特征点：检测子（给一副图像找到特征点的位置）+描述子（特征向量，用于特征匹配）

一、图像特征介绍

1、图像特征点的应用

• 相机标定：棋盘格角点阴影格式固定，不同视角检测到点可以得到匹配结果，标定相机内参
• 图像拼接：不同视角匹配恢复相机姿态
• 稠密重建：间接使用特征点作为种子点扩散匹配得到稠密点云
• 场景理解：词袋方法，特征点为中心生成关键词袋（关键特征）进行场景识别

2、图像特征点的检测方法

• 人工设计检测算法：sift、surf、orb、fast、hog
• 基于深度学习的方法：人脸关键点检测、3D match点云匹配
• 场景中的人工标记点：影视场景背景简单的标记，特殊二维码设计（快速，精度低）

3、图像特征点的基本要求

• 差异性：视觉上场景上比较显著点，灰度变化明显，边缘点等
• 重复性：同一个特征在不同视角中重复出现，旋转、光度、尺度不变性

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）

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

• 反映特征值情况，trace为迹
• k的值越小，检测子越敏感
• 只有当λ1和λ2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

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，让特征点具有尺度不变性

• 解决方法：尺度归一化LoG算子，处理尺度的变化
• LoG算子：Lindeberg(1993)提出Laplacian of Gaussian (LoG)函数的极值点对应着特征点

尺度空间：

• 特征点位置的确定：
• 1）尺度空间和图像空间上：3*3窗口，26个邻域，找极值点比其他都要大DoG，LoG找极大值或极小值
• 2）横轴向代表离散位置，纵轴代表DoG响应值，在极值点邻域内求二阶函数的极值=准确像素位置

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
• 特性：通过检测局部像素灰度变化来确认特征点的位置，速度快，SIFT的100倍；不具有尺度和旋转不变性
• 流程：
• 1）以候选点p为圆心构建一个离散圆
• 2）比较圆周上的像素与p点像素值
• 3）当有连续的n个像素值明显亮于或者暗于p时，p被检测为特征点，例Fast9,Fast12
• 检测：

三、特征描述子

特征描述子 Feature Descriptor

• 每个特征点独特的身份认证
• 同一空间点在不同视角的特征点具有高度相似的描述子
• 不同特征点的的描述子差异性尽量大
• 通常描述子是一个具有固定长度的向量

特征支持区域

• 主方向:进行旋转并重新插值
• 特征尺度:影响支持区域的大小

1、基于直方图的描述子

（2）

• 统计局部梯度信息流程：
• 1）将区域划分成4x4的block ；
• 2）每个block内统计梯度方向 的直方图(高斯加权梯度作为系数)

（2）Sift描述子——生成描述子

（2）Sift描述子——归一化处理

• 处理方式
• 1）门限处理-直方图每个方向的梯度幅值不超过0.2
• 2）描述子长度归一化
• 特性：归一化处理提升了特征点光度变化的不变性
• SIFT描述子变种：PCA-SIFT/SURF

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

• 一共有1+2x8=17 个blocks
• 每个blocks计算16个方向的直方图
• 描述子共16x17=272维
• 通过PCA可以降维到128

（4）DAISY描述子[6]：每个圆的半径对应高斯的尺度

2、基于不变性的描述子

3、二进制描述子——BRIEF

四、特征匹配

计算两幅图像中特征描述子的匹配关系

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

参考

1. T. Lindeberg. Detecting salient blob-like image structures and their scales with a scalespace primal sketch: A method for focus-of-attention. International Journal of Computer Vision, 11(3):283–318, Dec. 1993.
2. T. Lindeberg. Feature detection with automatic scale selection. International Journal of Computer Vision, 30(2):79–116, Nov. 1998.
3. E. Rosten and T. Drummond. Fusing points and lines for high performance tracking. In IEEE International Conference on Computer Vision (ICCV), 2005.
4. Scharstein, D. and Szeliski, R. (2002). A taxonomy and evaluation of dense two-framestereo correspondence algorithms. International Journal of Computer Vision, 47(1):7–42.
5. Mikolajczyk, K. and Schmid, C. (2005). A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10):1615–1630.
6. S. Winder and M. Brown. Learning local image descriptors. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2007.

End

声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。