目标检测基于特征描述子的方法ppt课件

该算子目前已广泛应用于机器人定位和导航、地图
生成及三维目标识别中。
11
引言
2006 年 Bay 提 出 了 SURF(Speeded Up Robust Features)算法，进一步提高了特征的提取速度，但在对 尺度和旋转的适应方面不及SIFT。
SURF算法通过计算积分图像和Fast-Hessian矩阵大大提 高了特征点检测的速度，但特征匹配时采用的是全局最近 邻搜索方法，由于SURF特征向量是高维向量，其计算量 大、匹配正确率低。
其在三维场景重建、运动估计、目标跟踪、目标识别、 图像配准与匹配等计算机视觉领域起着非常重要的作用。
8
什么是好的角点检测算法？
• 检测出图像中“真实的”角点； • 准确的定位性能； • 很高的重复检测率（稳定性好）； • 具有对噪声的鲁棒性； • 具有较高的计算效率；
9
Fra Baidu bibliotek
引言
Harris等人对Moravec算子进行改进，主要克服只对四个方 向进行研究的问题，提出了通过Taylor级数展开法，实现窗 口沿任何方向位移的灰度变化情况，最后特征点的确定用数 学解析式做辅助。
22
HARRIS角点检测：流程
23
角点响应函数R
24
25
HARRIS角点检测：小结
沿方向 [u,v]的平均灰度变化可以表达成双
线性形式：
使用M的特征值表达图像点局部灰度变化的情
况，定义角点响应函数：
一个好的角点沿着任意方向移动都将导致明显的
图像灰度变化，即：R具有大的正数值。
不同类型的特征点
6
什么是角点？
目前关于角点的具体定义和描述主要有如下几种：
1．角点是两条及两条以上边缘的交点； 2．角点是指图像中梯度值和梯度方向的变化速率都很高的点。 3．角点是一阶导数(即灰度的梯度)的局部最大所对应的像素点； 4．角点处的一阶导数最大，二阶导数为零；
7
引言
角点特征是影像的重要特征，在各种影像特征中角点具 有旋转不变性和不随光照条件改变而改变的优点在一些 应用中使用角点特征进行处理，可以减少参与计算的数 据量，同时又不损失图像的重要灰度信息，利用角点特 征进行匹配可以大大提高匹配的速度。
4
引言
图像匹配在众多视觉应用中是一个关键技术，匹配算法直 接影响后续视觉处理的效果。
对于运动目标，常采用光流等方法提取特征进行匹配，如 北航王兆仲等人提出了一种利用光流确定图像运动场的高 精度图像匹配算法。
对于静态目标，主要采用点匹配方法，即给定同一场景的 两幅图像，寻找同一场景点投影到图像中的像素之间的对 应关系，主要步骤为图像特征点提取和最小距离计算。 5
“Edge” R<0
“Corner” R>0
“Flat” |R| small
“Edge” R<0 1 21
HARRIS角点检测
Harris算法认为：所谓的特征点就是极大角点响应 函数在局部范围内对应的像素点。
所以，当各点的角点响应函数被计算出之后，就要 将原图像中所有局部角点响应函数最大的点提取出 来。在实验过程中，通常在每个像素的3×3邻域 窗口内进行最大值的提取，如果中心像素点的兴趣 值恰好最大，就把中心点当作特征点。
(min)-1/2
18
HARRIS检测：数学表达
通过M的两个特征 值的大小对图像点 进行分类:
2 “Edge” 2 >> 1
“Corner”
1 和 2 都较大且数值 相当 1 ~ 2;
图像窗口在所有方向上移 动都产生明显灰度变化
如果1 和 2 都很小，
图像窗口在所有方向上 移动都无明显灰度变化
Harris角点检测算子具有旋转不变以及缩放不变等许多优良 性能，因此广泛应用在各种图像匹配算法中。如Schmid和 Mohr采用Harris角点检测实现通用目标识别等，但它对尺 度、视角、照明变化比较敏感，而且抗噪声能力差。
10
引言
1999年Lowe等人提出一种更加稳定的SIFT(Scale Invariant Feature Transform)特征算子，该算子 不仅具有尺度、旋转、仿射、视角、光照不变性， 对目标的运动、遮挡、噪声等因素也保持较好的匹 配性。
其中M是 22 矩阵，可由图像的导数求得：
17
HARRIS检测：数学表达
窗口移动导致的图像变化：实对称矩阵M的特征值分析
max, min M的特征值
max, min也是矩阵M的旋转不变量，反映图像两
轴方向的平面曲率。
快速变化的方向
E(u,v)的椭圆形式
缓慢变化的方向
(max)-1/2
12
HARRIS 角点检测
Harris角点检测基本思想 从图像局部的小窗口观察图像特征 角点定义：窗口向任意方向的移动都导致图像灰度
的明显变化
13
HARRIS 角点检测
Harris角点检测基本思想
平坦区域： 任意方向移动， 无灰度变化
边缘： 沿着边缘方向移 动，无灰度变化
角点： 沿任意方向移动， 明显灰度变化 14
HARRIS检测：数学表达
将图像窗口平移[u,v]产生灰度变化E(u,v)
窗口函数
平移后的 图像灰度
图像灰度
窗口函数 w(x,y) =
或
1 in window, 0 outside
Gaussian
15
HARRIS检测：数学表达
由： 得：
16
HARRIS检测：数学表达
于是对于局部微小的移动量 [u,v]，可以近似得到下面的表达：
“Flat” region
“Edge” 1 >> 2
19 1
HARRIS检测：数学表达
定义：角点响应函数R
(k – empirical constant, k = 0.04-0.06)
20
HARRIS检测：数学表达
2
R 只与M的特征值有关 • 角点：R 为大数值正数 • 边缘：R为大数值负数 • 平坦区：R为小数值
目标检测—— 基于特征描述子
的方法
1
目标检测—— 基于特征描述子的方法
2
引言
图像变化的类型
• 几何变化
– 旋转 – 相似(旋转 + 各向相同的尺度缩放)
– 仿射 (非各向相同的尺度缩放) 适用于: 物体局部为平面
• 灰度变化
– 仿射灰度变化 (I a I + b)
3
引言
图像匹配在众多视觉应用中是一个关键技术，匹配算法直 接影响后续视觉处理的效果。