介绍 SURF(Speeded-Up Robust Features)
介绍 SURF(Speeded-Up Robust Features)
目标
本节我们将要学习:
• SUFR 的基础是什么?
• OpenCV 中的 SURF
原理
在上一节中我们学习了使用 SIFT 算法进行关键点检测和描述。但是这种算法的执行速度比较慢,人们需要速度更快的算法。在 2006 年Bay,H.,Tuytelaars,T. 和 Van Gool,L 共同提出了 SURF(加速稳健特征)算法。跟它的名字一样,这是个算法是加速版的 SIFT。
在 SIFT 中,Lowe 在构建尺度空间时使用 DoG 对 LoG 进行近似。SURF使用盒子滤波器(box_filter)对 LoG 进行近似。下图显示了这种近似。在进行卷积计算时可以利用积分图像(积分图像的一大特点是:计算图像中某个窗口内所有像素和时,计算量的大小与窗口大小无关),是盒子滤波器的一大优点。而且这种计算可以在不同尺度空间同时进行。同样 SURF 算法计算关键点的尺度和位置是也是依赖与 Hessian 矩阵行列式的。
为了保证特征矢量具有选装不变形,需要对于每一个特征点分配一个主要方向。需要以特征点为中心,以 6s(s 为特征点的尺度)为半径的圆形区域内,对图像进行 Harr 小波相应运算。这样做实际就是对图像进行梯度运算,但是利用积分图像,可以提高计算图像梯度的效率,为了求取主方向值,需哟啊设计一个以方向为中心,张角为 60 度的扇形滑动窗口,以步长为 0.2 弧度左右旋转这个滑动窗口,并对窗口内的图像 Haar 小波的响应值进行累加。主方向为最大的 Haar 响应累加值对应的方向。在很多应用中根本就不需要旋转不变性,所以没有必要确定它们的方向,如果不计算方向的话,又可以使算法提速。SURF 提供了成为 U-SURF 的功能,它具有更快的速度,同时保持了对 +/-15 度旋转的稳定性。OpenCV 对这两种模式同样支持,只需要对参数upright 进行设置,当 upright 为 0 时计算方向,为 1 时不计算方向,同时速度更快。
生成特征点的特征矢量需要计算图像的 Haar 小波响应。在一个矩形的区域内,以特征点为中心,沿主方向将 20s20s 的图像划分成 44 个子块,每个子块利用尺寸 2s 的 Haar 小波模版进行响应计算,然后对响应值进行统计,组成向量 v = (∑dx{{d}_{x}}dx,∑dy{{d}_{y}}dy,∑|dx{{d}_{x}}dx|,∑|dy{{d}_{y}}dy|)。这个描述符的长度为 64。降低的维度可以加速计算和匹配,但又能提供更容易区分的特征。
为了增加特征点的独特性,SURF 还提供了一个加强版 128 维的特征描述符。当 dy 大于 0 和小于 0 时分别对 dx{{d}_{x}}dx 和 |dx{{d}_{x}}dx| 的和进行计算,计算 dy{{d}_{y}}dy 和 |dy{{d}_{y}}dy| 时也进行区分,这样获得特征就会加倍,但又不会增加计算的复杂度。OpenCV 同样提供了这种功能,当参数 extended 设置为 1 时为 128 维,当参数为 0 时为 64 维,默认情况为 128 维。
在检测特征点的过程中计算了 Hessian 矩阵的行列式,与此同时,计算得到了 Hessian 矩阵的迹,矩阵的迹为对角元素之和。
按照亮度的不同,可以将特征点分为两种,第一种为特征点迹其周围小邻域的亮度比背景区域要亮,Hessian 矩阵的迹为正;另外一种为特征点迹其周围小邻域的亮度比背景区域要暗,Hessian 矩阵为负值。根据这个特性,首先对两个特征点的 Hessian 的迹进行比较。如果同号,说明两个特征点具有相同的对比度;如果异号的话,说明两个特征点的对比度不同,放弃特征点之间的后续的相似性度量。
对于两个特征点描述子的相似性度量,我们采用欧式距离进行计算。
简单来说 SURF 算法采用了很多方法来对每一步进行优化从而提高速度。分析显示在结果效果相当的情况下 SURF 的速度是 SIFT 的 3 倍。SURF 善于处理具有模糊和旋转的图像,但是不善于处理视角变化和关照变化。
OpenCV 中的 SURF
与 SIFT 相同 OpenCV 也提供了 SURF 的相关函数。首先我们要初始化一个 SURF 对象,同时设置好可选参数:64/128 维描述符,Upright/Normal 模式等。所有的细节都已经在文档中解释的很明白了。就像我们在SIFT 中一样,我们可以使用函数 SURF.detect(),SURF.compute() 等来进行关键点搀着和描述。
首先从查找描述绘制关键点开始。由于和 SIFT 一样所以我们的示例都在Python 终端中演示。
>>> img = cv2.imread('fly.png',0)
# Create SURF object. You can specify params here or later.
# Here I set Hessian Threshold to 400
>>> surf = cv2.SURF(400)
# Find keypoints and descriptors directly
>>> kp, des = surf.detectAndCompute(img,None)
>>> len(kp)
699
在一幅图像中显示 699 个关键点太多了。我们把它缩减到 50 个再绘制到图片上。在匹配时,我们可能需要所有的这些特征,不过现在还不需要。所以我们现在提高Hessian 的阈值。
# Check present Hessian threshold
>>> print surf.hessianThreshold
400.0
# We set it to some 50000. Remember, it is just for representing in picture.
# In actual cases, it is better to have a value 300-500
>>> surf.hessianThreshold = 50000
# Again compute keypoints and check its number.
>>> kp, des = surf.detectAndCompute(img,None)
>>> print len(kp)
47
现在低于 50 了,把它们绘制到图像中吧。
>>> img2 = cv2.drawKeypoints(img,kp,None,(255,0,0),4)
>>> plt.imshow(img2),plt.show()
结果如下。你会发现 SURF 很像一个斑点检测器。它可以检测到蝴蝶翅膀上的白班。你可以在其他图片中测试一下。
现在我们试一下 U-SURF,它不会检测关键点的方向。
# Check upright flag, if it False, set it to True
>>> print surf.upright
False
>>> surf.upright = True
# Recompute the feature points and draw it
>>> kp = surf.detect(img,None)
>>> img2 = cv2.drawKeypoints(img,kp,None,(255,0,0),4)
>>> plt.imshow(img2),plt.show()
结果如下。所有的关键点的朝向都是一致的。它比前面的快很多。如果你的工作对关键点的朝向没有特别的要求(如全景图拼接)等,这种方法会更快。
最后我们再看看关键点描述符的大小,如果是 64 维的就改成 128 维。
# Find size of descriptor
>>> print surf.descriptorSize()
64
# That means flag, "extended" is False.
>>> surf.extended
False
# So we make it to True to get 128-dim descriptors.
>>> surf.extended = True
>>> kp, des = surf.detectAndCompute(img,None)
>>> print surf.descriptorSize()
128
>>> print des.shape
(47, 128)
接下来要做的就是匹配了,我们会在后面讨论。
介绍 SURF(Speeded-Up Robust Features)相关推荐
- OpenCV中的SURF(Speeded-Up Robust Features 加速鲁棒特征)
OpenCV中的SURF(加速健壮功能) 1. 效果图 2. 原理 2.1 为什么SURF比SIFT快? 2.3 怎样获取SIFT与SURF? 3. 源码 参考 上一篇博客介绍了用于关键点检测和描述的 ...
- Computer Vision_33_SIFT:Speeded-Up Robust Features (SURF)——2006
此部分是计算机视觉部分,主要侧重在底层特征提取,视频分析,跟踪,目标检测和识别方面等方面.对于自己不太熟悉的领域比如摄像机标定和立体视觉,仅仅列出上google上引用次数比较多的文献.有一些刚刚出版的 ...
- SURF: speed up robust feature
SURF: speed up robust feature SURF特点: 1.使用积分图像完成图像卷积(相关)操作; 2,使用Hessian矩阵检测特征值: 3,使用基于分布的描述符(局部信息). ...
- [论文笔记] [2008] [ICML] Extracting and Composing Robust Features with Denoising Autoencoders
在06年以前,想要去训练一个多层的神经网络是比较困难的,主要的问题是超过两层的模型,当时没有好的策略或方法使模型优化的很好,得不到预期的效果.在06年,Hinton提出的stacked autoenc ...
- Extracting and Composing Robust Features with Denoising Autoencoders论文笔记
Extracting and Composing Robust Features with DenoisingAutoencoders 论文链接 零碎知识 网络 原理 结构 训练 论文链接 零碎知识 ...
- 5.5. SURF (Speeded-Up Robust Features)简介
目标: SURF的基础知识 在OpenCV中看到SURF功能 理论 在上一节中我们学习了使用 SIFT 算法进行关键点检测和描述.但是这种算法的执行速度比较慢,人们需要速度更快的算法.在 2006 年 ...
- Surf: Speed up robust feature的回顾和思考
一.Surf由来 SIFT算法比较稳定,检测到的特征点也比较多,但是其最大的缺点是计算复杂度较高.为此,不少学者进行了改进,其中比较出名的就是SURF算法,中文意思为快速鲁棒特征.它是瑞士苏黎世联邦理 ...
- 论文笔记(3)-Extracting and Composing Robust Features with Denoising Autoencoders
这篇文章是Bengio研究的在传统的autoencoder基础上增加了噪声参数,也就是说在输入X的时候,并不直接用X的数据,而是按照一定的概率来清空输入为0.paper中的名词为corrupted.这 ...
- 特征提取与检测6-SURF特征检测
SURF特征检测 SURF特征基本介绍 代码演示 SURF特征基本介绍 SURF(Speeded Up Robust Features)特征关键特性: -特征检测 -尺度空间 -选择不变性 -特征向量 ...
最新文章
- 2022-2028年中国化学纤维行业市场研究及前瞻分析报告
- ios应用,64位问题,Missing 64-bit support
- 初识Nginx服务器
- CodeForces - 1409F Subsequences of Length Two(dp)
- 你买过假芯片吗?元器件专家为您揭秘假冒芯片的套路!
- 在C++中可以用3种方法访问一个字符串
- 浏览器测试基本跑分网站
- LVDS原理及设计指南
- Python入门--文件的读写,相对路径,绝对路径
- 光孝寺招聘员工!月薪15000,早九晚五,免费饭菜,有证者优先,工作六根清净,而且.......
- 各种开发语言项目环境国内(中国国内加速镜像)配置教程和部分实践经验,包括github.com, nodejs,npm,nvm, yarn, java, maven, gradle, python, m
- vue中的keep-alive的用法详细讲解
- word的链接到前一节消失
- Redis框架(三):大众点评项目 基于Session的短信登录
- 《解剖PetShop》系列之五
- 【解答】多台西门子PLC之间可不可以无线通讯
- 文件中查找并删除feff
- 钢构计算机,《钢结构计算机辅助设计》平面桁架.pptx
- 禁止navigationController左滑手势
- Excel怎么将同一工作簿多个表格合并
热门文章
- 图形图像处理 - 实现图片的美容效果
- IDL考试前复习笔记(一) 绘制散点图,并标注残差
- 个人支付宝微信收款研究突破
- 魅族16s Pro上手体验:补齐16s硬件上的不足,增强了拍照能力
- 从视频中获取发丝都能看见的人体步态轮廓图
- 基于Hexo框架快速搭建个人博客--文章一键发布(五)
- JS获取当前时间戳(10位数)
- Grafana Dashboard linux安装图表插件
- 计算机体系结构流水线相关实验报告,计算机系统结构winDLX流水线实验报告汇编.doc...
- 牛市初期标志:半月一次的暴涨暴跌?