23、计算机视觉中的兴趣点检测与特征描述符综述

计算机视觉中的兴趣点检测与特征描述符综述

1. 引言

在计算机视觉领域，许多算法依赖于定位图像中的兴趣点（或关键点），并从兴趣点周围的像素区域计算特征描述符。这与相关方法不同，相关方法是将较大的矩形模式以像素间隔在图像上移动，并在每个位置测量相关性。兴趣点作为锚点，通常为描述符提供尺度、旋转和光照不变性属性；描述符则添加更多细节和不变性属性。兴趣点和描述符组合在一起可以描述实际对象。

2. 特征描述的多样性

特征描述存在多种方法和变体。一些方法使用不锚定在兴趣点上的特征，如多边形形状描述符，它是在图像中较大的分割多边形结构或区域上计算的。其他方法仅使用兴趣点，根本不使用特征描述符。还有一些方法仅使用特征描述符，在图像的规则网格上计算，完全不涉及兴趣点。

术语在文献中有所不同。在某些讨论中，兴趣点可能被称为关键点。用于查找兴趣点的算法可能被称为检测器，而用于描述特征的算法可能被称为描述符。关键点可以被认为是由以下几类组成的集合：
1. 兴趣点
2. 角点
3. 边缘或轮廓
4. 较大的特征或区域，如斑点

3. 兴趣点调优

对于给定的应用，什么样的关键点是好的？哪些是最有用的？哪些应该被忽略？调优检测器并非易事。每个检测器都有不同的参数需要调整，以在给定图像上获得最佳结果，而且每张图像在光照、对比度和图像预处理方面都带来不同的挑战。此外，每个检测器是为不同类别的兴趣点设计的，必须相应地进行调优，以筛选出适合特定特征描述符的有用关键点集合。

OpenCV 提供了几种新颖的方法来处理检测器，使用户能够在通用框架中尝试不同的检测器和描述符，并自动调整参数进行调优和