KIT： Automotive Vision汽車視覺學習筆記（3）Feature Point Methods 特徵點檢測

04-29

本文僅作為自動駕駛方向愛好者的學習之用，不可用於任何商業途徑。

教程源自:KIT MRT所（KITTI由該所負責），作者：Dr. Martin Lauer。

本文主要為翻譯與自己學習記錄。

第三章：Feature Point Methods 特徵點檢測

本章重要：特徵點，尺度空間不變性，SIFT，角點或者邊界點的檢測

1.Feature Point Methods

general assignment problem一般匹配問題:

-找到圖像中的對應的點

-沒有對極幾何關係

images might differ in圖表區別於：

Scaling 縮放，Rotation 旋轉， Brightness亮度，viewing angle可視角度

detection檢測：找到具有特別特徵的點（特徵點）
description描述：創建一個能識別考慮點的描述（描述符）
approaches方法：存在不同的方法，這裡主要討論SIFT（scale invariant
feature transform尺度不變特徵變換）的細節

2. Illumination Invariance 照度不變性

關於照度的不變性：

-同樣的場景，不同的曝光

-生成的差別是不變的（關於照度）

照度不變性和SIFT：

類似於前一個的想法，但利用 Laplacian of Gaussian 過濾（LoG）

3. Scale Invariance尺度不變性

LoG過濾：最大值隨著σ不斷增大，不停移動

LoG和圖片縮放的步驟可以互換，結果一致：

solution解決辦法：選擇2個不同的σ

scale space尺度空間表示為:

interest point detection興趣點檢測：找到局部尺度空間的最大值
優點: 防止興趣點隨著縮放而移動；縮放不變性

4.Scale Space尺度空間

5.特徵點在SIFT中

一個特徵點需要滿足以下條件：

在一個經過LoG過濾的圖片中，它一定是尺度空間的局部最大值；

為了降低雜訊，LoG濾波器的反饋：顯著性的最大值一定比閾值大；

正確定義的最大值：（hessian矩陣的特徵值應該大致相同）。

6.Corners and Edges焦點與邊緣

不是所有局部σ 最大值都可以簡單被檢索，σ 在灰度角點容易被檢索，在邊緣則不容易被檢索。

兩者區別: 特徵點如何有效的被檢索how reliably can a given feature point be retrieved?

-feature point is maximum of L(u,v,σ).特徵點是L最大值

-local quadratic approximation of L L的局部二次逼近: H是hessian matrix

-一個最大值很好被定義：當H的特徵值都有相同的量級，特別是當：Tr為H的跡

-標準類似於「Harris corner detector」。

7. Feature Point Descriptors特徵點描述符

第一步：找到定義好的點

第二步：找到這些點的正確描述：

特徵，為了清除區分這些點

不變數：選擇，縮放，方向變化和照度

這些點的局部鄰域描述

（1）對於第一步：通常是分析局部鄰域中的灰度值。（高維度）

（2）對於第二步：局部鄰域中的灰度的梯度

對於點和它的鄰域非常具有象徵性

照度不變性

沒有旋轉不變性

與HOG特徵相似（機器視覺中的）

8. Rotational Invariance旋轉不變性

過程：定義優先的方向；旋轉圖像段以獲得優先方向不變性；計算旋轉圖像的描述符

優先的方向：在工作環境中定義梯度方向

畫方向直方圖（36個區間，每個10°）

在直方圖中選擇最重要的方向

9. SIFT

第一步：找到定義好的點

在使用LoG後，尺度空間的最大值

顯著的最大值，大於閾值（為了降低雜訊）

正確定義的最大值：（H矩陣的特徵值大致相同）

第二步：找到每個點的描述符

計算優先方向並旋轉分割的圖片（旋轉不變性）

計算每個小segment的方向的直方圖

通過方向直方圖，建立一個特徵的向量feature vector

描述符可以用來檢索在另一個圖片中的特殊點。

10.相對於SIFT的其他演算法：

記錄：關於特徵邊緣提取，涉及多種運算元：canny運算元等，課件基本沒介紹，但還是可以幫助人初步認識這個領域的一些東西。涉及方向直方圖的內容有點類似點雲法向量，通過鄰域附近點的向量權重來獲得查詢點的方向，三維跟二維還是有點相近的地方。

本來計劃每一章節都深讀，但課程內容受限，現在準備快速通讀，有個整體概念，之後細細拜讀李飛飛教授的計算機視覺課程。