/******************************************************/
github：https://github.com/MichaelBeechan
CSDN：https://blog.csdn.net/u011344545
/******************************************************/
記得最早使用SIFT還是OpenCV2中，不知后來為什么被去掉了！！！直到前段時(shí)間聽說SIFT算法專利到期了（原來是因?yàn)镾IFT算法有使用權(quán)限），接著很快OpenCV4就有這個(gè)功能了！！！！！

1、SIFT簡介

圖像匹配的核心問題：將同一目標(biāo)在不同時(shí)間、不同分辨率、不同光照、不同位姿情況下所成的像相對(duì)應(yīng)。
傳統(tǒng)的匹配算法：往往是直接提取角點(diǎn)或邊緣，對(duì)環(huán)境的適應(yīng)能力較差，因此急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識(shí)別目標(biāo)的方法。
所以1999年SIFT誕生了：David G. Lowe老爺子提出：E-mail: lowe@cs.ubc.ca

1999 年哥倫比亞大學(xué) David G.Lowe 教授總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測(cè)方法，提出了一種**基于尺度空間的**、對(duì)**圖像縮放**、**旋轉(zhuǎn)**甚至**仿射變換**保持不變性的圖像局部特征描述算子—— **SIFT（尺度不變特征變換）**，直到算法在2004被完善。

將一幅圖像映射（變換）為一個(gè)局部特征向量集：特征向量具有平移、縮放、旋轉(zhuǎn)不變性，同時(shí)對(duì)光照變化、仿射及投影變換也有一定不變性。

SIFT 算法特點(diǎn)：

- SIFT 特征是**圖像的局部特征**，其對(duì)**旋轉(zhuǎn)**、**尺度縮放**、**亮度變化保持不變性**，對(duì)**視角變化**、**仿射變換**、**噪聲**也保持一定程度的穩(wěn)定性。- 獨(dú)特性好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配。- 多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量 SIFT 特征向量。- 經(jīng)過優(yōu)化的 SIFT 算法可滿足一定的速度需求。- 可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。

SIFT 算法解決的問題

- 目標(biāo)的旋轉(zhuǎn)、縮放、平移- 圖像仿射/投影變換- 光照影響- 目標(biāo)遮擋- 雜物場景- 噪聲

2、SIFT算法實(shí)現(xiàn)

SIFT 算法實(shí)現(xiàn)物體識(shí)別主要有三大工序，1 1 、提取關(guān)鍵點(diǎn)；2 2 、對(duì)關(guān)鍵點(diǎn)附加詳細(xì)的信息（局部特征）也就是所謂的描述器；3 3 、通過兩方特征點(diǎn)（附帶上特征向量的關(guān)鍵點(diǎn)）的兩兩比較找出相互匹配的若干對(duì)特征點(diǎn)，也就建立了景物間的對(duì)應(yīng)關(guān)系。

2.1 關(guān)鍵點(diǎn)檢測(cè)

根據(jù)文獻(xiàn) 《 Scale- - space theory: A basic tool for analysing structures at different scales 》 我們可知，高斯核是唯一可以產(chǎn)生 多尺度空間的核，一個(gè)圖像的尺度空間， L( x,y,σ) , 定義為原始圖像 I(x,y) 與一個(gè)可變尺度的2 2 維高斯函數(shù) G(x,y,σ) 卷積運(yùn)算

Lindeberg 在文獻(xiàn) 《 Scale- - space theory: A basic tool for analysing structures at different scales 》 指出尺度規(guī)范化的 LoG 算子具有真正的尺度不變性。
LoG 算子即（ Laplacion of Gaussian ）, 可以由高斯函數(shù)梯度算子 GOG 構(gòu)建

LOG算子與高斯核函數(shù)的關(guān)系

DoG （ Difference of Gaussian ）函數(shù)


在 Lowe 的論文中，將第0 0 層的初始尺度定為 1.6，圖片的初始尺度定為 0.5，則圖像金字塔第0層的實(shí)際尺度為

2.2 關(guān)鍵點(diǎn)描述

描述的目的是在關(guān)鍵點(diǎn)計(jì)算后，用一組向量將這個(gè)關(guān)鍵點(diǎn)描述出來，這個(gè)描述子不但包括關(guān)鍵點(diǎn)，也包括關(guān)鍵點(diǎn)周圍對(duì)其有貢獻(xiàn)的像素點(diǎn)。用來作為目標(biāo)匹配的依據(jù)，也可使關(guān)鍵點(diǎn)具有更多的不變特性，如光照變化、 3D 視點(diǎn)變化等。

下圖是一個(gè) SIFT 描述子事例。其中描述子由2×2×8 維向量表征，也即是2×2個(gè)8 方向的方向 直方圖組成。 左圖的種子點(diǎn)由8×8單元組成。每一個(gè)小格都代表了特征點(diǎn)鄰域所在的尺度空間的一個(gè)像素，箭頭方向代表了像素梯度方向，箭頭長度代表該像素的幅值。然后在4×的窗口內(nèi)計(jì)算8 個(gè)方向的梯度方向直方圖。繪制每個(gè)梯度方向的累加可形成一個(gè)種子點(diǎn)，如右圖所示：由 一個(gè)特征點(diǎn)由4 個(gè)種子點(diǎn)的信息所組成。

Lowe 實(shí)驗(yàn)結(jié)果表明 ： 描述子采用4×4×8＝ 128維向量表征 ，綜合效果最優(yōu)（不變性與獨(dú)特性）

2.3 關(guān)鍵點(diǎn)匹配

分別對(duì)參考圖reference image 和觀測(cè)圖， observation image建立關(guān)鍵點(diǎn)描述子集合。目標(biāo)的識(shí)別是通過兩點(diǎn)集內(nèi)關(guān)鍵點(diǎn)描述子的比對(duì)來完成。具有 128 維的關(guān)鍵點(diǎn)描述子的相似性度量采用歐式距離。

2.4 消除錯(cuò)配點(diǎn)

關(guān)鍵點(diǎn)匹配并不能標(biāo)志著算法的結(jié)束，因?yàn)樵谄ヅ涞倪^程中存在著大。 量的錯(cuò)配點(diǎn)。
RANSAC （ Random Sample Consensus ， 隨機(jī)抽樣一致 ）：是一種魯棒性的參數(shù)估計(jì)方法。
思想：首先根據(jù)具體問題設(shè)計(jì)出某個(gè)目標(biāo)函數(shù)，然后通過反復(fù)提取最小點(diǎn)集估計(jì)該函數(shù)中參數(shù)的初始值，利用這些初始值把所有的數(shù)據(jù)分為 “ 內(nèi)點(diǎn) ” （ inlier ）和 “ 外點(diǎn) “ （ outlier ），最后用所有的內(nèi)點(diǎn)重新計(jì)算和估計(jì)函數(shù)的參數(shù)。

3、SIFT算法的應(yīng)用

SIFT 算法目前在軍事、工業(yè)和民用方面都得到了不同程度的應(yīng)用，其應(yīng)用已經(jīng)滲透了很多領(lǐng)域，典型的應(yīng)用如下：

? 物體識(shí)別 ? 機(jī)器人定位與導(dǎo)航 ? 圖像拼接 ? 三維建模 ? 手勢(shì)識(shí)別 ? 視頻跟蹤 ? 筆記鑒定 ? 指紋與人臉識(shí)別 ? 犯罪現(xiàn)場特征提取 ?????????????

4、SIFT算法的擴(kuò)展與改進(jìn)

總結(jié)

以上是生活随笔為你收集整理的算法 | 尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。