基于SIFT特征的图像匹配算法研究(一)

基于SIFT特征的图像匹配算法研究

Abstract-Scale-invariant特性变换(筛选)特性已被广泛接受为一个有效的地方关键点描述符的旋转不变性,规模、和照明变化图像。 然而,它也是众所周知,筛选,这是来自定向敏感梯度场,不是翻转不变。 在真实的应用程序中,翻转或flip-like转换通常观察到图像由于人工翻转,相反捕获的观点,或对称模式的对象。 提出了一种新的描述符,名叫flip-invariant筛选(或F-SIFT),保存的原始属性筛选而宽容的翻转。 F-SIFT首先估计占主导地位的旋度的一块地方,然后由翻转几何规范化补丁前筛选的计算。我们展示的力量F-SIFT三个任务:大规模的视频拷贝检测, 对象识别和检测。在复制检测,一个框架,它巧妙的翻转特性指数F-SIFT快速过滤和弱几何检查。 F-SIFT不仅极大地提高了筛选的检测精度,但是也会导致超过50%的储蓄在计算成本。 在物体识别,我们证明F-SIFT的优越性在处理翻转转换通过比较其他七个描述符。 在目标检测中,我们进一步显示F-SIFT描述对称物体的能力一致的改善在不同种类的关键点检测器观察F-SIFT超过最初的筛选。

    指数Terms-Flip不变尺度不变特征变换(筛选),几何验证对象检测、视频拷贝检测。

介绍

由于筛选[1]的成功,图像局部特性被广泛应用于各种计算机视觉和图像处理应用程序。 尤其是各种近期作品利用筛选开发先进的对象分类器。 研究由[2],[3],例如,基于筛选表明,使用聚合本地特性,线性分类器的性能与更复杂的但计算昂贵的分类器。筛选的吸引力主要是因为其不变性各种形象转换包括:旋转、缩放、照明变化和位移在当地区域的像素。 筛选通常是计算在一个地方凸区域位于多尺度检测和旋转它的主导方向。 结果,描述符是尺度和旋转不变。 此外,由于空间分区和2 d方向梯度装箱,筛选是对色彩、照明和小像素位移。尽管有这些理想的性质,筛选不翻转不变。 因此,描述符提取两个相同但翻本地补丁可能完全不同的功能空间。 这已经退化的特征点匹配的效果[4]和引入额外的计算开销[5]-[7]应用如视频拷贝检测。

    

    

(b)   

图1-1 在不同的上下文中的例子。 (a)观点的改变。 (b)Flip-like结构。

    翻转或flip-like操作在不同的上下文中发生。 在侵犯版权,翻转操作的常用技巧[8],[9]。 特别是水平翻转更为常见,因为此操作视觉上不会造成任何明显的图像/视频内容的损失。翻转也发生在拍照的一个场景从相反的观点。这种翻转,如图1-1所示(a),通常捕获的不同快照的时间,广泛存在特别是在电视新闻节目播出由不同的频道。此外,对象具有对称结构也表现出flip-like变换如图1-1所示(b)。一般来说,允许对象的对称结构匹配的特征空间会增加召回对象在同一类的机会,尤其是当对象从任意视点。 简而言之,在特征描述符的能力的视觉不变性的局部区域,尽管该地区是否本质上翻或对称是重要任务,比如复制和目标检测。

本文的主要贡献是F-SIFT的建议,提高筛选与翻转不变性的财产。 F-SIFT就业的视频拷贝检测、对象识别和检测也证实。 特别是,我们表明,潇洒地索引F-SIFT,性能提高检测精度和速度一般可以预期。其余本文组织如下。 第二部分回顾变异的局部描述符和复制和目标检测的利用率。 第三部分描述了提取F-SIFT当地区域的描述符。第四部分进一步大规模的视频拷贝检测提出了一个框架,提出了方案功能索引和基于F-SIFT弱几何检查。第五部分提出了一个比较研究调查的影响探测器和描述符面对翻转转换为对象识别。 第六章实证比较F-SIFT和筛选对象的性能检测。最后第七章总结本文。

相关工作

在当地描述符不变量受到众多研究的关注，各种几何的翻转不变形通常紧跟的不考虑。直到最近,有几个翻转不变描述符包括裂谷[10]、旋转[10],MI-SIFT[12], 找到[13]。这些描述符,包括筛选,主要是不同的局部区域的分区方案如图2-1所示。 筛选,将区域划分为4×4块和8方向梯度直方图描述了每个网格如图2-1所示(一个),生成特性通过连接柱状图行从左到右顺序和直方图以顺时针方式垃圾箱因此,翻转转换的地区将障碍块和垃圾箱的位置。 这个结果在一个不同的版本的描述符特性的预定义的顺序扫描。 处理这个问题的可能的解决方案包括改变分区方案或扫描订单[10],[13]和功能转换[12]。

   

图2-1 分区方案(一)筛选[1],(b)裂谷[10],(c)GLOH[11],(d)旋转[10],(e)找到[13]。

     裂谷[10]采用不同的分区方案筛选除以区域沿着log-polar方向如图2-1所示(b)。 类似于筛选,8-directional直方图计算每个部门,然后连接起来形成一个描述符。 由于分区方案本身就是翻转和旋转不变,裂谷扫描顺序不敏感。另一方面,虽然这种基于半径的部门是光滑和不容易量化损失如果相对于基于网格的划分,空间宽松表示还导致裂缝描述符不是独特的筛选。 GLOH可视为一个集成版本的筛选和裂缝提供了更细的划分如图2-1所示(c)。然而,不变性属性不再存在后加强空间约束。旋转,如图2-1所示(d),相反,保留翻转不变性财产而实施空间信息通过编码区域的二维直方图像素强度和距离区域中心。尽管有改善,然而,实证评价[11]报道,自旋以及裂缝和GLOH被筛选表现。

    找到[13]是一个新的描述符,允许重叠分区和扫描8-directional梯度直方图遵循的顺序显示在图2-1(e)。在这个方案下,翻转操作之前和之后产生的描述符也是对方的镜子。 具体地说,一个描述符生成的翻转可以恢复通过扫描倒序的直方图。这个有趣的属性,找到明确的描述符不变的翻转,估计一个地区是否向左或向右指通过参数阈值。 当比较两个描述符的左边和右边分别指向描述符组件动态地重新安排适当的特性匹配。然而,[13]报道,指出方向的估计是高度依赖于参数设置,更重要的是,错误的估计直接意味着无效匹配的结果。此外,类似于裂谷,分区方案不会产生描述符和筛选一样独特。MI-SIFT[12],相反,直接在筛选而改变新的描述符翻转不变。这是通过明确地识别组织无序的功能组件放置的翻转操作。 MI-SIFT标签32这样的团体和代表每组四个时刻翻转不变。然而, 描述符基于矩不歧视。 在报道[12],这将导致超过10%的匹配性能下降比筛选no-flip转换发生。