关键字 |
| 特征检测特性匹配、筛选、海浪,NCC |
介绍 |
| 劳(2004)提出了筛选从图像中提取独特的不变特征的,可以旋转和尺度不变。然后它被广泛用于图像马赛克,识别、检索等[3]。湾和Tuytelaars(2006)加速健壮的特性和积分图像用于图像旋转和Fast-Hessian探测器。他们的实验结果,速度更快,它适用[4]。 |
| 图像匹配任务找到两张同一场景/对象之间的通讯是许多计算机视觉应用程序的一部分。图像配准、相机标定和对象识别只是少数。介绍特色图像分为两个主要阶段。第一,“关键点”等独特的位置从图像中提取边缘,blob、角落等关键点检测器必须高度可重复的。接下来,附近地区被周围的每一个关键点和独特的特征描述符计算从每个地区[1]。 |
| 图像匹配,图像提取特征,可以提供可靠的同一幅图像的不同观点之间的匹配。在过程中,特征描述符从样本中提取图像和存储。这个描述符必须是独特的,与此同时,强大的噪声,检测错误。最后,不同的图像之间的特征描述符匹配。特征描述符匹配可以基于欧几里得等的距离。 |
| 论述了在第二节概述的方法,在第三节我们可以看到实验结果在第四节讲述了论文的结论。 |
概述的方法 |
| 筛选算法概述 |
| 筛选(尺度不变特征变换)算法提出的2004年劳[6]解决图像旋转、缩放、仿射变形,角度变化、噪声、光照变化,还具有较强的鲁棒性。 |
| 筛选算法有四个主要步骤:(1)尺度空间极值检测,(2)关键点定位,(3)定向分配和(4)描述的一代。 |
| 第一阶段是确定关键点的位置和尺度使用尺度空间极值的狗(差异-高斯)与不同的σ值函数,狗函数卷积图像尺度空间中相隔一个常数因子k以下方程。 |
| D (x, y,σ)= (G (x, y, kσ)- G (x, y,σ)×我…(x, y)。(1) |
| 在那里,G是高斯函数,我是形象。 |
| 现在的高斯图像减去生产一只狗,在那之后因子2的高斯图像子样品和生产狗采样图像。相比一个像素的3×3社区检测的局部极大值和极小值D (x, y,σ)。 |
| 在关键点定位步骤中,关键候选人本地化和细化通过消除要点,他们拒绝了低对比度点。在定向分配步骤中,关键点的定位是基于局部图像梯度。在描述一代阶段是为每个关键点计算局部图像描述符基于图像梯度大小和方向在每个图像样本点的地区集中在重点[2];这些样本构建三维梯度位置和方向的直方图;4×4数组位置网格和8取向垃圾箱在每个样本。128 -元素维度的关键点描述符。 |
| 建设筛选描述符 |
| 图1演示了计算关键点的描述符。第一图像梯度大小和方向采样在关键位置,使用的规模水平的关键选择高斯模糊图像[6]。为了实现定位不变性、描述符的坐标,然后梯度方向旋转相对于重点方向。图1说明了用小箭头在每个样本位置在左边。 |
| 重点描述符显示在图1的右侧。它允许重大转变梯度位置通过创建方向直方图/ 4 x4样本地区。每个方向的图中显示8个方向直方图[6],与每个箭头的长度对应直方图条目的大小。左边一个梯度样品可以转移到4样本位置同时还导致相同的直方图在右边。所以,4×4数组位置网格和8取向垃圾箱在每个样本。128 -元素维度的关键点描述符。 |
| 冲浪算法概述 |
| 冲浪(加速强劲功能)算法,基于多尺度空间理论和特征检测器是基于海赛矩阵。因为海赛矩阵具有良好的性能和精度。在图像我,x = (x, y)给定的点,海赛矩阵H (x,σ)在xσ,它可以定义为 |
 (2) |
L在哪里xx(x,σ)的卷积结果高斯滤波器的二阶导数 图片我在x,和类似的Lxy(x,σ)和Lyyσ(x)。 |
| 冲浪创建一个“堆栈”没有2:1采样金字塔导致更高层次的图像的分辨率。由于使用积分图像,冲浪过滤器的堆栈使用一个盒子过滤器近似高斯二阶偏导数[3]。因为积分图像允许矩形滤波器的计算常数时间附近。在图2中显示了偏导数在y方向上和xy-direction高斯第二订单。 |
| 在描述符,筛选好的性能相比其他描述符。拟议的冲浪描述符是基于类似的属性。第一步包括修复可再生的方向基于信息从一个圆形区域的利益点。其次构造一个正方形排列的选择取向,并提取海浪描述符。为了成为不变的旋转,它计算Haar-wavelet反应在x和y方向如图3所示。 |
实验结果 |
| 以验证算法的有效性两个图像作为实验数据如图1所示(一个)image1: 640×478, 153 KB和(b) image2: 640×478、127 KB。英特尔核心执行的实验是我3210年,2.3 GHz处理器和4 GB RAM与windows 7操作系统。功能检测算法在图像使用筛选和冲浪。图4 (c)和(d)显示了检测功能在image1和image2分别使用筛选。可以看出892年image1特性检测和934年image2特性检测。 |
| 图4 (f)和(g)显示了检测功能使用冲浪算法分别从原始image1 & image2。可以看出281年image1特性检测和245年image2特性。 |
 |
 |
| 特征匹配如图4所示(e) 41和图4 (h)显示28匹配点。正常使用互相关技术特性匹配。实验结果列于表1。 |
结论 |
| 本文对图像配准评估两个特征检测方法。基于实验结果,发现筛选检测到更多数量的特色与冲浪但受到与速度。海浪一样快速和具有良好性能的筛选。我们的未来范围是使这些算法为视频登记工作。 |
承认 |
| 撰写这篇文章的人心存感激,大卫·劳扩展帮助发展中筛选的代码和有用的建议关于这个主题,也湾和Tuytelaars提供帮助在代码生成冲浪和有用的建议关于这个主题。 |
表乍一看 |
 |
| 表1 |
|
数据乍一看 |
|
|
引用 |
- Nabeel哈里斯的汗布伦丹McCane,杰夫•Wyvill“筛选和冲浪绩效评估对各种图像变形基准数据集”,数字图像计算国际会议:技术和应用,pp.501 - 506, 2011。
- ViniVidyadharan SubuSurendran,使用SIFT-NCC”“自动图像配准,计算机应用国际杂志的特刊(0975 - 8887),pp.29-32, 2012年6月。
- 罗胡安,Oubong Gwun”的比较筛选,PCA-SIFT和冲浪”,国际期刊的图像处理(IJIP), 3卷,问题4,143 - 152页。
- 赫伯特湾Tinne Tuytelaars,吕克·范干傻事,“冲浪:加快健壮的功能”,1 - 14页。
- Seok-Wun哈,Yong-Ho月亮,“多个对象跟踪使用筛选功能和位置匹配”,国际智能家居杂志》5卷,第4期,页17-26,2011年10月。
- d·劳。“独特的形象特征尺度不变的要点”,发表在国际期刊《计算机视觉,28,2004页。
- 张洪波Li Ming气于吴,“实时注册方法基于冲浪的增强现实技术和光学流”,理论和应用信息技术杂志》上,42卷,2号,第286 - 281页,2012年8月。
|
菜单
(2)
图片我在x,和类似的Lxy(x,σ)和Lyyσ(x)。
