自动提取对象特征
用以表述该对象
,
同时还可以利用得到的特征数据
描述
在不同的图像中发现相同的对象
,
(一旦得到两个对象的描述子,
就可以使用它们实现特征数据的匹配与比对,
从而分辨出它们是否具有相似性)
而且特征对对象的旋转、缩放、光照等具有不变性。检测、描述、匹配
。feature2d
与xfeature2d
完成整个流程操作的,从而实现
基于图像特征的对象检测与匹配。SURF(Speeded Up Robust Feature)
特征就是图像最常见
的特征之一,
该方法在2006年由几位作者联合提出,
主要是用来克服SIFT(一种特征检测方法)计算量比较大,
运行速度比较慢的缺点;优点
:
基于积分图计算,快速关键点提取;
不同关键点描述;
快速描述子匹配;
同时具有旋转、尺度、光照不变性;
不同尺度的级联算子
来实现高斯图像的尺度不变性
特征,
计算LOG
得到每个像素点的Hessian矩阵
,积分图
来实现预计算
,
通过积分图查找表
实现Hessiam矩阵快速计算。
离散高斯
及其近似梯度算子
如下图:
算子级联
实现尺度空间不变性
,如下图:
高斯核
近似为一个盒子滤波
,
这样就可以不用进行高斯核与浮点数计算,
基于积分图,不断扩大盒子滤波核的大小,
就可以在不同层数计算结果;
第一层
分别使用9×9、15×15、21×21、27×27
,
扩大之后
进行下层级计算
。
每个层级之间的差值
一般取值为12
,
这时下个层级
的滤波核
就是39×39
,
再下一个层级
就是51×51
。
取值为24
时,下个层级
就是51×51
,
再下个层级就是75×75
。特征描述子是用来描述每个关键点特征的唯一数据,它必须能够显著区分各个特征关键点的不同之处,SURF特征描述子是基于Haar小波响应理论的,可以通过积分图进行快速计算,描述子首先要选取关键点周围的像素块(ROI),通常ROI区域的大小为20个像素,分为4×4的网格区域,如下图:
使用Haar在X方向与Y方向的2s×2s像素块响应,基于高斯权重分别计算dx、dy,最终可得到:
对每个5×5的子区域都会得到一个向量v,对于4×4,整个子区域可得到16个相互连接的向量,它们就是该关键点的描述子,归一化之后就是具有光照不变性特征的描述子。这种方式没有考虑选择不变性,没有对每个描述子指派方向角度,称为U-SURF描述子,对上述描述子在0°~360°方向上使用滑动窗口60°大小计算滑动窗口的梯度和最大值,指派为该描述子的方向,0°~360°,60°滑动窗口如下图:
实验证明,在窗口较小的情况下,容易导致出现异常高峰的问题,在窗口比较大的情况下,容易出现向量过长,描述子描述不够准确的问题,所以一般情况下更趋向跳过方向指派步骤直接使用U-SURF,它在±15°范围内可以保证旋转不变性特征。