BEIJING INSTITUTE OF TECHNOLOGY

尺度不变特征变换匹配算法 Scale Invariant Feature Transform (SIFT)

2012/3/27

1/60

提纲1. SIFT简介 2. SIFT算法实现细节

SIFTScale Invariant Feature Transform

3. SIFT算法的应用领域 4. SIFT算法的扩展与改进

2012/3/27

SIFT简介 传统的特征提取方法

SIFTScale Invariant Feature Transform

成像匹配的核心问题是将同一目标在不同时间、不同

分辨率、不同光照、不同位姿情况下所成的像相对应。

传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。

2012/3/27

SIFT简介 SIFT提出的目的和意义

SIFTScale Invariant Feature Transform

David G. Lowe Computer Science Department 2366 Main Mall University of British Columbia Vancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca

1999年British Columbia大学大卫.劳伊(David G.Lowe)教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子- SIFT

(尺度不变特征变换),这种算法在2004年被加以完善。2012/3/27 4

SIFT简介

SIFTScale Invariant Feature Transform

Original image courtesy of David Lowe

将一幅图像映射(变换)为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。2012/3/27 5

SIFT简介 SIFT算法特点

SIFTScale Invariant Feature Transform

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SIFT特征向量。 经过优化的SIFT算法可满足一定的速度需求。 可扩展性，可以很方便的与其他形式的特征向量进行联合。

2012/3/27

SIFT简介 SIFT算法可以解决的问题

SIFTScale Invariant Feature Transform

目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：

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)

2012/3/27

噪声Back7

SIFT算法实现细节 SIFT算法实现步骤简述

SIFTScale Invariant Feature Transform

SIFT算法的实质可以归为在不同尺度空间上查找特征点(关键点)的问题。原图像特

征点检测特征点描述目标的特征点集特征点匹配特征点描述目标的特征点集匹配点矫正

SIFT

目标图像

特征点检测

SIFT

SIFT算法实现物体识别主要有三大工序，1、提取关键点；2、对关键点附加详细的信息(局部特征)也就是所谓的描述器；3、通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点，也就建立2012/3/27了景物间的对应关系。 8

SIFT算法实现细节 SIFT算法实现步骤

SIFTScale Invariant Feature Transform

1.

关键点检测

2. 3. 4.

关键点描述关键点匹配消除错配点

2012/3/27

关键点检测的相关概念

SIFTScale Invariant Feature Transform

1.哪些点是SIFT中要查找的关键点(特征点)?这些点是一些十分突出的点不会因光照条件的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物，那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配点。所谓关键点，就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。根据归纳，我们可以看出特征点具有的三个特征：尺度方向大小

2012/3/27

关键点检测的相关概念关键点检测的2.什么是尺度空间(scale space )?

SIFTScale Invariant Feature Transform

我们要精确表示的物体都是通过一定的尺度来反映的。现实世界的物体也总是通过不同尺度的观察而得到不同的变化。尺度空间理论最早在1962年提出，其主要思想是通过对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等。

尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。尺度越大图像越模糊。2012/3/27 11

关键点检测关键点检测的相关概念

SIFTScale Invariant Feature Transform

根据文献《Scale-space theory: A basic tool for analysing structures at different scales》我们可知，高斯核是唯一可以产生多尺度空间的核，一个图像的尺度空间，L(x,y,σ),定义为原始图像 I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算。

高斯函数

( x xi )2 ( y yi )2 G xi, yi, exp 2 2 2 2 1

L x, y, G x, y, * I x, y

尺度是自然存在的，不是人为创造的！高斯卷积只是表现尺度空间的一种形式…

2012/3/27

关键点检测的相关概念关键点检测3.高斯模糊

SIFTScale Invariant Feature Transform

高斯模糊是在Adobe Ph

otoshop等图像处理软件中广泛使用的处理效果，通常用它来减小图像噪声以及降低细节层次。这种模糊技术生成的图像的视觉效果是好像经过一个半透明的屏幕观察图像。

2012/3/27

关键点检测关键点检测的相关概念 r2 G r exp 2 2 2 2 1r为模糊半径， r= x y2 2

SIFTScale Invariant Feature Transform

在减小图像尺寸的场合经常使用高斯模糊。在进行欠采样的时，通常在采样之前对图像进行低通滤波处理。这样就可以保证在采样图像中不会出现虚假的高频信息。

2012/3/27

关键点检测关键点检测的相关概念高斯模板大小的选择高斯模板0.00000067 0.00002292 0.00019117 0.00038771 0.00019117 0.00002292 0.00000067 0.00002292 0.00078633 0.00655965 0.01330373 0.00655965 0.00078633 0.00002292 0.00019117 0.00655965 0.05472157 0.11098164 0.05472157 0.00655965 0.00019117 0.00038771 0.01330373 0.11098164 0.22508352 0.11098164 0.01330373 0.00038771 0.00019117 0.00655965 0.05472157 0.11098164 0.05472157 0.00655965 0.00019117

SIFTScale Invariant Feature Transform

0.00002292 0.00078633 0.00655965 0.01330373 0.00655965 0.00078633 0.00002292

0.00000067 0.00002292 0.00019117 0.00038771 0.00019117 0.00002292 0.00000067

在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。 通常，图像处理程序只需要计算 (6 1) (6 1)

2012/3/27

关键点检测关键点检测的相关概念高斯模糊的性质 高斯模糊具有圆对称性。

SIFTScale Invariant Feature Transform

高斯模糊具有线性可分的性质，也可以在二维图像上对两个独立的一维空间分别进行计算。这样可以大大减少了运算的次数。 对一幅图像进行多次连续高斯模糊的效果与一次更大的高斯模糊可以产生同样的效果，大的高斯模糊的半径是所用多个高斯模糊半径平方和的平方根。例如，使用半径分别为 6和 8的两次高斯模糊变换得到的效果等同于一次半径为 10的高斯模糊效果， 62 82 10根据这个关系，使用多个连续较小的高斯模糊处理不会比单个高斯较大处理时间要少。

2012/3/27