】
【重點(diǎn)：需要理解】
?【舉例說明】
用二階矩矩陣的特征值對(duì)圖像中的點(diǎn)進(jìn)行分類：
【舉例說明】
1.1.3??哈里斯角點(diǎn)檢測(cè)器
用Harris角點(diǎn)響應(yīng)函數(shù)對(duì)圖像中的點(diǎn)進(jìn)行分類：
1.1.4? 小結(jié)?
?【流程總結(jié)】
?【特點(diǎn)】
1.2? SIFT關(guān)鍵點(diǎn)檢測(cè)器
基本思想：用一個(gè)突出區(qū)域?yàn)V波器(blob filter)對(duì)圖像在多個(gè)尺度上進(jìn)行卷積并在尺度空間尋找濾波器響應(yīng)的極值
blob定義：圖像等信號(hào)內(nèi)出現(xiàn)”灰度突變”的區(qū)域
1.2.1? 高斯拉普拉斯算子
Laplacian of Gaussian，LOG
定義：將拉普拉斯算子作用到高斯平滑過的圖像上來檢測(cè)Blob
拉普拉斯算子運(yùn)算結(jié)果如圖所示：
?接下來，我們對(duì)高斯拉普拉斯算子進(jìn)行詳細(xì)的分析：
通過對(duì)上圖的分析，我們不難得到如下結(jié)論：在信號(hào)中blob尺度和LoG中高斯平滑尺度接近時(shí)，其響應(yīng)最大。
但是拉普拉斯算子出現(xiàn)了如下問題：響應(yīng)隨著其LoG中高斯平滑尺度的增加而減小。如下所示：
解決方案是進(jìn)行尺度歸一化(Scale Normalization)，即× ??2。如下所示：
使用高斯拉普拉斯算子進(jìn)行計(jì)算的實(shí)例如下：
1.2.2? 高斯差分算子
Difference of Gaussian, DoG
高斯拉普拉斯算子（LoG）需要計(jì)算二階導(dǎo)數(shù)，計(jì)算復(fù)雜度會(huì)比計(jì)算一階高，因此考慮可以用一階高斯差分來近似。由此引出高斯差分算子的概念：
高斯差分算子 (Difference of Gaussian, DoG)具有如下特點(diǎn)：
- 高斯模糊過的圖像可以去除噪聲的影響；
- 高斯差分操作可以只保留相鄰層模糊水平之間的頻率，即類似一種帶通濾波；
- 可以突顯圖像中的角、邊和其他細(xì)節(jié)；
使用高斯差分算子進(jìn)行關(guān)鍵點(diǎn)檢測(cè)的結(jié)果，展示如下：
二、特征描述子
在正式進(jìn)入特征描述子的學(xué)習(xí)之前，我們需要知道什么樣的特征描述子是好的、優(yōu)秀的。
好的特征描述子應(yīng)該具有如下性質(zhì)：
- 魯棒性：對(duì)多種幾何變換和光照變換具有一定的不變性
- 獨(dú)特性：一個(gè)區(qū)域的特征描述子和其他區(qū)域能很好的區(qū)分開
- 緊致性：僅用較低維的向量就可以對(duì)該特征進(jìn)行魯棒和獨(dú)特的描述
- 計(jì)算高效：可以快速的計(jì)算特征描述子并進(jìn)行高效的比較
?常用的特征描述子如下：
- HOG: Histogram of Oriented Gradients
- SIFT: Scale Invariant Feature Transform
- SURF: Speeded-Up Robust Features
- GLOH: Gradient Location and Orientation Histogram
- BRIEF: Binary Robust Independent Elementary Features
- ORB: Oriented FAST and rotated BRIEF
- BRISK: Binary Robust Invariant Scalable Keypoints
- FREAK: Fast REtinA Keypoint?
2.1? SIFT描述子
2.1.1? 概念
Scale-Invariant Feature Transform, SIFT
SIFT描述子是根據(jù)尺度空間中局部極值所在的位置和尺度，以及其所在的鄰域范圍內(nèi)的梯度計(jì)算得到的一個(gè)向量。
2.1.2? SIFT基本計(jì)算流程?
1. 根據(jù)興趣點(diǎn)的尺度和位置，在鄰域計(jì)算36bin的梯度方向直方圖，并選擇其中最大計(jì)數(shù)的桶對(duì)應(yīng)的方向作為描述子主方向
2. 根據(jù)描述子的主方向和興趣點(diǎn)的尺度和位置，確定相應(yīng)的16 × 16鄰域并計(jì)算梯度，之后將梯度圖劃分成4×4個(gè)小塊
?3. 對(duì)每個(gè)小塊計(jì)算8bin的梯度方向直方圖
?4. 把每個(gè)小塊的梯度方向直方圖都拼接起來，得到16 × 8 = 128 維的特征向量
2.1.3? 舉例說明
基本計(jì)算流程示例：
?兩幅圖像中SIFT興趣點(diǎn)匹配：
興趣匹配的原則：
2.2? 二進(jìn)制描述子
2.2.1? 概念
二進(jìn)制描述子：生成可以高效計(jì)算且易于比較的二進(jìn)制串
比較兩個(gè)二進(jìn)制描述子的注意事項(xiàng)：
- 鄰域內(nèi)像素對(duì)要用同樣的選擇方式
- 像素對(duì)的選擇順序也要保持一致
不同二進(jìn)制描述子主要區(qū)別在于選擇像素對(duì)的策略
2.2.2? Brief 描述子
Binary robust independent elementary features
2.2.3? ORB 描述子
對(duì)于其他的描述子，大家感興趣的可以去網(wǎng)上查找資源自行進(jìn)行學(xué)習(xí)噢~?文章來源：http://www.zghlxwxcb.cn/news/detail-773971.html
總結(jié)
本文我們主要學(xué)習(xí)了特征點(diǎn)檢測(cè)與特征描述子，為圖像處理中的特征點(diǎn)檢測(cè)和特征描述打下了堅(jiān)實(shí)的基礎(chǔ)。希望大家能將本文所有算法的流程熟悉一遍，然后能自己總結(jié)復(fù)述出來，最好結(jié)合公式進(jìn)行推導(dǎo)。本章的重點(diǎn)在于哈里斯角點(diǎn)檢測(cè)、SIFT關(guān)鍵點(diǎn)檢測(cè)（高斯拉普拉斯算子和高斯差分算子），以及SIFT描述子和二進(jìn)制描述子。文章來源地址http://www.zghlxwxcb.cn/news/detail-773971.html
到了這里，關(guān)于計(jì)算機(jī)視覺基礎(chǔ)（5）——特征點(diǎn)及其描述子的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
