没有合适的资源?快使用搜索试试~ 我知道了~
SIFT、SURF、ORB的区别与联系
4星 · 超过85%的资源 需积分: 50 222 下载量 138 浏览量
2015-07-05
16:06:00
上传
评论 4
收藏 1.18MB DOC 举报
温馨提示
试读
12页
从原理上面讲解了SIFT、SURF、ORB的区别和联系,理解起来非常容易。
资源推荐
资源详情
资源评论
几种局部图像特征的提取算法的研究
摘要:局部图像特征描述是计算机视觉的一个基本研究问题,在寻找图像
中的对应点以及物体特征描述中有着重要的作用。本文主要研究了三种当前比
较流行的具有不变性的局部图像特征提取算法,分析了 SIFT、SURF 和 ORB 特
征点提取与定位方法,讨论这三种特征的特征描述子对特征点描述方法的异同。
总结了三种特征描述方法各自的优缺点。
关键字:局部图像特征;SIFT;SURF;ORB
Analysis of several feature-extract algorithms
Abstract : Local image features is a basic issue of computer vision. It is
important in the pratise to find corresponding point and to describe the feature of
object. In the paper, we study three popular local image features which are imvariant
descriptors. We analyse the way to localize the key point of the SIFT, SURF and ORB
algorithm. We also discuss the different of this methoeds on extracting the feature
vector of the key point. Finally ,we point the advantage and disadvantage of this
methoeds.
Keyword:local image feature;SIFT;SURF;ORB
一、概述
局部图像特征描述的核心问题是不变性(鲁棒性)和可区分性。由于使用
局部图像特征描述子的时候,通常是为了鲁棒地处理各种图像变换的情况。因
此,在构建和设计特征描述子的时候,不变性问题就是首先需要考虑的问题。
在宽基线匹配中,需要考虑特征描述子对于视角变化的不变性、对尺度变化的
不变性、对旋转变化的不变性等;在形状识别和物体检索中,需要考虑特征描
述子对形状的不变性。然而,特征描述子的可区分性的强弱往往和其不变性是
矛盾的,也就是说,一个具有众多不变性的特征描述子,它区分局部图像内容
的能力就稍弱;而如果一个非常容易区分不同局部图像内容的特征描述子,它
的鲁棒性往往比较低。
在众多的局部特征描述子中,SIFT、SURF 和 ORB 特征是应用比较广泛,
具有较好的鲁棒性和区分性的算法。这三种方法既有在描述特征点方面相通的
地方,又有各自的不同,下面就对这三种方法进行详细的分析与比较。
二、SIFT 算法
SIFT 算法是 Lowe 与 1999 年[1]提出的一种局部特征提取的算法,并在
2004 年[2]加以完善和总结,成为目前一种具有很好稳定性和鲁棒性的特征提取
算法。该算法有以下的优点:1)在适当的参数设置下提取到的特征点的数目可
观;2)通过 SIFT 算法提取到的图像特征具有相当高的独特性,使其能在海量
的数据库中进行准确的匹配;3)SIFT 特征具有旋转、尺度、平移及亮度不变
性,甚至对视点的变化也具有一定的不变性。SIFT 算法对图像局部特征点的提
取主要包括 4 个步骤:尺度空间极值点检测、特征点精确定位、特征点方向分
配、特征点描述。
1、尺度空间极值点检测
建立图像的尺度空间是为了在每一个尺度上都有特征点,从而保证 SIFT 特
征的尺度不变性,Koenderink[3]和 Lindeberg[4]证明,高斯函数是唯一可以产生
尺度空间的核。图像的尺度空间 定义为原始图像 与一个尺度可
变的 2 维高斯函数 的卷积,如下式:
(2.1)
其中尺度可变高斯函数是: (2.2)
是空间坐标, 是尺度坐标, 的大小决定了图像的平滑程度,大尺
度对应图像的概貌特征,小尺度对应了图像的细节特征。为了有效的在尺度空
间检测到稳定的关键点,提出了高斯差分尺度空间,利用不同尺度的高斯差分
核与图像的卷积生成。
(2.3)
其中,k 是表示相邻两尺度差异的常数因子。
图像金字塔的建立:对于一幅图像 I,建立其在不同尺度(scale)的图像,也
成为子八度(octave),这是为了 特征的尺度不变性,也就是在任何尺度都能
够有对应的特征点,第一个子八度的 scale 为原图大小,后面每个 octave 为上一
个 octave 降采样的结果,即原图的 1/4(长宽分别减半),构成下一个子八度
(高一层金字塔),如图 1 所示。将每一个塔中相邻的两幅图片相减就得到了高
斯差分金字塔,如图 1 所示。如果中间的检测点和它同尺度的 8 个相邻点和上
下尺度对应的 18 个点共 26 个点比较是极小值点或极大值点,就认为该点是图
像在该尺度下的一个特征点。
图 1 图 2
2、特征点的精确定位
由于高斯差分算子对噪声和边缘较敏感,为了提高 SIFT 特征点的稳定性,
候选特征点被检测出来以后,还需要经过进一步的处理,以除去那些对比度低
的极值点和边缘响应点。而且由于有高斯差分金字塔中检测到的特征点的坐标
为整数,但是真正的特征点却不一定位于整数坐标上,因此必须对特征点进行
精确的定位。
高斯差分算子在图像的边缘处有较强的响应,但是边缘上的特征点定位不
准确并且对噪声十分敏感,必须除去边缘响应点。DoG 函数的峰值在横跨边缘
的方向上有较大的主曲率,而在垂直边缘的方向上有较小的主曲率,因此可以
利用这个性质去除边缘响应点。特征点的主曲率可以通过该点的处的 Hessian 矩
阵来计算,Hessian 矩阵定义如下:
(2.4)
其中二阶导数可以通过相邻采样点之间的差分来估计。DoG 函数的主曲率
和 H 的特征值成正比,因此只有两个特征值都较大时的特征点才不是边缘点,
才具有较强的稳定性。令 α 为较大特征值,β 为较小的特征值,则可以得到海
森矩阵的迹 与行列式 ,
(2.5)
(2.6)
令 ,则
(2.7)
上式的值在两个特征值相等的时候最小,随着 r 的增大而增大,因此未检
测主曲率是否在某阈值 r 下,只需验证下式
(2.8)
若该式成立,则对应的点为边缘点,在 Lowe 的文章中,取 。
去除不稳定的边缘相应点后,为提高特征点的图像匹配的稳定性和精度还
要特征点进行精确定位。利用尺度空间函数 的泰勒展开式来对 DoG
空间中的极值点进行精确定位。 在特征点坐标处的泰勒展开式如下:
(2.9)
剩余11页未读,继续阅读
资源评论
- jimzw2016-11-03讲的还可以
- jillar2019-06-28写的还不错,挺好
sdankle
- 粉丝: 1
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- .archivetemp04 - 继承和多态 作业.doc
- 基于运动学车辆模型的开放式驾驶MPC横向控制算法Analyzed commaai Openpilot MPC lateral c
- STM32F103单片机源码STM32-74HC595串转并控制数码管显示
- python语言教程项目案例
- 斐波那契数列java代码 FibonacciProblem
- 服务器的概要介绍与分析
- logseq-linux包
- 蓝色简历首页的微信小程序模板源码
- 基于MPC的仿真轨迹跟踪模块MPC-based Simulink trajectory tracking module
- 递归地求解Fibonacci数列.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功