1.SIFt算子 SIFT算子是David G Lowe在2004提出的,即尺度不变特征变换(Scale Invariant Feature Transform)。它是以尺度空间的构造为基础的局部特征描述算子,对于图像的缩放、旋转和放射变换等具有不变性。SIFT算子在构建好的尺度空间的基础上搜索尺度空间中的极值点(特征点),然后确定极值点的尺度信息以及位置,再确定极值点的方向(其邻域梯度的主方向),最终可以得到具有鲁棒性的128维(4*4*8)的特征描述子。 2.surf特征SURF(Speed-Up Robust Features)算子选取图像在尺度空间上的极值点作为候选特征点。与SIFT算子不同的是SURF算子采用Hessian矩阵行列式近似值来构造金字塔。提取SURF特征点需要4个步骤:提取SURF特征,对于特征点进行定位,赋予主方向,生成特征点描述符。 3. BRIEF特征
BRIEF特征(binary robust independent
elementary features)是Calonder等在2010年提出来的,他采用二进制字符串作为特征点描述符,因而在速度和性能上都有着卓越的表现。其主要思路是:在特征点附近随机的选取若干点对,将这些点对的灰度值大小组合成一个长为256的二进制字串,并将这个二进制字串作为该特征点的特征描述子。由于其描述子利用二进制(“0”和“1”)编码,因此在特征匹配时只需计算2个特征点描述子的Hamming距离。大量实验表明,不匹配特征点的描述子的Hamming距离在128左右,匹配点对描述子的Hamming距离则远小于128。由于BRIEF的匹配速度远高于SURF和SIFT,因此应用较为广泛。 BRIEF特征描述符是一个bit串,有若干个二值 其中,影像块 这里有两点要注意:1)如何选取内核对图形进行平滑处理(预处理);2)如何选择测试点对 为了保证描述符的旋转不变性,需要先对
其中以 然而在进行坐标旋转后,坐标一般就变为了浮点型,此时我们要对图像进行重采样,可以使用的方法有最近邻方法、双线性内插方法、立体卷积方法等。其中最近邻方法计算简单,它采用待采样点周围4个相邻的像素点中距离最近点的灰度值作为该点的灰度,这样仅仅考虑到了一个点的灰度值,没有考虑到其相邻区域内的像素点的影响,所以重采样后图像灰度值就会有明显的不连续现象。另外立体卷积的方法计算量过大,在实时性方面有些困难。对于待采样点的灰度值,其采用周围的4个临近点的灰度值,然后在两个方向上做线性内插,从而得到带采样点的灰度值 4 ORB特征
ORB算子(Oriented FAST and Rotated BRIEF)是Rublee等在2011年提出来的,是建立在改进的FAST特征和改进的rBRIEF特征之上,由于FAST特征和BRIEF特征的运算速度都很快,则ORB在运算速度上比SIFT和SURF等拥有绝对优势。 但由于BRIEF不具有旋转不变性,因此很难用于旋转剧烈的场景,不过上文中我们已经给出了解决办法。为了使BRIEF具有旋转不变性,Rublee等在2011年提出了ORB(oriented brief)特征,在尺度变化不太大的环境中,ORB特征在SLAM系统中取得了了大量的应用,有时候我们的实际场景中比如带有机器的室内外场景中,这些机器可能其景深变化非常剧烈,这种特征描述子就会受到一定程度的限制。也就是ORB解决了BRIEF的不具有旋转不变性和对噪声敏感的缺点,但ORB没有解决尺度不变性。ORB算法的大致步骤如图3-12所示: BRIEF特征向量的每个比特(bit)具有的方差和的均值接近0.5。而加入特征点的主方向后,特征向量的比特位分布就变得比较平均了,故其方差变小了,这导致特征之间的差异性变小,区分性能变差,因此,主方向引导后BRIEF后的性能有所下降。为此要从矩阵 这个算法是在均值是0.5附近的不相关的测试集合上进行贪婪算法搜索。下图中的组图是经过旋转后具有高相关性的采样模式,右图是经贪婪学习算法后,降低了相关性的采样模式,其中最右边条形图的上端黄色代表具有高相关性的颜色,低端黑色代表具有最低相关性的颜色。 5. 特征描述符性能评价
这里介绍的特征描述符,已被证明为比其他的相对优秀一些,在实际的系统中应用较多。在单目SLAM中,跟踪部分是需要实时性的,这里我们为了模拟被不确定度影响的位姿估计跟踪系统,限定匹配搜索范围以当前描述符位置为圆心的一个圆形区域 其中 |
|
来自: 昵称29638005 > 《待分类1》