当前位置：首页 > 工业园区 >特征点检测算法（特征点匹配算法哪个比较好）

特征点检测算法（特征点匹配算法哪个比较好）

欧室工业网站
工业园区
2024-01-04 10:03:24
浏览量：14

导读

本文首先介绍图像特征，然后讲解点中特征和描述符的相关分类和特点。最后展示了特征匹配与图像的关系，完整描述了整个建模过程中特征点检测和匹配的知识。

特征点检测算法（特征点匹配算法哪个比较好）

一、图像特征介绍

1、图像特征点的应用

相机标定：棋盘角点阴影格式固定。通过检测不同视角的点可以得到匹配结果。标定相机内参考图像拼接：匹配不同视角，还原相机姿态。密集重建：间接利用特征点作为种子点扩散匹配，获得密集点云场景。理解：bag-of-words方法，以特征点为中心生成一个关键词袋（关键特征）用于场景识别2、图像特征点的检测方法

手动设计的检测算法：sift、surf、orb、fast、hog 基于深度学习的方法：人脸关键点检测、3D匹配点云匹配场景中人工标记点：影视场景背景上的简单标记、特殊QR代码设计（速度快，精度低）3、图像特征点的基本要求

差异性：场景中视觉上显着的点、明显的灰度变化、边缘点等重复性：相同的特征在不同的视角、旋转、亮度和尺度不变性下重复出现

二、特征检测子

1、Harris 角点检测（早期，原理简单，视频跟踪，快速检测）

萌妹Mayshine：角点检测（二）-harris算子-理论与Python代码

https://zhuanlan.zhihu.com/p/90393907

动机：特征点具有局部差异性以每个点为中心取一个窗口，例如，55/77的像素，描述特征点周围环境此点具有差异性-窗口往任意方向移动，则周围环境变化较大-具有局部差异性最小二乘线性系统加和符号：表示窗口内每个像素w：表示权重，权值1或者以点为中心的高斯权重（离点越近权重越大）I：表示像素，RGB/灰度u，v：窗口移动的方向H：harris矩阵，由两个方向上的梯度构建而成图像梯度：Harris矩阵：Harris矩阵H 的特征值分析两个特征值反映相互垂直方向上的变化情况，分别代表变化最快和最慢的方向，特征值大变化快，特征值小变化慢1 2 0，两个方向上变化都很小，兴趣点位于光滑区域1 0 , 2 0 ，一个方向变化快，一个方向变化慢，兴趣点位于边缘区域1 , 2 0 ，两个方向变化都很快，兴趣点位于角点区域（容易判断）Harris角点准则代替矩阵分解：反映特征值情况，trace为迹k的值越小，检测子越敏感只有当1和2同时取得最大值时，C才能取得较大值避免了特征值分解，提高检测计算效率非极大值抑制(Non-maximal Suppression) 选取局部响应最大值，避免重复的检测算法流程：0）滤波、平滑，避免出现阶跃函数1）计算图像水平和垂直方向的梯度2）计算每个像素位置的Harris矩阵3）计算每个像素位置的Harris角点响应值3+）非极大值抑制4）找到Harris角点响应值大于给定阈值且局部最大的位置作为特征点检测结果：2、基于LoG的多尺度特征检测子

动机：Harris角点检测不具有尺度不变性，因此特征点具有尺度不变性。解决方案：尺度归一化LoG 算子，处理尺度变化。 LoG算子：Lindeberg（1993）提出了高斯拉普拉斯（LoG）函数的极值点对应于特征点尺度空间：使用不同大小的滤波器核（例如高斯滤波器）对图像进行滤波。滤波器核越大，越模糊，分辨率越小。经过不同滤波器核滤波后的空间是尺度空间=3维空间（图像+尺度），模拟人类视觉，远处物体模糊，一系列滤波器核组成的不同分辨率的图像就是尺度空间——LoG可以处理不同尺度的图像LoG 算子[1] 形式：高斯滤波器属性：卷积- 求拉普拉斯==求拉普拉斯- 卷积其中LoG 算子尺度归一化LoG[2]（使其具有可比性=汇率）：其中是尺度归一化LoG算子在不同尺度下的LoG响应值是不具有可比性的，构造一个尺度空间。同时在位置空间和尺度空间中找到归一化的LoG极值（最大/最小）点作为特征点在不同尺度下的响应值。

LoG特征检测算法流程1）计算不同尺度下的尺度归一化LoG函数值2）同时找到位置和尺度组成的三维空间中尺度归一化LoG的极值点3）进行非极大值抑制，减少重复检测（去除冗余，保持稳定）检测结果：效果好，LoG计算量大3、基于DoG的多尺度特征检测子（SIFT）——稳定和鲁棒

LoG可以由DoG近似：Lowe(2004)提出归一化LoG近似等价于相邻尺度的高斯差分(DoG)高斯空间：高斯差分DoG：相邻的空间做差，极点处对应特征点尺度空间的构建

阶数：O=3（octave=阶数，每个阶数图像尺寸缩小一半，阶数高-计算量大-尺度变化大）每个阶数有效差异个数：S=3 （每阶的划分数）每级的个数：N=S+3高斯空间

高斯差分

有效差异（尺度空间必须有上下邻居，边界无效）

任意设置

特征点位置的确定： 1）在尺度空间和图像空间：3*3窗口，26个邻域，找到比别人大的极值点DoG、LoG找到最大值或最小值2）横轴表示离散位置，纵轴表示DoG响应值，求极值点邻域的二阶函数极值=精确像素位置和亚像素特征点位置的确定

x：是三维，坐标空间+尺度空间f(x)：是DoG值x0：检测离散坐标下的最大值点任务：在x0附近逼近一个二阶函数，并找到二阶函数的极值order函数得到更准确的结果亚像素极值位置矩阵的表达- 一阶矩阵的表达- 二阶极值点可能是边缘点， - 去除边缘点：DoG在边缘处取值较大，它需要避免检测边缘点来计算主方向：通过统计梯度直方图的方法确定主方向，使算法具有旋转不变性SIFT特征检测过程：旋转不变性、尺度不变性、亮度变化不变性、对视角变化和仿射变换具有一定程度的稳定性。

1）计算图像尺度空间：2）DoG极值点检测与定位：保留特征点3）边缘点去除：4）计算主方向5）生成描述符6）检测结果4、快速特征点检测方法：——实时性要求高

FAST特征点[3]：Feature from Accelerated Segment Test

1）以候选点p为圆心构造一个离散圆2）将圆周上的像素与点p的像素值进行比较3）当有n个连续的像素值明显比p更亮或更暗时，p检测为特征点，Fast9和Fast12特征示例：通过检测局部像素灰度变化来确认特征点位置，速度快，是SIFT的100倍；无尺度和旋转不变性

过程：

检测：

Oriented FAST (ORB)

获得尺度不变性：构建图像金字塔并检测金字塔每一层上的关键点。获得旋转不变性：通过灰度质心法（Intensity Centroid）确定图像的主方向。图像块B上的矩定义为：图像块B的质心。定义为：计算方向角：检测结果：
三、特征描述子

特征描述子 Feature Descriptor

每个特征点都有唯一的身份认证。同一空间不同视角下的特征点具有高度相似的描述符。不同特征点的描述子应该尽可能不同。通常描述符是一个固定长度的向量。特征支持区域

主方向：旋转，特征尺度重新插值：影响支撑区域的大小1、基于直方图的描述子

（1）用于微小运动的描述子 [4]（e.g.相邻两帧视频）

定义：以特征点为中心的矩形区域内所有像素点的灰度值作为描述符特征：适用于变化微小的图像对。当存在明显的旋转、缩放、光照和透视变换时，图像不稳定。

（2）Sift描述子——旋转主方向

定义：按照主方向旋转支撑区域，通过双线性插值重构特征：图像归一化处理、去除光照变化统计和局部梯度信息处理：

1）将区域划分为4x4的块； 2）各块内统计梯度方向直方图（高斯加权梯度为系数）（2）Sift描述子——生成描述子

（2）Sift描述子——归一化处理

加工方法

1）阈值处理——直方图各个方向的梯度幅值不超过0.22）描述符长度归一化特性：归一化处理提高了特征点光度变化的不变性

SIFT 描述符变体：PCA-SIFT/SURF

（3）GLOH描述子[5]：Gradient Location-orientation Histogram

总共有1+2x8=17 个块。每个块计算16个方向的直方图描述符，总共16x17=272个维度。通过PCA可以将维度降到128 (4) DAISY描述符[6]：每个圆的半径对应高斯尺度

2、基于不变性的描述子

3、二进制描述子——BRIEF

描述符形式：描述向量由N个0或1组成N=128,256,512

描述符特点：生成速度快（汉明距离）、匹配效率高、简单有效；无旋转不变性

描述一下子流程：

1）进行图像预处理，如高斯滤波器——，去除噪声2）在支持区域中随机采样N对大小为55的patch 3）比较patch中像素总和的大小，并保留结果形成特征向量$au(p; x, y)=left{egin{aligned} 1, ifp(x)
四、特征匹配

计算两幅图像中特征描述符的匹配关系

1、距离度量

归一化互相关，1 -非常匹配，0-不匹配

2、匹配策略

最近邻：加了距离约束，防止孤立点

3、高效匹配

4、特征匹配验证

审稿人：李茜