目标检测基于特征描述子的方法.pptx

会计学目标检测——基于特征描述子的方法引言图像匹配在众多视觉应用中是一个关键技术，匹配算法直接影响后续视觉处理的效果。图像匹配在众多视觉应用中是一个关键技术，匹配算法直接影响后续视觉处理的效果。
对于运动目标，常采用光流等方法提取特征进行匹配，如北航王兆仲等人提出了一种利用光流确定图像运动场的高精度图像匹配算法。
对于静态目标，主要采用点匹配方法，即给定同一场景的两幅图像，寻找同一场景点投影到图像中的像素之间的对应关系，主要步骤为图像特征点提取和最小距离计算。不同类型的特征点什么是角点？引言什么是好的角点检测算法？Harris等人对Moravec算子进行改进，主要克服只对四个方向进行研究的问题，提出了通过Taylor级数展开法，实现窗口沿任何方向位移的灰度变化情况，最后特征点的确定用数学解析式做辅助。
Harris角点检测算子具有旋转不变以及缩放不变等许多优良性能，因此广泛应用在各种图像匹配算法中。如Schmid和Mohr采用Harris角点检测实现通用目标识别等，但它对尺度、视角、照明变化比较敏感，而且抗噪声能力差。1999年Lowe等人提出一种更加稳定的SIFT(ScaleInvariantFeatureTransform)特征算子，该算子不仅具有尺度、旋转、仿射、视角、光照不变性，对目标的运动、遮挡、噪声等因素也保持较好的匹配性。
该算子目前已广泛应用于机器人定位和导航、地图生成及三维目标识别中。2006年Bay提出了SURF(SpeededUpRobustFeatures)算法，进一步提高了特征的提取速度，但在对尺度和旋转的适应方面不及SIFT。
SURF算法通过计算积分图像和Fast-Hessian矩阵大大提高了特征点检测的速度，但特征匹配时采用的是全局最近邻搜索方法，由于SURF特征向量是高维向量，其计算量大、匹配正确率低。Harris角点检测Harris角点检测基本思想
Harris检测：数学表达由：于是对于局部微小的移动量[u,v]，可以近似得到下面的表达：窗口移动导致的图像变化：实对称矩阵M的特征值分析定义：角点响应函数RHarris角点检测Harris角点检测：流程角点响应函数R/Harris角点检测：小结Harris角点的性质对于图像灰度的仿射变化具有部分的不变性对于图像几何尺度变化不具有不变性：