基于特征匹配的算法.ppt
《基于特征匹配的算法.ppt》由会员分享,可在线阅读,更多相关《基于特征匹配的算法.ppt(52页珍藏版)》请在三一办公上搜索。
1、基于特征的匹配,一.特征匹配过程 1 特征提取 2 特征描述 3 特征匹配 二.SIFT算法,Local features Detection:,2 x 2 matrix of image derivatives(averaged inneighborhood of a point).,(1)平移Translation(2)欧几里德几何(平移+旋转)(3)相似性变换(平移+旋转+尺度)(4)仿射变换(5)投影变换,The need for invariance,1.几何变换,2.光照变化,一.特征匹配过程 1 特征提取 1.1 Harris and Hessian Detector 1.2 尺
2、度不变特征检测 1.3 仿射不变特征检测 1.4 特征提取总结 2 特征描述 3 特征匹配 二.SIFT算法,(1)Harris detector(Harris,1988),Second moment matrix/autocorrelation matrix,公式由来说明,影像信号的局部自相关函数,给定点(x,y)及位移(x,y),窗口为W,用差平方和(SSD)近似自相关函数,计算窗口W和位移窗口内灰度的差别。,位移后影像函数通过一阶泰勒展开式近似,重新计算 f(x,y):,“second moment matrix M”,Autocorrelation(second moment)matr
3、ix,M can be used to derive a measure of“cornerness”Independent of various displacements(x,y)Corner:significant gradients in 1 directions rank M=2Edge:significant gradient in 1 direction rank M=1Homogeneous region rank M=0,Harris detector 流程1.Image derivatives2.Square of derivatives3.Gaussian filter
4、g()4.Cornerness function5.Non-maxima suppression cHarris tHarris,(2)Hessian detector(Beaudet,1978),Taylor二阶展开式,得到Hessian矩阵,I,Ixx,Ixy,Iyy,小总结,Harris detector Rotation invariant?Yes The eigenvalues of M reveal the amount of intensity change in the two principal orthogonal gradient directions in the wi
5、ndow.Scale invariant?NoHessian detector,Rotation invariant?Yes,Scale invariant?No,一.特征匹配过程 1 特征提取 1.1 Harris and Hessian Detector 1.2 尺度不变特征检测 1.3 仿射不变特征检测 1.4 特征提取总结 2 特征描述 3 特征匹配 二.SIFT算法,1.2 尺度不变特征检测,(1)尺度选择(2)The Laplacian-of-Gaussian(LoG)Detector(3)The Difference-of-Gaussian(DoG)Detector(4)The
6、Harris-Laplacian Detector(5)The Hessian-Laplace Detector,1.2 尺度不变特征检测,(1)尺度选择,1.2 尺度不变特征检测,(1)尺度选择,1.2 尺度不变特征检测,(2)The Laplacian-of-Gaussian(LoG)Detector 1 Laplacian filter Laplacian算子具有旋转不变性,但对噪声很敏感,因此常需进行平滑操作 2 LoG filter 高斯滤波平滑,然后拉普拉斯滤波。,Laplacian-of-Gaussian(LoG)尺度空间的局部极大值点,1.2 尺度不变特征检测,(3)The D
7、ifference-of-Gaussian(DoG)Detector 可用高斯差分函数(DoG)近似LoG,Computation in Gaussian scale pyramid,LoG and DoGZero crossings“Mexican hat”,“Sombrero”Edge detector!,Lowes DoG keypoints Lowe Edge zero-crossing Blob at corresponding scale:local extremum!Low contrast corner suppression:threshold Assess curvatur
8、e distinguish corners from edges Keypoint detection:,1.2 尺度不变特征检测,(4)The Harris-Laplacian Detector 1 初始化:多尺度下的Harris角点检测 2 基于Laplacian的尺度选择,Harris points,Harris-Laplacian points,1.2 尺度不变特征检测,(5)The Hessian-Laplace Detector 思想与Harris-Laplacian Detector相同,图:Hessian-Laplace算子应用于具有尺度改变的影像结果,图:Harris-Lap
9、lace算子在同一场景下不同尺度的两幅影像上特征检测结果,圆的半径代表了特征尺度大小,一.特征匹配过程 1 特征提取 1.1 Harris and Hessian Detector 1.2 尺度不变特征检测 1.3 仿射不变特征检测 1.4 特征提取总结 2 特征描述 3 特征匹配 二.SIFT算法,1.3 仿射不变特征检测,Harris/Hessian Affine,给定一组由Harris-Laplace算子得到其尺度特征的初始点,用椭圆形区域获得仿射不变性。具体处理步骤如下:(1)由Harris-Laplace算子获得兴趣点初始区域(2)由二阶矩矩阵估计区域仿射形状(3)归一化仿射区域成为
10、圆形区域(4)在归一化的影像上重新检测新的位置和尺度(5)如果二阶矩矩阵的特征值在新的点上不相等,则转(2),图:利用二阶矩矩阵的特征值估计兴趣点区域的仿射形状,变换是用该矩阵的平方根进行的,经过归一化的图像XL和XR之间的变换是旋转变换关系,只取决于一个旋转因子,因子大小代表了特征值的比率,图:Harris-Affine算子检测的从不同视角得到的结果图,图:Hessian-Affine算子得到的不同视图下的影像检测结果,一.特征匹配过程 1 特征提取 1.1 Harris and Hessian Detector 1.2 尺度不变特征检测 1.3 仿射不变特征检测 1.4 特征提取总结 2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 匹配 算法
链接地址:https://www.31ppt.com/p-5951929.html