26、图像特征检测与描述方法综述

图像特征检测与描述方法综述

在计算机视觉领域，特征检测与描述是许多应用的基础，如目标识别、图像匹配、图像检索等。本文将介绍多种特征检测与描述方法，包括SIFT及其改进方法、CenSurE、STAR、相关模板、HAAR特征、Viola Jones方法和SURF等。

1. SIFT及其改进方法

1.1 SIFT概述

SIFT（尺度不变特征变换）是一种经典的特征检测与描述方法，具有良好的尺度、旋转和光照不变性。其主要特征如下：
| 类别 | 详情 |
| ---- | ---- |
| 光谱 | 局部梯度幅值 + 方向 |
| 特征形状 | 带圆形加权的正方形 |
| 特征模式 | 带圆对称加权的正方形 |
| 特征密度 | 在局部16x16 DoG兴趣点处稀疏 |
| 搜索方法 | 尺度空间上的滑动窗口 |
| 距离函数 | 欧氏距离（RootSIFT改进版使用Hellinger距离） |
| 鲁棒性 | 对亮度、对比度、旋转、尺度、仿射变换和噪声具有鲁棒性 |

1.2 SIFT - PCA

SIFT - PCA方法由Ke和Suthankar提出，使用主成分分析（PCA）得到替代特征向量。它基于归一化梯度块，而非SIFT中使用的加权平滑梯度直方图。主要步骤如下：
1. 基于局部41x41图像块的梯度构建特征空间，得到3042元素向量。
2. 计算图像块的局部梯度。
3. 通过PCA对每个特征向量的协方差矩阵进行处理，从特征空间创建降维后的特征向量。

SIFT - PCA在图像变形鲁棒性方面优于SIF