版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、圖像局部特征點(diǎn)檢測(cè)算法綜述研究圖像特征檢測(cè)已經(jīng)有一段時(shí)間了,圖像特征檢測(cè)的方法很多,又加上各種算法的變形,所以難以在短時(shí)間內(nèi)全面的了解,只是對(duì)主流的特征檢測(cè)算法的原理進(jìn)行了學(xué)習(xí)。總體來(lái)說(shuō),圖像特征可以包括顏色特征、紋理特等、形狀特征以及局部特征點(diǎn)等。其中局部特點(diǎn)具有很好的穩(wěn)定性,不容易受外界環(huán)境的干擾,本篇文章也是對(duì)這方面知識(shí)的一個(gè)總結(jié)。本篇文章現(xiàn)在(2015/1/30)只是以初稿的形式,列出了主體的框架,后面還有許多地方需要增加與修改,例如2013年新出現(xiàn)的基于非線性尺度空間的KAZE特征提取方法以及它的改進(jìn)AKATE等。在應(yīng)用方面,后面會(huì)增一些具有實(shí)際代碼的例子,尤其是基于特征點(diǎn)的搜索與運(yùn)
2、動(dòng)目標(biāo)跟蹤方面。局部特征點(diǎn)圖像特征提取是圖像分析與圖像識(shí)別的前提,它是將高維的圖像數(shù)據(jù)進(jìn)行簡(jiǎn)化表達(dá)最有效的方式,從一幅圖像的MXNX3的數(shù)據(jù)矩陣中,我們看不出任何信息,所以我們必須根據(jù)這些數(shù)據(jù)提取出圖像中的關(guān)鍵信息,一些基本元件以及它們的關(guān)系。局部特征點(diǎn)是圖像特征的局部表達(dá),它只能反正圖像上具有的局部特殊性,所以它只適合于對(duì)圖像進(jìn)行匹配,檢索等應(yīng)用。對(duì)于圖像理解則不太適合。而后者更關(guān)心一些全局特征,如顏色分布,紋理特征,主要物體的形狀等。全局特征容易受到環(huán)境的干擾,光照,旋轉(zhuǎn),噪聲等不利因素都會(huì)影響全局特征。相比而言,局部特征點(diǎn),往往對(duì)應(yīng)著圖像中的一些線條交叉,明暗變化的結(jié)構(gòu)中,受到的干擾也少
3、。而斑點(diǎn)與角點(diǎn)是兩類局部特征點(diǎn)。斑點(diǎn)通常是指與周圍有著顏色和灰度差別的區(qū)域,如草原上的一棵樹(shù)或一棟房子。它是一個(gè)區(qū)域,所以它比角點(diǎn)的噪能力要強(qiáng),穩(wěn)定性要好。而角點(diǎn)則是圖像中一邊物體的拐角或者線條之間的交叉部分。斑點(diǎn)檢測(cè)原理與舉例LoG與DoH斑點(diǎn)檢測(cè)的方法主要包括利用高斯拉普拉斯算子檢測(cè)的方法(LOG),以及利用像素點(diǎn)Hessian矩陣(二階微分)及其行列式值的方法(D0H)。LoG的方法已經(jīng)在斑點(diǎn)檢測(cè)這入篇文章里作了詳細(xì)的描述。因?yàn)槎S高斯函數(shù)的拉普拉斯核很像一個(gè)斑點(diǎn),所以可以利用卷積來(lái)求出圖像中的斑點(diǎn)狀的結(jié)構(gòu)。DoH方法就是利用圖像點(diǎn)二階微分Hessian矩陣:以及它的行列式的值DoH(D
4、eterminantofHessian):dwt=(1工工(忑、y,口)jL陽(yáng)y.(7)2?曲(隅cHessian矩陣行列式的值,同樣也反映了圖像局部的結(jié)構(gòu)信息。與LoG相比,DoH對(duì)圖像中的細(xì)長(zhǎng)結(jié)構(gòu)的斑點(diǎn)有較好的抑制作用。無(wú)論是LoG還是DoH,它們對(duì)圖像中的斑點(diǎn)進(jìn)行檢測(cè),其步驟都可以分為以下兩步:1)使用不同的。生成(?2g?x2+?2g?y2)或?2g?x2,?2g?y2,?2g?x?y模板,并對(duì)圖像進(jìn)行卷積運(yùn)算;2)在圖像的位置空間與尺度空間中搜索LoG與DoH響應(yīng)的峰值。SIFT詳細(xì)的算法描述參考:SIFT定位算法關(guān)鍵步驟的說(shuō)明2004年,Lowe提高了高效的尺度不變特征變換算法(S
5、IFT),利用原始圖像與高斯核的卷積來(lái)建立尺度空間,并在高斯差分空間金字塔上提取出尺度不變性的特征點(diǎn)。該算法具有一定的仿射不變性,視角不變性,旋轉(zhuǎn)不變性和光照不變性,所以在圖像特征提高方面得到了最廣泛的應(yīng)用。該算法大概可以歸納為三步:1)高斯差分金字塔的構(gòu)建;2)特征點(diǎn)的搜索;3)特征描述。在第一步中,它用組與層的結(jié)構(gòu)構(gòu)建了一個(gè)具有線性關(guān)系的金字塔結(jié)構(gòu),讓我們可以在連續(xù)的高斯核尺度上查找特征點(diǎn)。它比LoG高明的地方在于,它用一階高斯差分來(lái)近似高斯的拉普拉斯核,大大減少了運(yùn)算量。在第二步的特征點(diǎn)搜索中,主要的關(guān)鍵步驟是極值點(diǎn)的插值,因?yàn)樵陔x散的空間中,局部極值點(diǎn)可能并不是真正意義上的極值點(diǎn),真正
6、的極植點(diǎn)可以落在了離散點(diǎn)的縫隙中。所以要對(duì)這些縫隙位置進(jìn)行插值,然后再求極值點(diǎn)的坐標(biāo)位置。第二步中另一關(guān)鍵環(huán)節(jié)是刪除邊緣效應(yīng)的點(diǎn),因?yàn)橹缓雎阅切〥oG響應(yīng)不夠的點(diǎn)是不夠的,DoG的值會(huì)受到邊緣的影響,那些邊緣上的點(diǎn),雖然不是斑點(diǎn),但是它的DoG響應(yīng)也很強(qiáng)。所以我們要把這部分點(diǎn)刪除。我們利用橫跨邊緣的地方,在沿邊緣方向與垂直邊緣方向表現(xiàn)出極大與極小的主曲率這一特性。所以通過(guò)計(jì)算特征點(diǎn)處主曲率的比值即可以區(qū)分其是否在邊緣上。這一點(diǎn)在理解上可以參見(jiàn)Harris角點(diǎn)的求法。最后一步,即為特征點(diǎn)的特征描述。特征點(diǎn)的方向的求法是需要對(duì)特征點(diǎn)鄰域內(nèi)的點(diǎn)的梯度方向進(jìn)行直方圖統(tǒng)計(jì),選取直方圖中比重最大的方向?yàn)樘?/p>
7、征點(diǎn)的主方向,還可以選擇一個(gè)輔方向。在計(jì)算特征矢量時(shí),需要對(duì)局部圖像進(jìn)行沿主方向旋轉(zhuǎn),然后再進(jìn)鄰域內(nèi)的梯度直方圖統(tǒng)計(jì)(4x4x8)。SURF詳細(xì)的算法描述參考:1.SURF算法與源碼分析、上?2.SURF算法與源碼分析、下2006年,Bay和Ess等人基于SIFT算法的思路,提出了加速魯棒特征(SURF),該算法主要針對(duì)于SIFT算法速度太慢,計(jì)算量大的缺點(diǎn),使用了近似Harr小波方法來(lái)提取特征點(diǎn),這種方法就是基于Hessian行列式(DoH)的斑點(diǎn)特征檢測(cè)方法。通過(guò)在不同的尺度上利用積分圖像可以有效地計(jì)算出近似Harr小波值,簡(jiǎn)化了二階微分模板的構(gòu)建,搞高了尺度空間的特征檢測(cè)的效率。SURF
8、算法在積分圖像上使用了盒子濾波器對(duì)二階微分模板進(jìn)行了簡(jiǎn)化,從而構(gòu)建了Hessian矩陣元素值,進(jìn)而縮短了特征提取的時(shí)間,提高了效率。其中SURF算法在每個(gè)尺度上對(duì)每個(gè)像素點(diǎn)進(jìn)行檢測(cè),其近似構(gòu)建的Hessian矩陣及其行列式的值分另為:_D越(口)D劇W(遲*e)=DgD圈(0.9D工”尸其中Dxx,Dxy和Dyy為利用盒子濾波器獲得的近似卷積值。如果c(x,y,大于設(shè)置的門限值,則判定該像素點(diǎn)為關(guān)鍵字。然后與SIFT算法近似,在以關(guān)鍵點(diǎn)為中心的3X3X3像素鄰域內(nèi)進(jìn)行非極大值抑制,最后通過(guò)對(duì)斑點(diǎn)特征進(jìn)行插值運(yùn)算,完成了SURF特征點(diǎn)的精確定位。而SURF特征點(diǎn)的描述,則也是充分利用了積分圖,用
9、兩個(gè)方向上的Harr小波模板來(lái)計(jì)算梯度,然后用一個(gè)扇形對(duì)鄰域內(nèi)點(diǎn)的梯度方向進(jìn)行統(tǒng)計(jì),求得特征點(diǎn)的主方向。角點(diǎn)檢測(cè)的原理與舉例角點(diǎn)檢測(cè)的方法也是極多的,其中具有代表性的算法是Harris算法與FAST算法。這兩個(gè)算法我都有專門寫過(guò)博文來(lái)描述其算法原理。Harris角點(diǎn)和FAST特征點(diǎn)檢測(cè)。Harris角點(diǎn)特征提取Harris角點(diǎn)檢測(cè)是一種基于圖像灰度的一階導(dǎo)數(shù)矩陣檢測(cè)方法。檢測(cè)器的主要思想是局部自相似性/自相關(guān)性,即在某個(gè)局部窗口內(nèi)圖像塊與在各個(gè)方向微小移動(dòng)后的窗口內(nèi)圖像塊的相似性。在像素點(diǎn)的鄰域內(nèi),導(dǎo)數(shù)矩陣描述了數(shù)據(jù)信號(hào)的變化情況。假設(shè)在像素點(diǎn)鄰域內(nèi)任意方向上移動(dòng)塊區(qū)域,若強(qiáng)度發(fā)生了劇烈變化,
10、則變化處的像素點(diǎn)為角點(diǎn)。定義2X2的Harris矩陣為:且佃)二力側(cè)以西如-借仗)GqW)_卜b其中,Cx和Cy分別為點(diǎn)X=(x,y)在x和y方向上的強(qiáng)度信息的一階導(dǎo)數(shù),3(x,y)為對(duì)應(yīng)位置的權(quán)重。通過(guò)計(jì)算Harris矩陣的角點(diǎn)響應(yīng)值D來(lái)判斷是否為角點(diǎn)。其計(jì)算公式為:D=detA機(jī)(fmceW=(ocb2m(a+c2其中,det和trace為行列式和跡的操作符,$m$是取值為0.040.06的常數(shù)。當(dāng)角點(diǎn)響應(yīng)值大于設(shè)置的門限,且為該點(diǎn)鄰域內(nèi)的局部最大值時(shí),則把該點(diǎn)當(dāng)作角點(diǎn)。FAST角點(diǎn)特征提取基于加速分割測(cè)試的FAST算法可以快速地提取出角點(diǎn)特征。該算法判斷一個(gè)候選點(diǎn)p是否為角點(diǎn),依據(jù)的是在
11、一個(gè)像素點(diǎn)P為圓心,半徑為3個(gè)像素的離散化Bresenllam圓周上,在給定閾值t的條件下,如果在圓周上有n個(gè)連續(xù)的像素灰度值大于I(p)+t或小于I(p)?to針對(duì)于上面的定義,我們可以用快速的方法來(lái)完成檢測(cè),而不用把圓周上的所有點(diǎn)都比較一遍。首先比較上下左右四個(gè)點(diǎn)的像素值關(guān)系,至少要有3個(gè)點(diǎn)的像素灰度值大于I(p)+t或小于I(p)?t,則p為候選點(diǎn),然后再進(jìn)一步進(jìn)行完整的判斷。為了加快算法的檢測(cè)速度,可以使用機(jī)器學(xué)習(xí)ID3貪心算法來(lái)構(gòu)建決策樹(shù)。這里需要說(shuō)明的是,在2010年Elmar和Gregory等人提出了自適應(yīng)通用加速分割檢測(cè)(AGAST)算法,通過(guò)把FAST算法中ID3決策樹(shù)改造為
12、二叉樹(shù),并能夠根據(jù)當(dāng)前處理的圖像信息動(dòng)態(tài)且高效地分配決策樹(shù),提高了算法的運(yùn)算速度。二進(jìn)制字符串特征描述子可以注意到在兩種角點(diǎn)檢測(cè)算法里,我們并沒(méi)有像SIFT或SURF那樣提到特征點(diǎn)的描述問(wèn)題。事實(shí)上,特征點(diǎn)一旦檢測(cè)出來(lái),無(wú)論是斑點(diǎn)還是角點(diǎn)描述方法都是一樣的,可以選用你認(rèn)為最有效的特征描述子。特征描述是實(shí)現(xiàn)圖像匹配與圖像搜索必不可少的步驟。到目前為止,人們研究了各種各樣的特征描述子,比較有代表性的就是浮點(diǎn)型特征描述子和二進(jìn)帽字符串特征描述子。像SIFT與SURF算法里的,用梯度統(tǒng)計(jì)直方圖來(lái)描述的描述子都屬于浮點(diǎn)型特征描述子。但它們計(jì)算起來(lái),算法復(fù)雜,效率較低,所以后來(lái)就出現(xiàn)了許多新型的特征描述算
13、法,如BRIEF。后來(lái)很多二進(jìn)制串描述子ORB,BRISK,F(xiàn)REAK等都是在它上面的基礎(chǔ)上的改進(jìn)。BRIEF算法BRJEF算法的主要思想是:在特征點(diǎn)周圍鄰域內(nèi)選取若干個(gè)像素點(diǎn)對(duì),通過(guò)對(duì)這些點(diǎn)對(duì)的灰度值比較,將比較的結(jié)果組合成一個(gè)二進(jìn)制串字符串用來(lái)描述特征點(diǎn)。最后,使用漢明距離來(lái)計(jì)算在特征描述子是否匹配。BRIEF算法的詳細(xì)描述可以參考:BRIEF特征描述子BRISK算法BRISK算法在特征點(diǎn)檢測(cè)部分沒(méi)有選用FAST特征點(diǎn)檢測(cè),而是選用了穩(wěn)定性更強(qiáng)的AGAST算法。在特征描述子的構(gòu)建中,BRISK算法通過(guò)利用簡(jiǎn)單的像素灰度值比較,進(jìn)而得到一個(gè)級(jí)聯(lián)的二進(jìn)制比特串來(lái)描述每個(gè)特征點(diǎn),這一點(diǎn)上原理與B
14、RIEF是一致的。BRISK算法里采用了鄰域采樣模式,即以特征點(diǎn)為圓心,構(gòu)建多個(gè)不同半徑的離散化Bresenham同心圓,然后再每一個(gè)同心圓上獲得具有相同間距的N個(gè)采樣點(diǎn)。由于這種鄰域采樣模式在采樣時(shí)會(huì)產(chǎn)生圖像灰度混疊的影響,所以BRISK算法首先對(duì)圖像進(jìn)行了高斯平滑圖像。并且使用的高斯函數(shù)標(biāo)準(zhǔn)差oi與各自同心圓上點(diǎn)間距成正比。假設(shè)在(N2)個(gè)采樣點(diǎn)中任意選取一對(duì)采樣點(diǎn)(pi,pj),其平滑后的灰度值分別為I(pi,Oi)和I(pj,Oj),則兩點(diǎn)間的局部梯度為:=(嗎-星)伽嚴(yán)警咗假設(shè)把所有采樣點(diǎn)對(duì)構(gòu)成的集合記為$boldsymbolA$,則A=(丙鬥)xRiNS.j幾妣UA其中,通常設(shè)置距
15、離閾值為Cmax=9.75C,6min=13.676,其中C為特征點(diǎn)的尺度。=T9(Pi】Pj)由于長(zhǎng)距離采樣點(diǎn)對(duì)含有更多的特征點(diǎn)角度信息,且局部梯度相互抵消,所以可以在集合L中計(jì)算出特征點(diǎn)的特征模式方向?yàn)椋喝缓髮⒉蓸幽J絿@特征點(diǎn)旋轉(zhuǎn)角度$alpha=arctan2(g_y,g_x)$,進(jìn)而特征描述子具有了旋轉(zhuǎn)不變性。最后,在旋轉(zhuǎn)后的短距離采樣點(diǎn)集合S內(nèi),對(duì)所有的特征點(diǎn)對(duì)(Pai,paj)行像素灰度值比較,最終形成512比特的二進(jìn)制字符串描述子。ORB算法ORB算法使用FAST進(jìn)行特征點(diǎn)檢測(cè),然后用BREIF進(jìn)行特征點(diǎn)的特征描述,但是我們知道BRIEF并沒(méi)有特征點(diǎn)方向的概念,所以O(shè)RB在BR
16、IEF基礎(chǔ)上引入了方向的計(jì)算方法,并在點(diǎn)對(duì)的挑選上使用貪婪搜索算法,挑出了一些區(qū)分性強(qiáng)的點(diǎn)對(duì)用來(lái)描述二進(jìn)制串。ORB算法的詳細(xì)描述可以參考:ORB特征點(diǎn)檢測(cè)。FREAK算法FastRetinaKeyPoint,即快速視網(wǎng)膜關(guān)鍵點(diǎn)。根據(jù)視網(wǎng)膜原理進(jìn)行點(diǎn)對(duì)采樣,中間密集一些,離中心越遠(yuǎn)越稀疏。并且由粗到精構(gòu)建描述子,窮舉貪婪搜索找相關(guān)性小的。42個(gè)感受野,一千對(duì)點(diǎn)的組合,找前512個(gè)即可。這512個(gè)分成4組,前128對(duì)相關(guān)性更小,可以代表粗的信息,后面越來(lái)越精。匹配的時(shí)候可以先看前16bytes,即代表精信息的部分,如果距離小于某個(gè)閾值,再繼續(xù),否則就不用往下看了。應(yīng)用之圖像匹配圖像匹配的研究目標(biāo)是精確判斷兩幅圖像之間的相似性。圖像之間的相似性的定義又隨著不同的應(yīng)用需求而改變。例如,在物體檢索系統(tǒng)中(找出含有亞伯拉罕林肯的臉的圖像),我們認(rèn)為同一物體的不同圖像是相近的。而在物體類別檢索系統(tǒng)中(找出含有人臉的圖像),我們則認(rèn)為相同類的物體之間是相近的。這里局部特征點(diǎn)的應(yīng)用主要表現(xiàn)在第一種相似性上,也就是說(shuō)我們需要設(shè)計(jì)某種圖像匹配算法來(lái)判斷兩幅圖像是否是對(duì)同一物體或場(chǎng)景所成的圖像。理想的圖像匹配算法應(yīng)該認(rèn)為兩幅同一物體的圖像之間相似度很高,而兩幅不同物體的圖像之間相似度很低,如下圖所示。siinihrisimilardissimihr由于成
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年違約借款合同違約責(zé)任追究辦法3篇
- 2025年度個(gè)人房屋買賣價(jià)格調(diào)整及支付合同4篇
- 2025年度企業(yè)應(yīng)收賬款債權(quán)轉(zhuǎn)讓與風(fēng)險(xiǎn)控制協(xié)議書(shū)3篇
- 2025年度房地產(chǎn)樣板間設(shè)計(jì)與施工合同范本4篇
- 2025年度電子商務(wù)個(gè)人勞務(wù)派遣合作協(xié)議書(shū)4篇
- 工廠租地合同(2篇)
- 二零二五年度民政局離婚協(xié)議書(shū)模板法律咨詢附加服務(wù)合同4篇
- 2025年度銷售顧問(wèn)市場(chǎng)調(diào)研聘用合同2篇
- 2024西部縣域經(jīng)濟(jì)百?gòu)?qiáng)研究
- STEM教育實(shí)踐講解模板
- 2025年山東浪潮集團(tuán)限公司招聘25人高頻重點(diǎn)提升(共500題)附帶答案詳解
- 2024年財(cái)政部會(huì)計(jì)法律法規(guī)答題活動(dòng)題目及答案一
- 2025年江西省港口集團(tuán)招聘筆試參考題庫(kù)含答案解析
- (2024年)中國(guó)傳統(tǒng)文化介紹課件
- 液化氣安全檢查及整改方案
- 《冠心病》課件(完整版)
- 2024年云網(wǎng)安全應(yīng)知應(yīng)會(huì)考試題庫(kù)
- 公園保潔服務(wù)投標(biāo)方案
- 光伏電站項(xiàng)目合作開(kāi)發(fā)合同協(xié)議書(shū)三方版
- 高中物理答題卡模板
- 芳香植物與芳香療法講解課件
評(píng)論
0/150
提交評(píng)論