特征匹配

计算机视觉课堂笔记

回顾：特征提取中分为点（Harris等），线（Canny算子），区域（MSER）等特征的提取。

相应的特征匹配就会有特征点匹配，直线匹配，曲线匹配，区域匹配。

而在众多研究中以点匹配居多，点匹配的基本原则：利用图像点周围的信息来描述点，如灰度信息，颜色信息，梯度信息等，然后进行相似性度量。

点匹配典型方法：

基于灰度分布的匹配：Cross-correlation；

基于梯度分布的匹配：SIFT；Daisy descriptor；

其他匹配方法：Eigenvector；ICP；RANSAC。

1.Cross-correlation：在位置对应点附近划出一个大框，在这个框中对每一个像素点附近使用小框进行逐一的相关函数计算，得到相似度最高的作为匹配点。（有诸多缺陷）

2.SIFT:

http://www.cnblogs.com/cuteshongshong/archive/2012/05/25/2506374.html

3.Daisy descriptor:与SIFT作对比的一种方法，特点在于，他并没有进行特征点提取，而是对整幅图像进行梯度运算并进行高斯滤波，得到梯度图像，然后对每个像素构建描述子（这里构建的描述子的长度是200维的）

***4.ICP（Iterative Closest Point）：目标是对齐两个相互交叠的曲面。

4.1首先，研究：假如已知两个对应的点集合如何寻找他们之间的对应关系?

X={x1,x2,...,xn},P={p1,p2,...,pn}

这个思想很经典：先计算二者的均值，以去掉平移的影响；进行SVD分解,得到的R=UV'为旋转变换；进而求得平移变换t。

4.2然后，我们要考虑的问题：如何找到对应点？

ICP给出的方案就是把"最近"的点先认为是对应点，然后算R,t，算完了之后再带回去去找下一组最近的点，再更新R，t，直到E(R,t)小于某个阈值为止。截图如下:

4.3接下来要解决的问题：什么样的点才是最近的点？

给出了几种候选：最近邻点，法方向最近邻，投影法。几种方法各有优势，适用于不同的问题而已。

截图来源：http://vision.ia.ac.cn/zh/teaching/index.html