图像特征提取与匹配方法end

1、图像特征提取方法,陈方 2013.05.11,-Image alignment (e.g., mosaics) -3D reconstruction -Motion tracking -Object recognition -Indexing and database retrieval -Robot navigation,应用领域,应用领域,+ + + =,今天的主要内容,Harris 角点检测 DOG角点检测 SUSAN角点检测 HOUGH 空间灰度共生矩阵 LBP HOG Haar ORB,5,Harris 角点检测,“flat”,“edge”,“corner”,6,Harris 角点检

2、测,特征之分析1, 2,7,Harris角点检测,1,2,“Corner” 1 and 2 are large, 1 2; E increases in all directions,1 and 2 are small; E is almost constant in all directions,“Edge” 1 2,“Edge” 2 1,“Flat” region,Harris角点检测,k = 0.04-0.06,R比较大 大：corner R比较大的负值：edge |R|比较小： flat,DOG(Difference of Gaussian)角点检测,多尺度空间 高斯金字塔,i金字塔组

3、数 n,S每组的总层数,DOG(Difference of Gaussian)角点检测,DOG,DOG(Difference of Gaussian)角点检测,SUSAN角点检测,用一个圆形模板遍历图像 t相似度阈值，所能检测角点的最小对比度，能忽略 的噪声的最大容限,SUSAN角点检测,模板中与中心点像素相似点的像素组成吸收核值相似区(USAN区） -去除伪角点 -非最大值抑制,j 是角点阈值，越小，检测到的角点越尖锐,HOUGH直线检测,利用点与线的对偶性，把检测任意形状的问题转化为统计峰值问题,HOUGH圆检测,圆的Hough变换是一个以圆的半径和圆心坐标为 参数的三维空间,检测 平面上

4、的圆的问题就转换到检测 参数空间 上三维锥面的交点,灰度共生矩阵,一种灰度空间的相关性，对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的,LBP(Local Binary Pattern),提取局部纹理特征,划分子区域，计算区域内的每个像素点LBP值 对每个子块进行直方图统计，得到子块的直方图 利用所有子块的直方图，描述该图像的纹理特征,图b 圆形LBP算子,图 a 矩形LBP算子,LBP(Local Binary Pattern),LBP旋转不变模式 按照顺时针方向旋转，对点提取的二进制特征的最小值是不变的 01111100-00011111,DLBP,解决LBP的缺点:区分中心

5、像素大于还是相等邻域像素 n改善像素点值轻微变化对LBP的影响,DLBP,HOG(histogram of oriented gradient),一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述,HOG,公式： 特征维数（9个方向） 对于64*128的图像而言，每8*4的像素组成一个cell，每2*2个cell组成一个块，移动步长是一个cell,Haar-like特征,Haar特征分为三类：边缘特征、线性特征、对角线特征和中心特征 特征数值计算公式,Haar-like特征,积分图 RSAT(N,M) 构造积分图像 -每个点存储是其左上方所有像素之和 -初始条件,Haar-like特征,构造旋转积分图像 -每个点存储是其左上方延伸出的45度区域内像素 之和,FAST key pointer detector,-FAST-R -设定阈值提取关键点, Harris角点检测取前N个 -角点质心,Brief (Binary Independent Elementary Features),思想：用二进制串作为特征描述子 -平滑处理(9*9) -选取随机点对 -生成一串二进制,ORB(Oriented Brief),FAST+Brief -构