sift算法詳解及應(yīng)用

2024/3/101/60尺度不變特征變換匹配算法

ScaleInvariantFeatureTransform

〔SIFT〕宋丹

109050562024/3/102SIFT簡介SIFT算法實現(xiàn)細(xì)節(jié)提綱SIFT算法的應(yīng)用領(lǐng)域SIFT算法的擴(kuò)展與改進(jìn)2024/3/103SIFT簡介

傳統(tǒng)的特征提取方法

成像匹配的核心問題是將同一目標(biāo)在不同時間、不同分辨率、不同光照、不同位姿情況下所成的像相對應(yīng)。傳統(tǒng)的匹配算法往往是直接提取角點或邊緣，對環(huán)境的適應(yīng)能力較差，急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識別目標(biāo)的方法。2024/3/1041999年BritishColumbia大學(xué)大衛(wèi).勞伊〔DavidG.Lowe〕教授總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，并正式提出了一種基于尺度空間的、對圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子－SIFT〔尺度不變特征變換〕，這種算法在2004年被加以完善。SIFT提出的目的和意義DavidG.LoweComputerScienceDepartment

2366MainMall

UniversityofBritishColumbia

Vancouver,B.C.,V6T1Z4,CanadaE-mail:lowe@cs.ubc.ca

SIFT簡介2024/3/105SIFT簡介將一幅圖像映射〔變換〕為一個局部特征向量集；特征向量具有平移、縮放、旋轉(zhuǎn)不變性，同時對光照變化、仿射及投影變換也有一定不變性。OriginalimagecourtesyofDavidLowe2024/3/106SIFT簡介SIFT算法特點SIFT特征是圖像的局部特征，其對旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。

獨特性(Distinctiveness)好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配。

多量性，即使少數(shù)的幾個物體也可以產(chǎn)生大量SIFT特征向量。經(jīng)過優(yōu)化的SIFT算法可滿足一定的速度需求。

可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。

2024/3/107

目標(biāo)的自身狀態(tài)、場景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準(zhǔn)/目標(biāo)識別跟蹤的性能。而SIFT算法在一定程度上可解決：目標(biāo)的旋轉(zhuǎn)、縮放、平移〔RST〕圖像仿射/投影變換〔視點viewpoint〕光照影響〔illumination〕目標(biāo)遮擋〔occlusion〕雜物場景〔clutter〕噪聲SIFT算法可以解決的問題SIFT簡介Back2024/3/108SIFT算法實現(xiàn)細(xì)節(jié)

SIFT算法實現(xiàn)步驟簡述SIFT算法的實質(zhì)可以歸為在不同尺度空間上查找特征點〔關(guān)鍵點〕的問題。

SIFT算法實現(xiàn)物體識別主要有三大工序，1、提取關(guān)鍵點；2、對關(guān)鍵點附加詳細(xì)的信息〔局部特征〕也就是所謂的描述器；3、通過兩方特征點〔附帶上特征向量的關(guān)鍵點〕的兩兩比較找出相互匹配的假設(shè)干對特征點，也就建立了景物間的對應(yīng)關(guān)系。2024/3/109

關(guān)鍵點檢測關(guān)鍵點描述關(guān)鍵點匹配消除錯配點SIFT算法實現(xiàn)細(xì)節(jié)SIFT算法實現(xiàn)步驟2024/3/1010所謂關(guān)鍵點，就是在不同尺度空間的圖像下檢測出的具有方向信息的局部極值點。根據(jù)歸納，我們可以看出特征點具有的三個特征：

尺度方向大小關(guān)鍵點檢測的相關(guān)概念1.哪些點是SIFT中要查找的關(guān)鍵點〔特征點〕？這些點是一些十分突出的點不會因光照條件的改變而消失，比方角點、邊緣點、暗區(qū)域的亮點以及亮區(qū)域的暗點，既然兩幅圖像中有相同的景物，那么使用某種方法分別提取各自的穩(wěn)定點，這些點之間會有相互對應(yīng)的匹配點。2024/3/1011

我們要精確表示的物體都是通過一定的尺度來反映的?，F(xiàn)實世界的物體也總是通過不同尺度的觀察而得到不同的變化。尺度空間理論最早在1962年提出，其主要思想是通過對原始圖像進(jìn)行尺度變換，獲得圖像多尺度下的尺度空間表示序列，對這些序列進(jìn)行尺度空間主輪廓的提取，并以該主輪廓作為一種特征向量，實現(xiàn)邊緣、角點檢測和不同分辨率上的特征提取等。尺度空間中各尺度圖像的模糊程度逐漸變大，能夠模擬人在距離目標(biāo)由近到遠(yuǎn)時目標(biāo)在視網(wǎng)膜上的形成過程。尺度越大圖像越模糊。2.什么是尺度空間〔scalespace〕？關(guān)鍵點檢測的關(guān)鍵點檢測的相關(guān)概念2024/3/1012根據(jù)文獻(xiàn)《Scale-spacetheory:Abasictoolforanalysingstructuresatdifferentscales》我們可知，高斯核是唯一可以產(chǎn)生多尺度空間的核，一個圖像的尺度空間，L〔x,y,σ),定義為原始圖像I(x,y)與一個可變尺度的2維高斯函數(shù)G(x,y,σ)卷積運算。關(guān)鍵點檢測高斯函數(shù)尺度是自然存在的，不是人為創(chuàng)造的！高斯卷積只是表現(xiàn)尺度空間的一種形式…關(guān)鍵點檢測的相關(guān)概念2024/3/10133.高斯模糊

高斯模糊是在AdobePhotoshop等圖像處理軟件中廣泛使用的處理效果，通常用它來減小圖像噪聲以及降低細(xì)節(jié)層次。這種模糊技術(shù)生成的圖像的視覺效果是好似經(jīng)過一個半透明的屏幕觀察圖像。

關(guān)鍵點檢測關(guān)鍵點檢測的相關(guān)概念2024/3/1014關(guān)鍵點檢測r為模糊半徑，

在減小圖像尺寸的場合經(jīng)常使用高斯模糊。在進(jìn)行欠采樣的時，通常在采樣之前對圖像進(jìn)行低通濾波處理。這樣就可以保證在采樣圖像中不會出現(xiàn)虛假的高頻信息。

關(guān)鍵點檢測的相關(guān)概念2024/3/1015在實際應(yīng)用中，在計算高斯函數(shù)的離散近似時，在大概3σ距離之外的像素都可以看作不起作用，這些像素的計算也就可以忽略。通常，圖像處理程序只需要計算關(guān)鍵點檢測高斯模板大小的選擇0.000000670.000022920.000191170.000387710.000191170.000022920.000000670.000022920.000786330.006559650.013303730.006559650.000786330.000022920.000191170.006559650.054721570.110981640.054721570.006559650.000191170.000387710.013303730.110981640.225083520.110981640.013303730.000387710.000191170.006559650.054721570.110981640.054721570.006559650.000191170.000022920.000786330.006559650.013303730.006559650.000786330.000022920.000000670.000022920.000191170.000387710.000191170.000022920.00000067高斯模板關(guān)鍵點檢測的相關(guān)概念2024/3/1016高斯模糊具有圓對稱性。高斯模糊具有線性可分的性質(zhì)，也可以在二維圖像上對兩個獨立的一維空間分別進(jìn)行計算。這樣可以大大減少了運算的次數(shù)。對一幅圖像進(jìn)行屢次連續(xù)高斯模糊的效果與一次更大的高斯模糊可以產(chǎn)生同樣的效果，大的高斯模糊的半徑是所用多個高斯模糊半徑平方和的平方根。例如，使用半徑分別為6和8的兩次高斯模糊變換得到的效果等同于一次半徑為10的高斯模糊效果，根據(jù)這個關(guān)系，使用多個連續(xù)較小的高斯模糊處理不會比單個高斯較大處理時間要少。高斯模糊的性質(zhì)關(guān)鍵點檢測關(guān)鍵點檢測的相關(guān)概念2024/3/1017高斯金子塔的構(gòu)建過程可分為兩步：〔1〕對圖像做高斯平滑；〔2〕對圖像做降采樣。

為了讓尺度表達(dá)其連續(xù)性，在簡單下采樣的根底上加上了高斯濾波。一幅圖像可以產(chǎn)生幾組〔octave〕圖像，一組圖像包括幾層〔interval〕圖像。4.高斯金字塔關(guān)鍵點檢測關(guān)鍵點檢測的相關(guān)概念2024/3/1018高斯圖像金字塔共o組、s層，那么有：關(guān)鍵點檢測的相關(guān)概念σ——尺度空間坐標(biāo)；s——sub-level層坐標(biāo)；σ0——初始尺度；S——每組層數(shù)〔一般為3~5〕。2024/3/1019高斯金字塔的初始尺度當(dāng)圖像通過相機(jī)拍攝時，相機(jī)的鏡頭已經(jīng)對圖像進(jìn)行了一次初始的模糊，所以根據(jù)高斯模糊的性質(zhì)：M、N分別為圖像的行數(shù)和列數(shù)——第0層尺度——被相機(jī)鏡頭模糊后的尺度高斯金字塔的組數(shù)關(guān)鍵點檢測的相關(guān)概念2024/3/1020高斯金字塔的組內(nèi)尺度與組間尺度組內(nèi)尺度是指同一組〔octave〕內(nèi)的尺度關(guān)系，組內(nèi)相鄰層尺度化簡為：組間尺度是指不同組直接的尺度關(guān)系，相鄰組的尺度可化為：

由此可見，相鄰兩組的同一層尺度為2倍的關(guān)系關(guān)鍵點檢測的相關(guān)概念2024/3/1021最后可將組內(nèi)和組間尺度歸為：i——金字塔組數(shù)n——每一組的層數(shù)關(guān)鍵點檢測的相關(guān)概念2024/3/1022關(guān)鍵點檢測的相關(guān)概念上一組圖像的底層是由前一組圖像的倒數(shù)第二層圖像隔點采樣生成的。這樣可以保持尺度的連續(xù)性。？？為啥？2024/3/1023

關(guān)鍵點檢測——DOG通過研究Lowe教授的論文發(fā)現(xiàn)，所有特征點的檢測都是基于了尺度不變的特性，特征點的檢測占據(jù)了論文的大局部的篇章，具有十分重要的意義！Lindeberg在文獻(xiàn)《Scale-spacetheory:Abasictoolforanalysingstructuresatdifferentscales》指出尺度標(biāo)準(zhǔn)化的LoG算子具有真正的尺度不變性。LoG算子即〔LaplacionofGaussian〕,可以由高斯函數(shù)梯度算子GOG構(gòu)建尺度標(biāo)準(zhǔn)化的GoG算子尺度標(biāo)準(zhǔn)化的LoG算子2024/3/1024LOG算子與高斯核函數(shù)的關(guān)系通過推導(dǎo)可以看出，LOG算子與高斯核函數(shù)的差有直接關(guān)系，由此引入一種新的算子DOG〔DifferenceofGaussians〕，即高斯差分算子。關(guān)鍵點檢測——DOG2024/3/1025DoG〔DifferenceofGaussian〕函數(shù) DoG在計算上只需相鄰尺度高斯平滑后圖像相減，因此簡化了計算！關(guān)鍵點檢測——DOG應(yīng)該是同一組內(nèi)的相鄰層吧？2024/3/1026DoG高斯差分金字塔 對應(yīng)DOG算子，我們要構(gòu)建DOG金字塔我們可以通過高斯差分圖像看出圖像上的像素值變化情況?！踩绻麤]有變化，也就沒有特征。特征必須是變化盡可能多的點。〕DOG圖像描繪的是目標(biāo)的輪廓。關(guān)鍵點檢測——DOG2024/3/1027關(guān)鍵點檢測——DOG2024/3/1028在檢測極值點前對原始圖像的高斯平滑以致圖像喪失高頻信息，所以Lowe建議在建立尺度空間前首先對原始圖像長寬擴(kuò)展一倍，以保存原始圖像信息，增加特征點數(shù)量。在Lowe的論文中，將第0層的初始尺度定為1.6，圖片的初始尺度定為0.5，那么圖像金字塔第0層的實際尺度為

當(dāng)對圖像長寬擴(kuò)展一倍時，便構(gòu)建了-1層，該層尺度為關(guān)鍵點檢測——DOGP.S.:圖像插值時，選用的插值函數(shù)可以是多種多樣的。2024/3/1029中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應(yīng)的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。DoG的局部極值點關(guān)鍵點是由DOG空間的局部極值點組成的。為了尋找DoG函數(shù)的極值點，每一個像素點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。DoG局部極值檢測2024/3/1030在極值比較的過程中，每一組圖像的首末兩層是無法進(jìn)行極值比較的，為了滿足尺度變化的連續(xù)性，我們在每一組圖像的頂層繼續(xù)用高斯模糊生成了3幅圖像，高斯金字塔有每組S+3層圖像。DOG金字塔每組有S+2層圖像右圖為不同尺度不同層間極值檢測示意圖。P.S.:我們只犧牲了-1組的第0層和第N組的最高層DoG局部極值檢測2024/3/1031DoG局部極值檢測

關(guān)鍵點精確定位

為了提高關(guān)鍵點的穩(wěn)定性，需要對尺度空間DoG函數(shù)進(jìn)行曲線擬合。利用DoG函數(shù)在尺度空間的Taylor展開式：其極值點

由于DoG值對噪聲和邊緣較敏感,因此,在上面DoG尺度空間中檢測到局部極值點還要經(jīng)過進(jìn)一步的檢驗才能精確定位為特征點。2024/3/1032DoG局部極值檢測上式去除那些比照度較低的不穩(wěn)定極值點。Lowe的試驗顯示，所有取值小于0.04的極值點均可拋棄〔像素灰度值范圍[0，1]〕。

在計算過程中，分別對圖像的行、列及尺度三個量進(jìn)行了修正，其修正結(jié)果如下：為修正值在Lowe的程序中，對坐標(biāo)進(jìn)行了五次修正。將修正后的結(jié)果代入式

求解得2024/3/1033DoG局部極值檢測

去除邊緣響應(yīng)僅僅去除低比照度的極值點對于極值點的對于特征點穩(wěn)定性是遠(yuǎn)遠(yuǎn)不夠的。DoG函數(shù)在圖像邊緣有較強(qiáng)的邊緣響應(yīng)，因此我們還需要排除邊緣響應(yīng)。DoG函數(shù)的〔欠佳的〕峰值點在橫跨邊緣的方向有較大的主曲率，而在垂直邊緣的方向有較小的主曲率。主曲率可以通過計算在該點位置尺度的2×2的Hessian矩陣得到，導(dǎo)數(shù)由采樣點相鄰差來估計：表示DOG金字塔中某一尺度的圖像x方向求導(dǎo)兩次2024/3/1034

在兩特征值相等時達(dá)最小，隨r的增長而增長。Lowe論文中建議r取10。DoG局部極值檢測D的主曲率和H的特征值成正比，為了防止直接的計算這些特征值，而只是考慮它們的之間的比率。令為最大特征值，為最小的特征值，那么時將關(guān)鍵點保存，反之剔除2024/3/1035關(guān)鍵點方向分配

通過尺度不變性求極值點，可以使其具有縮放不變的性質(zhì)，利用關(guān)鍵點鄰域像素的梯度方向分布特性，我們可以為每個關(guān)鍵點指定方向參數(shù)方向，從而使描述子對圖像旋轉(zhuǎn)具有不變性。

像素點的梯度表示梯度幅值：梯度方向：我們通過求每個極值點的梯度來為極值點賦予方向。2024/3/1036關(guān)鍵點方向分配

方向直方圖的生成確定關(guān)鍵點的方向采用梯度直方圖統(tǒng)計法，統(tǒng)計以關(guān)鍵點為原點，一定區(qū)域內(nèi)的圖像像素點對關(guān)鍵點方向生成所作的奉獻(xiàn)。2024/3/10371.直方圖以每10度方向為一個柱，共36個柱，柱所代表的方向為像素點梯度方向，柱的長短代表了梯度幅值。

2.根據(jù)Lowe的建議，直方圖統(tǒng)計半徑采用3*1.5*σ。

3.在直方圖統(tǒng)計時，每相鄰三個像素點采用高斯加權(quán)，根據(jù)Lowe的建議，模板采用[0.25,0.5,0.25]，并連續(xù)加權(quán)兩次。關(guān)鍵點方向分配關(guān)于方向直方圖的幾點說明2024/3/1038關(guān)鍵點方向分配關(guān)鍵點主方向：極值點周圍區(qū)域梯度直方圖的主峰值也是特征點方向關(guān)鍵點輔方向：在梯度方向直方圖中，當(dāng)存在另一個相當(dāng)于主峰值80%能量的峰值時，那么將這個方向認(rèn)為是該關(guān)鍵點的輔方向。

這可以增強(qiáng)匹配的魯棒性，Lowe的論文指出大概有15%關(guān)鍵點具有多方向，但這些點對匹配的穩(wěn)定性至為關(guān)鍵。

關(guān)鍵點的主方向與輔方向2024/3/1039關(guān)鍵點方向分配確定計算關(guān)鍵點直方圖的高斯函數(shù)權(quán)重函數(shù)參數(shù)；生成含有36柱的方向直方圖，梯度直方圖范圍0~360度，其中每10度一個柱。由半徑為圖像區(qū)域生成；對方向直方圖進(jìn)行兩次平滑；求取關(guān)鍵點方向〔可能是多個方向〕；對方向直方圖的Taylor展開式進(jìn)行二次曲線擬合，精確關(guān)鍵點方向；

方向分配實現(xiàn)步驟

圖像的關(guān)鍵點已檢測完畢，每個關(guān)鍵點有三個信息：位置、尺度、方向；同時也就使關(guān)鍵點具備平移、縮放、和旋轉(zhuǎn)不變性。Back2024/3/1040關(guān)鍵點描述

描述的目的

描述的思路

通過對關(guān)鍵點周圍圖像區(qū)域分塊，計算塊內(nèi)梯度直方圖，生成具有獨特性的向量，這個向量是該區(qū)域圖像信息的一種抽象，具有唯一性。描述的目的是在關(guān)鍵點計算后，用一組向量將這個關(guān)鍵點描述出來，這個描述子不但包括關(guān)鍵點，也包括關(guān)鍵點周圍對其有奉獻(xiàn)的像素點。用來作為目標(biāo)匹配的依據(jù)，也可使關(guān)鍵點具有更多的不變特性，如光照變化、3D視點變化等。2024/3/1041關(guān)鍵點描述以下圖是一個SIFT描述子事例。其中描述子由2×2×8維向量表征，也即是2×2個8方向的方向直方圖組成。左圖的種子點由8×8單元組成。每一個小格都代表了特征點鄰域所在的尺度空間的一個像素，箭頭方向代表了像素梯度方向，箭頭長度代表該像素的幅值。然后在4×4的窗口內(nèi)計算8個方向的梯度方向直方圖。繪制每個梯度方向的累加可形成一個種子點，如右圖所示：一個特征點由4個種子點的信息所組成。2024/3/1042關(guān)鍵點描述Lowe實驗結(jié)果說明：描述子采用4×4×8＝128維向量表征，綜合效果最優(yōu)〔不變性與獨特性〕。2024/3/1043關(guān)鍵點描述是關(guān)鍵點所在組〔octave〕的組內(nèi)尺度，1.確定計算描述子所需的圖像區(qū)域

描述子梯度方向直方圖由關(guān)鍵點所在尺度的模糊圖像計算產(chǎn)生。圖像區(qū)域的半徑通過下式計算：128維關(guān)鍵點描述子生成步驟2024/3/1044關(guān)鍵點描述2.將坐標(biāo)移至關(guān)鍵點主方向那么旋轉(zhuǎn)角度后新坐標(biāo)為：

2024/3/1045：等于描述子窗口寬度×直方圖列數(shù)〔取4〕的一半；關(guān)鍵點描述：該點與關(guān)鍵點的列距離；：該點與關(guān)鍵點的行距離；3.在圖像半徑區(qū)域內(nèi)對每個像素點求其梯度幅值和方向，然后對每個梯度幅值乘以高斯權(quán)重參數(shù)，生成方向直方圖。2024/3/10464.在窗口寬度為2X2的區(qū)域內(nèi)計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點。然后再在下一個2X2的區(qū)域內(nèi)進(jìn)行直方圖統(tǒng)計，形成下一個種子點，共生成16個種子點。5.描述子向量元素門限化及門限化后的描述子向量標(biāo)準(zhǔn)化。描述子向量元素門限化：方向直方圖每個方向上梯度幅值限制在一定門限值以下〔門限一般取0.2〕。描述子向量元素標(biāo)準(zhǔn)化：為得到的128描述子向量,為標(biāo)準(zhǔn)化后的向量

關(guān)鍵點描述2024/3/1047關(guān)鍵點描述關(guān)鍵點描述子向量的標(biāo)準(zhǔn)化正是可去除滿足此模型的光照影響。對于圖像灰度值整體漂移，圖像各點的梯度是鄰域像素相減得到，所以也能去除。Back2024/3/1048關(guān)鍵點匹配分別對模板圖〔參考圖，referenceimage〕和實時圖〔觀測圖，observationimage〕建立關(guān)鍵點描述子集合。目標(biāo)的識別是通過兩點集內(nèi)關(guān)鍵點描述子的比對來完成。具有128維的關(guān)鍵點描述子的相似性度量采用歐式距離。2024/3/1049關(guān)鍵點匹配原圖像目標(biāo)圖像窮舉匹配2024/3/1050

模板圖中關(guān)鍵點描述子：實時圖中關(guān)鍵點描述子：

任意兩描述子相似性度量：

要得到配對的關(guān)鍵點描述子，需滿足：關(guān)鍵點匹配2024/3/1051關(guān)鍵點的匹配可以采用窮舉法來完成，但是這樣消耗的時間太多，一般都采用一種叫kd樹的數(shù)據(jù)結(jié)構(gòu)來完成搜索。搜索的內(nèi)容是以目標(biāo)圖像的關(guān)鍵點為基準(zhǔn)，搜索與目標(biāo)圖像的特征點最鄰近的原圖像特征點和次鄰近的原圖像特征點。關(guān)鍵點匹配Kd樹是一個平衡二叉樹2024/3/1052關(guān)鍵點匹配Back2024/3/1053關(guān)鍵點匹配并不能標(biāo)志著算法的結(jié)束，因為在匹配的過程中存在著大量的錯配點。消除錯配點圖中交叉的綠線為錯配點2024/3/1054消除錯配點RANSAC〔RandomSampleConsensus，隨機(jī)抽樣一致〕是一種魯棒性的參數(shù)估計方法。RANSAC簡介RANSAC實質(zhì)上就是一個反復(fù)測試、不斷迭代的過程。RANSAC的根本思想：首先根據(jù)具體問題設(shè)計出某個目標(biāo)函數(shù)，然后通過反復(fù)提取最小點集估計該函數(shù)中參數(shù)的初始值，利用這些初始值把所有的數(shù)據(jù)分為“內(nèi)點”〔inlier〕和“外點“〔outlier〕，最后用所有的內(nèi)點重新計算和估計函數(shù)的參數(shù)。2024/3/1055消除錯配點RANSAC事例如何估計最佳直線？重復(fù)進(jìn)行，擬合最優(yōu)直線隨機(jī)取兩樣本點擬合直線擬合直線：Back2024/3/1056SIFT算法的應(yīng)用

SIFT算法目前在軍事、工業(yè)和民用方面都得到了不同程度的應(yīng)用，其應(yīng)用已經(jīng)滲透了很多領(lǐng)域，典型的應(yīng)用如下：

物體識別機(jī)器人定位與導(dǎo)航圖像拼接三維建模手勢識別視頻跟蹤筆記鑒定指紋與人臉識別犯罪現(xiàn)場特征提取

……2024/3/1057SIFT算法的應(yīng)用

物體識別2024/3/1058SIFT算法的應(yīng)用

圖像拼接Demo2024/3/1059

三維建模SIFT算法的應(yīng)用2024/3/1060SIFT算法的應(yīng)用

手勢識別目前，手勢識別已應(yīng)用于等設(shè)備上。2024/3/1061

筆記鑒定SIFT算法的應(yīng)用2024/3/1062

來自網(wǎng)友的創(chuàng)意——周正龍的老虎SIFT算法的應(yīng)用圖1周正龍的華南虎照片與年畫上的華南虎照片12點匹配圖2周正龍的華南虎照片與真實的華南虎照片0點匹配Back2024/3/1063SIFT算法的擴(kuò)展與改進(jìn)SIFT在圖像的不變特征提取方面擁有無與倫比的優(yōu)勢，但其并不是完美的，仍然存在著實時性不高、有時特征點較少、對邊緣模糊的目標(biāo)無法準(zhǔn)確提取特征點等缺陷。自從1999年，SIFT算法問世以來，人們從未停止對它的優(yōu)化和改進(jìn)。2024/3/106