SURF：快速的鲁棒的特征提取
翻译： picone
摘要：本文提出了一种新的尺度不变的、旋转不变的特征点探测器和描述子，这
种算法叫 !"#$（!%&&'&'("%(#)*+,-($&.-+/&,）。它可以近似甚至超过过去提出的
重复性、区别性、鲁棒性的方案，但是现在可以计算得更快速。(
这是通过图像卷积的积分图像实现的，建立在现有的探测器和描述子的优点上
（在摄像机自动调定中，使用 0&,,1.2 矩阵来度量检测器和描述子），并且简化了
这些方法为实现本质。这些结合起来出现了一种新的检测、描述和匹配步骤。本
文通过标准的评估集合和真实生活中应用到目标识别的场景的图像进行实现，证
明 !"#$ 有更好的性能。(
1
简介
"
寻找两个图像相同的场景或目标是很多计算机视觉应用的一部分，如相机校
准、34 重建、图像登记、目标识别等等。查找不同图像里面一致的地方，可以
分为以下 3 个步骤：首先，在不同的地方选择5感兴趣点6，如边角、点和 7 岔口。
那些最有价值属性的感兴趣点具有可重复性，即即使在不同的图像展示环境下也
能找到相同感兴趣点。其次，在每个感兴趣点的领域里使用准确的特征向量来表
示描述子，描述子是独特的，并能够应对噪声有鲁棒性、检测错误、光照和几何
形变。最后，使用描述子特征来匹配不同的图像，匹配通常计算描述子特征的距
离，如马氏距离（8.9.:.2)*1,('1,-.2;&）和欧氏距离（<+;:1'&.2('1,-.2;&）。描述
子的尺寸直接影响到匹配所花费的时间，所以使用更低维度的描述子。(
我们已经开发出检测器和描述子，在不牺牲性能的前提下，比现在最先进的
方法有更快的速度。为了实现这个算法，需要平衡以上的要求，如降低描述子的
维度和复杂性的同时保持独特性。(
目前已经有很多种类的检测器和描述子相关的文章，例如=>?@A。同时，也有
一些细节对比和分数评估的数据集，例如=B?CA。在构建这个快速的检测器和描述
子时，我们从以前已经完成的工作中获取灵感，并找到对效果有利的方面。在我
们对评估图像集和实际目标识别应用的实验中，我们的算法不仅仅更快，而且更
有区别性，并有同样的可重复性。(
在我们查找特征时，首要问题是不变性。明显地，当我们改变拍摄条件时，
