1、概述
检测到关键点特征后,我们必须匹配它们,即我们必须确定哪些特征来自不同图像中的相应位置。 在某些情况下,例如,对于视频序列或已校正的立体对,每个特征点周围的局部运动可能主要是平移的。在这种情况下,可以使用简单的误差度量,如平方差之和或归一化互相关,直接比较每个特征点周围小块的强度。因为特征点可能无法准确定位,所以可以通过执行增量运动细化来计算更准确的匹配分数,但这可能很耗时,有时甚至会降低性能。
然而,在大多数情况下,特征的局部外观会在方向和尺度上发生变化,有时甚至会发生仿射变形。 提取局部尺度、方向或仿射框架估计,然后在形成特征描述符之前使用它来重新采样补丁,因此通常是更可取的。
即使在补偿了这些变化之后,图像块的局部外观通常仍会因图像而异。我们如何才能使图像描述符对这种变化更加不变,同时仍然保持不同(非对应)补丁之间的可区分性?有学者回顾了一些视图不变的局部图像描述符,并通过实验比较了它们的性能。学者比较了前十年开发的大量学习特征描述符。
下面,更详细地了解一下其中一些描述符。
2、偏置和增益归一化 (MOPS)
英文:Bias and gain normalizatio