文档介绍：几种局部图像特征的提取算法的研究摘要: 局部图像特征描述是计算机视觉的一个基本研究问题,在寻找图像中的对应点以及物体特征描述中有着重要的作用。本文主要研究了三种当前比较流行的具有不变性的局部图像特征提取算法,分析了 SIFT 、 SURF 和 ORB 特征点提取与定位方法,讨论这三种特征的特征描述子对特征点描述方法的异同。总结了三种特征描述方法各自的优缺点。关键字:局部图像特征; SIFT ; SURF ; ORB A nalysis of several feature-extract algorithms A bstract : Local image features isa basic issue puter vision. It is important in the pratise to find corresponding point and to describe the feature of object. In the paper, we study three popular local image features which are imvariant descriptors. We analyse the way to localize the key point of the SIFT, SURF and ORB algorithm. We also discuss the different of this methoeds on extracting the feature vector of the key point. F inally ,we point the advantage and disadvantage of this methoeds. K eyword : local image feature ; SIFT ; SURF ; ORB 一、概述局部图像特征描述的核心问题是不变性(鲁棒性)和可区分性。由于使用局部图像特征描述子的时候,通常是为了鲁棒地处理各种图像变换的情况。因此, 在构建和设计特征描述子的时候,不变性问题就是首先需要考虑的问题。在宽基线匹配中,需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等;在形状识别和物体检索中,需要考虑特征描述子对形状的不变性。然而, 特征描述子的可区分性的强弱往往和其不变性是矛盾的,也就是说,一个具有众多不变性的特征描述子,它区分局部图像内容的能力就稍弱; 而如果一个非常容易区分不同局部图像内容的特征描述子,它的鲁棒性往往比较低。在众多的局部特征描述子中, SIFT 、 SURF 和 ORB 特征是应用比较广泛, 具有较好的鲁棒性和区分性的算法。这三种方法既有在描述特征点方面相通的地方,又有各自的不同,下面就对这三种方法进行详细的分析与比较。二、 SIFT 算法 SIFT 算法是 Lowe 与 1999 年[1] 提出的一种局部特征提取的算法,并在 200 4 年[2] 加以完善和总结, 成为目前一种具有很好稳定性和鲁棒性的特征提取算法。该算法有以下的优点: 1)在适当的参数设置下提取到的特征点的数目可观; 2) 通过 SIFT 算法提取到的图像特征具有相当高的独特性,使其能在海量的数据库中进行准确的匹配; 3) SIFT 特征具有旋转、尺度、平移及亮度不变性,甚至对视点的变化也具有一定的不变性。 SIFT 算法对图像局部特征点的提取主要包括 4 个步骤:尺度空间极值点检测、特征点精确定位、特征点方向分配、特征点描述。 1 、尺度空间极值点检测建立图像的尺度空间是为了在每一个尺度上都有特征点,从而保证 SIFT 特征的尺度不变性, Koenderink[3] 和 Lindeberg[4] 证明,高斯函数是唯一可以产生尺度空间的核。图像的尺度空间( , , ) L x y ?定义为原始图像( , ) I x y 与一个尺度可变的2维高斯函数( , , ) G x y ?的卷积,如下式: ( , , ) ( , , ) ( , ) L x y G x y I x y ? ?? ?() 其中尺度可变高斯函数是: 2 2 2 ( )/ 2 21 ( , , ) 2 x y G x y e ????? ??() ( , ) x y 是空间坐标, ?是尺度坐标, ?的大小决定了图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应了图像的细节特征。为了有效的在尺度空间检测到稳定的关键点,提出了高斯差分尺度空间,利用不同尺度的高斯差分核与图像的卷积生成。( , , ) ( ( , , ) ( , , )) ( , ) ( , ,