计算机视觉——特征点提取、描述与匹配

【本学期选修国科大高伟老师的计算机视觉课程，本人方向也是cv，因此想通过博客方式记录课程中比较重要的点，巩固并且进行一些扩展学习】

【本章节内容针对特征点提取、描述与匹配进行讲解】

SIFT特征点检测

其性质：

• 不变性

  对图像的旋转和尺度变化具有不变性

  对三维视角变化和光照变化具有很强的适应性

  局部特征，在遮挡和场景杂乱时仍保持不变性

• 辨别力强

  特征之间相互区分的能力强，有利于匹配

• 数量较多

  一般500×500的图像能提取出约2000个特征点

• 扩展性强：能够与其他形式的特征向量联合

提取算法流程：

DoG尺度空间：在某一尺度上对特征点的检测，可以通过对两个相邻高斯尺度空间的图像相减，得到一个DoG (Difference of Gaussians)的响应值图像D(x,y,σ)。

多尺度空间极值点探索：

在三维尺度空间 , , 中，搜索每个点的26邻域，若该点为局部极值点，则保存为候选关键点。

 

关键点的精确定位 :

• 动机：在离散采样中搜索到的极值点不一定是真实空间的极值点。

• 基本原理：对尺度空间DoG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。

去除不稳定关键点：

1）去除对比度低的点 

2）去除边缘上的点

2.1  由于 DoG 对图像中的边缘有比较强的响应值，而一旦特征点落在图像的边缘上，这些点就是不稳定的点。

2.2  图像边缘上的点是很难定位，具有定位歧义性

2.3  容易受到噪声的干扰而变得不稳定