基于图像显著区域检测的基于图像显著区域检测的SIFT特征匹配方法研究特征匹配方法研究
针对目标检测中利用SIFT算法在提取图像特征时提取的背景特征点所占比例较大，提出了一种图像显著区域与
SIFT算法相结合的目标匹配方法。为使检测出的极值点与人眼观察到的极值点相似，提出对尺度空间中的图像
进行显著区域的检测；为了使特征点具有仿射不变性，对特征点进行椭圆拟合；特征匹配时引入夹角余弦相似
度测度方法。实验表明，该算法在实时性
摘摘 要要： 针对
关键词关键词： 尺度空间；
0 引言引言
随着计算机科学技术的快速发展，特征匹配得到了广泛的应用。SIFT（尺度不变特征变换）算法是由LOWE D G提出的
一种基于局部特征的描述方法[1]，许多研究者实验表明SIFT算法存在着128维的特征描述符计算复杂度较高、时间过长、误匹
配较多的问题。
为了减少特征点提取的个数以及使得提取出的特征点与人眼观察到的特征点相近，本文提出了一种基于视觉显著图[2]的
SIFT算法。本文主要是利用显著区域检测的方法来得到特征点；再利用SIFT方法对其进行描述；最后，利用欧氏距离与夹角
余弦相结合的相似性测度方法进行特征匹配。实验结果表明，本文算法在计算复杂度方面比传统算法有较大的提高。
1 SIFT算法算法
SIFT是一种检测图像局部特性的算法，该算法主要包括以下四个步骤[3]：
（1）尺度空间极值点检测
首先构建尺度空间：
关键点的初步探索是利用差分高斯差分金子塔内同一组相邻两层图像之间比较完成的。其中高斯差分金字塔为：
（2）关键点的准确定位
接下来就是要确定关键点的位置、尺度以及主曲率的比值，SIFT算法使用拟合三维二次函数来确定关键点。
（3）关键点方向分配
对于在DOG金字塔中检测出的关键点，采集其所在高斯金字塔3?滓邻域窗口内像素的梯度和方向分布特征。梯度的模值
m（x，y）为：
（4）局部图像描述符
描述符的产生如图1所示。首先取以关键点为中心的16×16像素大小的邻域，然后从16×16的区域中计算4×4的描述符序
列。在关键点周围4×4的邻域内计算8个方向的描述序列，至此就产生了128维的特征描述向量。最后对特征向量归一化以消除
光照影响。
资源评论
weixin_38696176
- 粉丝: 6
- 资源: 919
最新资源
- BurpLoaderKeygen
- 工具变量-A股上市公司企业盟浪esg评级数据（2018-2022年）.xlsx
- 施工人员检测26-YOLO（v5至v9）、COCO、CreateML、Darknet、Paligemma、TFRecord、VOC数据集合集.rar
- springboot靓车汽车销售网站(代码+数据库+LW)
- java区块链项目模块代码.zip
- C++按层次遍历二叉树.zip
- 施工人员检测22-YOLOv9数据集合集.rar
- 工具变量-乡村旅游指标数据2007-2021年.xlsx
- Rive在Android上的简单应用
- 施工人员检测20-YOLO（v5至v9）、COCO、CreateML、Darknet、Paligemma、TFRecord、VOC数据集合集.rar
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
