【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


