6、计算机视觉中的特征检测与匹配技术详解

计算机视觉中的特征检测与匹配技术详解

在计算机视觉领域，特征检测和匹配是众多应用的核心组成部分。无论是图像拼接、3D 模型构建，还是目标识别和跟踪，都离不开这一关键技术。本文将深入探讨特征检测与匹配的相关内容，包括点和斑块、边缘、直线等特征的检测方法，以及它们在实际应用中的具体实现。

1. 点和斑块特征

点特征在计算机视觉中具有广泛的应用，可用于寻找不同图像中的稀疏对应位置，是计算相机位姿和建立更密集对应关系的重要前提。例如，在图像拼接和视频稳定化中，点特征可用于对齐不同图像；在目标实例和类别识别中，点特征也发挥着重要作用。

1.1 特征检测器

要找到能在不同图像中可靠匹配的位置，需要考虑图像斑块的特性。纹理较少的斑块难以定位，而具有大对比度变化（梯度）的斑块相对容易定位，但单方向的直线段会存在孔径问题。具有至少两个不同方向梯度的斑块最容易定位。

通过分析图像斑块的自相关函数，可以确定其稳定性。自相关函数可以通过比较图像斑块与其自身在小位置变化下的差异来计算。对自相关矩阵进行特征值分析，可以得到两个特征值和两个特征向量方向，其中较小的特征值决定了匹配斑块位置的较大不确定性。因此，寻找较小特征值的最大值可以定位良好的特征点。

常见的特征检测方法包括 F¨orstner–Harris 方法和基于自相关的关键点检测器。F¨orstner 和 Harris 等人提出使用从自相关矩阵导出的旋转不变标量度量的局部最大值来定位关键点。不同的方法使用不同的公式来计算关键点，如 Harris 和 Stephens 提出的 det(A) - α trace(A)²，Triggs 建议使用 λ₀ - αλ₁，Brown 等人使用的调和平均