SIFT算法详解及应用(讲的非常好很详细)

【实例简介】
SIFT算法特点 • SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化 保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳 定性。 • 独特性(Distinctiveness)好，信息量丰富，适用于在海量特征 数据库中进行快速、准确的匹配。 • 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 • 经过优化的SIFT算法可满足一定的速度需求。 • 可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT简介 SIFT Scale Invariant Feature Transform 传统的特征提取方法 成像匹配的核心问题是将同一目标在不同时间、不同 分辨率、不同光照、不同位姿情况下所成的像相对应。 传统的匹配算法往往是直接提取角点或边缘,对环境的 适应能力较差,急需提出一种鲁棒性强、能够适应不同 光照、不同位姿等情况下能够有效识别目标的方法。 己0]/3/己7 彐 SIFT简介 SIFT Scale Invariant Feature Transform SIFT提出的目的和意义 分 1999年 British columbia大学大卫.劳伊( David g.Lowe)教授总结了现有 的基于不变量技术的特征检测方法,并正式提出了一种基于尺度空间的、对 图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子一SIFT (尺度不变特征变换),这种算法在2004年被加以完善 己0]/3/己7 SIFT简介 SIFT Scale Invariant Feature Transform 将一幅图像映射(变换)为一个局部特征向量集;特征向量具有 平移、缩放、旋转不变性,同时对光照变化、仿射及投影变换也有一定 不变性。 己0]/3/己7 SIFT简介 SIFT Scale Invariant Feature Transform SIFT算法特点 SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化 保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳 定性。 独特性( Distinctiveness)好,信息量丰富,适用于在海量特征 数据库中进行快速、准确的匹配。 多量性,即使少数的几个物体也可以产生大量SIFT特征向量。 经过优化的SIFT算法可满足一定的速度需求。 可扩展性,可以很方便的与其他形式的特征向量进行联合。 己0]/3/己7 SIFT简介 SIFT Scale Invariant Feature Transform SIFT算法可以解决的问题 目标的自身状态、场景所处的环境和成像器材的成像特性等因 素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决: 目标的旋转、缩放、平移(RsT) 图像仿射/投影变换(视点 viewpoint) 光照影响(111 amination) 目标遮挡( occlusion) 杂物场景(c1 utter) 噪声 己0]/3/己7 SIFT算法实现细节 SIFT Scale Invariant Feature Transform SIFT算法实现步骤简述 SIFT算法的实质可以归为在不同尺度空间上查找特征点(关键点)的问题。 原图像 特征点 特征点 目标的特 检测 描述 征点集 特征点匹 匹配点矫 配 正 目标图像 特征点 特征点 目标的特 检测 描述 征点集 SIFT算法实现物体识别主要有三大工序,1、提取关键点;2、对关键点附加 详细的信息(局部特征)也就是所谓的描述器;3、通过两方特征点(附带 上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,也就建立 了景物间的对应关系。 SIFT算法实现细节 SIFT Scale Invariant Feature Transform SIFT算法实现步骤 关键点检测 己。关键点描述 彐·关键点匹配 4·消除错配点 己0]/3/己7 关键点检测的相关概念SFT iant Feature Transfor 1.哪些点是SIFT中要查找的关键点(特征点)? 这些点是一些十分突出的点不会因光照条件的改变而消失,比如角点 边缘点、暗区域的亮点以及亮区域的暗点,既然两幅图像中有相同的景物, 那么使用某种方法分别提取各自的稳定点,这些点之间会有相互对应的匹配 点。 所谓关键点,就是在不同尺度空间的图像下检测出的具有方向 信息的局部极值点。 根据归纳,我们可以看出特征点具有的三个特征: 尺度 方向 大小 己0]/3/己7 【实例截图】
【核心代码】