基于SIFT特征的圖像匹配算法研究(一)

基于SIFT特征的圖像匹配算法研究

Abstract-Scale-invariant特性變換(篩選)特性已被廣泛接受為一個有效的地方關鍵點描述符的旋轉不變性,規模、和照明變化圖像。 然而,它也是眾所周知,篩選,這是來自定向敏感梯度場,不是翻轉不變。 在真實的應用程序中,翻轉或flip-like轉換通常觀察到圖像由于人工翻轉,相反捕獲的觀點,或對稱模式的對象。 提出了一種新的描述符,名叫flip-invariant篩選(或F-SIFT),保存的原始屬性篩選而寬容的翻轉。 F-SIFT首先估計占主導地位的旋度的一塊地方,然后由翻轉幾何規范化補丁前篩選的計算。我們展示的力量F-SIFT三個任務:大規模的視頻拷貝檢測, 對象識別和檢測。在復制檢測,一個框架,它巧妙的翻轉特性指數F-SIFT快速過濾和弱幾何檢查。 F-SIFT不僅極大地提高了篩選的檢測精度,但是也會導致超過50%的儲蓄在計算成本。 在物體識別,我們證明F-SIFT的優越性在處理翻轉轉換通過比較其他七個描述符。 在目標檢測中,我們進一步顯示F-SIFT描述對稱物體的能力一致的改善在不同種類的關鍵點檢測器觀察F-SIFT超過最初的篩選。

    指數Terms-Flip不變尺度不變特征變換(篩選),幾何驗證對象檢測、視頻拷貝檢測。

介紹

由于篩選[1]的成功,圖像局部特性被廣泛應用于各種計算機視覺和圖像處理應用程序。 尤其是各種近期作品利用篩選開發先進的對象分類器。 研究由[2],[3],例如,基于篩選表明,使用聚合本地特性,線性分類器的性能與更復雜的但計算昂貴的分類器。篩選的吸引力主要是因為其不變性各種形象轉換包括:旋轉、縮放、照明變化和位移在當地區域的像素。 篩選通常是計算在一個地方凸區域位于多尺度檢測和旋轉它的主導方向。 結果,描述符是尺度和旋轉不變。 此外,由于空間分區和2 d方向梯度裝箱,篩選是對色彩、照明和小像素位移。盡管有這些理想的性質,篩選不翻轉不變。 因此,描述符提取兩個相同但翻本地補丁可能完全不同的功能空間。 這已經退化的特征點匹配的效果[4]和引入額外的計算開銷[5]-[7]應用如視頻拷貝檢測。

    

    

(b)   

圖1-1 在不同的上下文中的例子。 (a)觀點的改變。 (b)Flip-like結構。

    翻轉或flip-like操作在不同的上下文中發生。 在侵犯版權,翻轉操作的常用技巧[8],[9]。 特別是水平翻轉更為常見,因為此操作視覺上不會造成任何明顯的圖像/視頻內容的損失。翻轉也發生在拍照的一個場景從相反的觀點。這種翻轉,如圖1-1所示(a),通常捕獲的不同快照的時間,廣泛存在特別是在電視新聞節目播出由不同的頻道。此外,對象具有對稱結構也表現出flip-like變換如圖1-1所示(b)。一般來說,允許對象的對稱結構匹配的特征空間會增加召回對象在同一類的機會,尤其是當對象從任意視點。 簡而言之,在特征描述符的能力的視覺不變性的局部區域,盡管該地區是否本質上翻或對稱是重要任務,比如復制和目標檢測。

本文的主要貢獻是F-SIFT的建議,提高篩選與翻轉不變性的財產。 F-SIFT就業的視頻拷貝檢測、對象識別和檢測也證實。 特別是,我們表明,瀟灑地索引F-SIFT,性能提高檢測精度和速度一般可以預期。其余本文組織如下。 第二部分回顧變異的局部描述符和復制和目標檢測的利用率。 第三部分描述了提取F-SIFT當地區域的描述符。第四部分進一步大規模的視頻拷貝檢測提出了一個框架,提出了方案功能索引和基于F-SIFT弱幾何檢查。第五部分提出了一個比較研究調查的影響探測器和描述符面對翻轉轉換為對象識別。 第六章實證比較F-SIFT和篩選對象的性能檢測。最后第七章總結本文。

相關工作

在當地描述符不變量受到眾多研究的關注，各種幾何的翻轉不變形通常緊跟的不考慮。直到最近,有幾個翻轉不變描述符包括裂谷[10]、旋轉[10],MI-SIFT[12], 找到[13]。這些描述符,包括篩選,主要是不同的局部區域的分區方案如圖2-1所示。 篩選,將區域劃分為4×4塊和8方向梯度直方圖描述了每個網格如圖2-1所示(一個),生成特性通過連接柱狀圖行從左到右順序和直方圖以順時針方式垃圾箱因此,翻轉轉換的地區將障礙塊和垃圾箱的位置。 這個結果在一個不同的版本的描述符特性的預定義的順序掃描。 處理這個問題的可能的解決方案包括改變分區方案或掃描訂單[10],[13]和功能轉換[12]。

   

圖2-1 分區方案(一)篩選[1],(b)裂谷[10],(c)GLOH[11],(d)旋轉[10],(e)找到[13]。

     裂谷[10]采用不同的分區方案篩選除以區域沿著log-polar方向如圖2-1所示(b)。 類似于篩選,8-directional直方圖計算每個部門,然后連接起來形成一個描述符。 由于分區方案本身就是翻轉和旋轉不變,裂谷掃描順序不敏感。另一方面,雖然這種基于半徑的部門是光滑和不容易量化損失如果相對于基于網格的劃分,空間寬松表示還導致裂縫描述符不是獨特的篩選。 GLOH可視為一個集成版本的篩選和裂縫提供了更細的劃分如圖2-1所示(c)。然而,不變性屬性不再存在后加強空間約束。旋轉,如圖2-1所示(d),相反,保留翻轉不變性財產而實施空間信息通過編碼區域的二維直方圖像素強度和距離區域中心。盡管有改善,然而,實證評價[11]報道,自旋以及裂縫和GLOH被篩選表現。

    找到[13]是一個新的描述符,允許重疊分區和掃描8-directional梯度直方圖遵循的順序顯示在圖2-1(e)。在這個方案下,翻轉操作之前和之后產生的描述符也是對方的鏡子。 具體地說,一個描述符生成的翻轉可以恢復通過掃描倒序的直方圖。這個有趣的屬性,找到明確的描述符不變的翻轉,估計一個地區是否向左或向右指通過參數閾值。 當比較兩個描述符的左邊和右邊分別指向描述符組件動態地重新安排適當的特性匹配。然而,[13]報道,指出方向的估計是高度依賴于參數設置,更重要的是,錯誤的估計直接意味著無效匹配的結果。此外,類似于裂谷,分區方案不會產生描述符和篩選一樣獨特。MI-SIFT[12],相反,直接在篩選而改變新的描述符翻轉不變。這是通過明確地識別組織無序的功能組件放置的翻轉操作。 MI-SIFT標簽32這樣的團體和代表每組四個時刻翻轉不變。然而, 描述符基于矩不歧視。 在報道[12],這將導致超過10%的匹配性能下降比篩選no-flip轉換發生。