SURF特征原理.pdf
版权申诉
164 浏览量
2022-07-07
23:55:25
上传
评论
收藏 953KB PDF 举报
SURF 特征提取分析
背景引言
计算机视觉中，引入尺度不变的特征，主要的思想是每个检测到的特征点都伴随着对应的尺
寸因子。当我们想匹配不同图像时，经常会遇到图像尺度不同的问题，不同图像中特征点的
距离变得不同，物体变成不同的尺寸，如果我们通过修正特征点的大小，就会造成强度不匹
配。为了解决这个问题，提出一个尺度不变的 SURF 特征检测，在计算特征点的时候把尺
度因素加入之中。SURF 与 SIFT 算法相似，SIFT 算法比较稳定，检测特征点更多，但是
复杂度较高，而 SURF 要运算简单，效率高，运算时间短一点。相关 SIFT 算法请详见博
文【图像分析】尺度不变特征变换(SIFT)特征提取分析。本节介绍 SURF 算法相关知识。
基本介绍
首先，我们引用[3]中对 SURF 描述为：“SURF (Speeded Up Robust Features)isa robust
local feature detector, first presented by Herbert Bayet al. in 2006, that can be
used in computer vision tasks likeobject recognition or 3D reconstruction. It is partly
inspired by the SIFT descriptor.The standard version of SURF is several times
faster than SIFT and claimed by its authors to be more robust against different
image transformations than SIFT. SURF is based on sums of2D Haar wavelet
responses and makes an efficient use ofintegral images.It uses an integer
approximation to the determinant of Hessian blob detector, which can be computed
extremely quickly with an integral image (3 integer operations). For features, it uses
the sum of the Haar wavelet response around the point of interest. Again, these can
be computed with the aid of the integral image".
从上述对 SURF 描述，可知：第一、SURF 算法是对 SIFT 算法加强版，同时加速的具有
鲁棒性的特征。第二、标准的 SURF 算子比 SIFT 算子快好几倍，并且在多幅图片下具有
更好的鲁棒性。SURF 最大的特征在于采用了 harr 特征以及积分图像 integral image 的概
念，这大大加快了程序的运行时间。
算法描述
为了实现尺度不变性的特征点检测与匹配，SURF 算法则先利用 Hessian 矩阵确定候选点，
然后进行非极大抑制，计算复杂度降低多了。整个算法由以下几个部分组成。
黑森矩阵构建
我们知道：SIFT 算法建立一幅图像的金字塔，在每一层进行高斯滤波并求取图像差(DOG)
进行特征点的提取，而SURF 则用的是 Hessian Matrix 进行特征点的提取，所以黑森矩阵
是 SURF 算法的核心。假设函数 f(x,y)，Hessian 矩阵 H 是由函数偏导数组成。首先来看
看图像中某个像素点的 Hessian Matrix 的定义为：
资源评论
