sift特征点原理与解释
名称：SIFT算法与特征点
时间：2020-08-16
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的SIFT特征向量；
- 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
- 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算法步骤
-
尺度空间的极值检测，搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点。
-
特征点定位，在每个候选的位置上，通过一个拟合精细模型来确定位置尺度，关键点的选取依据他们的稳定程度。
-
特征方向赋值，基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
-
特征点描述，在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变换。
sift算法描述
- 尺度信息
- 体现在特征点的描述区域范围，是系数尺度
- 方向信息
- 以特征点的主方向作为特征描述的X轴，在其坐标系的四个象限上分别划出2*2个小格子，每个小格子分别对格子中的灰度变化方向进行统计。
- 每个小格子统计出来一个按照8个方向划分，8个方向的数量 归一化后的结果，成为一个8维的向量。
- 一共4个象限即4x4个小格子， 4x4x8=128， 最终SIFT的特征点将用128维向量表示。
sift特征提取的缺点
-
实时性不高，因为要不断地要进行下采样和插值等操作；
-
有时特征点较少（比如模糊图像）；
-
对边缘光滑的目标无法准确提取特征（比如边缘平滑的图像，检测出的特征点过少，尤其是圆）。
sift特征提取可以解决的问题
- 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（illumination），目标遮挡（occlusion）
- 杂物场景（clutter），噪声
拓展
- sift -> (10倍)surf -> (10倍)orb[没有解决尺度/旋转不变性]
