特征检测与描述

特征检测与描述旨在图像中找到独特的局部点，并总结其周围的外观，以便在不同图像中识别和匹配相同的物理点。

Definition

特征是具有相关描述符向量的独特图像位置；检测可重复地定位这些点，描述则编码其外观以进行比较。

Scope

本主题涵盖角点和斑点检测器，例如Harris检测器、尺度不变关键点检测、编码关键点邻域的局部描述符，以及使特征匹配可靠的尺度、旋转和光照不变性。

Core questions

• 哪些图像位置具有足够的独特性和可重复性以进行匹配？
• 如何紧凑地编码点周围的局部外观？
• 如何使描述符对尺度、旋转和光照具有不变性？
• 如何在图像之间匹配特征？

Key concepts

• 角点和斑点检测
• 结构张量
• 尺度空间极值
• 局部描述符
• 尺度和旋转不变性
• 特征匹配

Key theories

角点检测

角点位于图像强度在所有方向上变化强烈的位置，通过局部梯度结构张量的特征值识别，从而得到在小视角变化下定位良好且稳定的点。

尺度不变特征变换

SIFT通过高斯差分尺度空间中的极值检测关键点，并通过梯度方向直方图描述每个关键点，从而生成对尺度、旋转以及适度光照和视角变化具有鲁棒性的描述符。

Clinical relevance

局部特征是图像匹配、全景拼接、运动恢复结构（structure-from-motion）和视觉定位、物体实例识别以及增强现实跟踪的核心技术。

History

1988年的Harris检测器提供了鲁棒的角点度量，而Lowe在2004年提出的SIFT使尺度和旋转不变匹配变得实用，并在学习特征和深度网络出现之前，主导了宽基线匹配。

Key figures

• Chris Harris
• David Lowe

Seminal works

• harris1988
• lowe2004

Frequently asked questions

为什么角点是好的特征而平坦区域不是？

角点在每个方向上看起来都不同，因此其位置可以被精确地确定并明确地匹配，而平坦或均匀边缘的区域在移动时看起来相同，使其匹配具有模糊性。

为什么描述符需要具有不变性？

相同的场景点在不同照片中会以不同的尺度、旋转和亮度出现；在这些变化下保持近似不变的描述符，可以使该点在不同图像中被识别为同一个点。