目标跟踪的点跟踪技术(3)

随着图像特征点提取技术研究的不断深入，涌现出一批超越Harris的提取方法。

首先是Lowe提出的SIFT方法 ( http://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf )，全称是Scale-invariant feature transform

Harris方法的核心思想是寻找图像的“角点”，这个“角点”大致可以表述为在x,y两个梯度方向上变化较大的点。但这也意味着噪声点是极好的角点，因此处理前需要做高斯平滑去噪。SIFT把这个问题向前推进了一步，即在不同尺度下，对“边缘”和“角点”的界定是不同的，例如在较小的尺度下，边缘的微小变化是角点，而在较大的尺度下，这种变化只不过是“噪声”。SIFT寻找的是在对图像进行全尺度高斯平滑后的最优角点。也就是说，一个点不仅需要像Harris方法那样和周围的点做局部非极大抑制，还要和上一尺度和下一尺度的平滑结果做局部非极大抑制。

SIFT首先计算不同尺度的高斯差分值(Difference of Gaussian)，每层尺度的标准差为下一层的k倍。

然后对每个点在上层、本层和下层尺度3X3范围内做局部非最大抑制。

根据采样定理，每2倍标准差的高斯平滑与直接对图像降采样得到的结果相同，因此不需要每个尺度都重新差分，而是每隔2倍标准差构造一个原来大小1/2 * 1/2的称为octave的层级，而每个层级内又划分为s个层(octave layer)。需要计算的是每个octave内的 个layer。

因为每个层级需要和上一层和下一层进行比较，所以每个octave内要有s+2个DoG layer，为了计算这s+2个DoG layer，需要s+3个高斯layer。