图像局部不变特征检测与描述技术研究

论文摘要

局部不变特征提取一直以来都是计算机视觉领域的研究热点之一,已被成功应用到图像配准、目标识别、纹理识别、场景识别等领域。实际应用中的不同需求以及不同类型图像对局部不变特征提出了低算法复杂度、低存储内存描述、高重复率以及强显著性的要求。本文以满足上述需求为目标,基于局部不变特征提取的步骤框架,对特征检测、基于非线性扩散滤波创建非线性尺度空间以及特征描述等理论及关键技术进行了系统深入研究。在局部特征检测部分,详细的研究及总结特征检测算法的基本原理,分析对比了算法的性能。针对Harris角点门限判决方法存在的“漏检”情况,提出了一种基于对比的门限改进方法,提高了算法的重复率。该门限改进方法具有较好的可扩展性,可以将其用于其它基于二阶行列式值及行列式迹的特征检测的门限判决方法中。在尺度空间创建部分,将加性算子分裂方法引入基于非线性扩散滤波的非线性尺度空间的高效创建中,非线性尺度空间相比于线性尺度空间性能更加优越,提取特征的显著性更强。深入研究了基于有向梯度直方图结构描述的特征提取方法,用特征描述的方法进行特征提取,该算法略去了特征描述子构建的过程,降低了算法复杂度的同时提高了重复率及显著性。并将该方法与非线性尺度空间相结合,构建了一种在各向异性多尺度空间中基于有向梯度直方图结构描述的局部特征检测方法,该算法无论是在效率还是在其它性能上均优于SIFT,SURF等经典算法。在局部特征描述部分,详细分析并归纳了SIFT,PCA-SIFT,GLOH,DAISY以及基于机器学习的描述子构建原理及方法。并针对DAISY描述子提出了一种改进方法,将主成分分析应用于DAISY描述子的降维过程中,然后将特征向量进行归一化处理,从而实现了低存储下的高效描述子构建。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 局部不变特征检测的研究现状
• 1.2.1 局部不变特征检测研究现状
• 1.2.2 局部不变特征待解决的问题
• 1.2.3 局部不变特征提取算法评价
• 1.2.4 常用术语
• 1.3 本文的主要安排
• 第二章 局部不变特征检测理论
• 2.1 引言
• 2.2 Harris角点算法及其门限判别改进
• 2.2.1 Harris角点
• 2.2.2 角点门限判决标准优化的可行性分析以及算法改进步骤
• 2.2.3 实验结果与分析
• 2.3 基于自相似性的点特征提取算法
• 2.3.1 最小核值相似区检测算子
• 2.3.2 快速分割测试特征点提取算法
• 2.4 斑点检测
• 2.4.1 一维信号斑点检测理论
• 2.4.2 传统斑点检测算法
• 2.5 小结
• 第三章 基于各向异性尺度空间特征提取
• 3.1 引言
• 3.2 尺度空间理论
• 3.2.1 尺度空间定义
• 3.2.2 非线性尺度空间
• 3.2.3 非线性扩散滤波
• 3.3 加性算子分裂算法
• 3.3.1 加性算子分裂
• 3.3.2 各向异性SIFT算法
• 3.3.3 AnSIFT性能分析
• 3.4 基于有向梯度直方图结构的斑点检测算法
• 3.4.1 基于梯度直方图的斑点提取
• 3.4.2 基于各向异性扩散滤波的梯度直方图斑点检测
• 3.4.3 算法比较与分析
• 3.5 小结
• 第四章 局部不变特征描述
• 4.1 引言
• 4.2 SIFT描述子及其衍生描述子
• 4.2.1 SIFT描述子
• 4.2.2 SIFT衍生描述子
• 4.2.3 基于机器学习的局部特征描述子
• 4.3 DAISY描述子
• 4.3.1 DAISY描述子
• 4.3.2 DAISY描述子参数选择
• 4.4 基于机器学习的 PCA-DAISY 描述子
• 4.4.1 DAISY描述子改进步骤
• 4.4.2 改进描述子训练与测试
• 4.5 小结
• 第五章 结论与展望
• 5.1 论文主要工作回顾
• 5.2 进一步的研究展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果
• 附录A Bhattacharyya系数
• 附录B 主成分分析
• 附录C 缩略语对照表