关于特征检测

进行特征检测的一个重要方面是要进行特征循迹,也就是feature tracking

我们说边缘检测不能做为一种很好的特征点的原因就是,当运动恰好沿着边沿的方向时,这个时候利用边沿信息是无法进行特征点循迹的,因为延边沿方向移动时你甚至看不出来相机在移动

利用角点检测效果会好一些。

从数学角度上而言,角点是在不同的方向上与周围像素都有变化的,也就是说在不同方向上有一阶导存在,那么当相机在移动时,不同方向的移动后,角点的位置也跟着不同方向的移动,这时对照原来的位置会发现有区别,

而边沿检测应该是角点检测的一种退化模型,其仅仅在一个方向上有变化,所以只在该方向上有一阶导数


Harris 算子是一种有效的点特征提取算子,其优点总结起来有: ①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。②提取的点特征均匀而且合理:Harris 算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域,Harris 算子可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少。③稳定:Harris算子的计算公式中只涉及到一阶导数,因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,它也是比较稳定的一种点特征提取算子。

Harris 算子的局限性有:①它对尺度很敏感,不具有尺度不变性。②提取的角点是像素级的。


SIFT算法的特点有:

1. SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;

2. 独特性(Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;

3. 多量性,即使少数的几个物体也可以产生大量的SIFT特征向量;

4. 高速性,经优化的SIFT匹配算法甚至可以达到实时的要求;

5. 可扩展性,可以很方便的与其他形式的特征向量进行联合。


SIFT算法可以解决的问题:

目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决:

1. 目标的旋转、缩放、平移(RST

2. 图像仿射/投影变换(视点viewpoint

3. 光照影响(illumination

4. 目标遮挡(occlusion

5. 杂物场景(clutter


你可能感兴趣的:(计算机视觉)