SURF算法分析
Speeded-Up-Robust-Features-SURF算法全文翻译
学习文档 仅供参考 Speeded-Up Robust Features (SURF)
Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool
摘要
这篇文章提出了一种尺度和旋转不变的检测子和描述子，称为SURF(Speeded-Up Robust Features)。SURF在可重复性、鉴别性和鲁棒性方面都接近甚至超过了以往的方案，同时计算和比较的速度更快。
这依赖于使用了积分图进行图像卷积、使用现有的最好的检测子和描述子〔特别是，基于Hessian矩阵方法的检测子，和基于分布的描述子〕、以及简化这些算法到了极致。这些最终实现了新的检测、描述和匹配过程的结合。
本文包含对检测子和描述子的详细阐述，之后探究了一些关键参数的作用。作为结论，我们用两个目标相反的应用测试了SURF的性能：摄像头校准〔图像配准的一个特列〕和目标识别。我们的实验验证了SURF在电脑视觉广泛领域的实用性。
1. 引言
在两个图片中找到相似场景或目标的像素点一致性，这是许多电脑视觉应用中的一项任务。图像配准，摄像头校准，目标识别，图像检索只是其中的一部分。
寻找离散像素点一致性的任务可以分为三步。第一，选出兴趣点并分别标注在图像上，例如拐角、斑块和T型连接处。兴趣点检测子最有价值的特性是可重复性。可重复性说明的是检测子在不同视觉条件下找到相同真实兴趣点的能力。然后，用特征向量描述兴趣点的邻域。这个描述子应该有鉴别性，同时对噪声、位移、几何和光照变换具有鲁棒性。最后，在不同的图片之间匹配特征向量。这种匹配基于向量间的马氏或者欧氏距离。描述子的维度对于计算时间有直接影响，对于快速兴趣点匹配，较小的维度是较好的。然而，较小的特征向量维度也使得鉴别度低于高维特征向量。
我们的目标是开发新的检测子和描述子，相对于现有方案来说，计算速度更快，同时又不牺牲性能。为了达成这一目标，我们必须在二者之间到达一个平衡，在保持精确性的前提下简化检测方案，在保持足够鉴别度的前提下减少描述子的大小。
基于SURF算法的微小位移测量
第４２卷 第６期 ２０１２年６月 激光与红外 ＬＡＳＥＲ ＆ ＩＮＦＲＡＲＥＤ Ｖｏ１．４２，Ｎｏ．６
Ｊｕｎｅ，２０１２
文章编号：１００１－５０７８（２０１２）０６－０６９９－０６
基于ＳＵＲＦ算法的微小位移测量 ・图像与信号处理・
范有臣 ，李迎春 ，都琳
（１．解放军装备指挥技术学院研究生院，北京１０１４１６；２．解放军装备指挥技术学院光电装备系，北京１０１４１６）
摘要：针对导弹等高加速度运动目标发射初期微小初始位移检测的需要，提出采用ＳＵＲＦ算
法将位移变化转化为提取的特征点对欧式距离的变化的方法。该算法在ＳＵＲＦ提取图像特征
点的基础上，使用最邻近匹配进行快速的初匹配，然后采用提出的一种基于平行距离的匹配方
法进一步去除错误的匹配点对，根据正确的匹配点对的距离计算出初始位移。实验结果表明，
该算法精度在亚像素级别，运行时间在１０ ｍｓ之内，能够实时可靠的给出目标的初始位移。
关键词：微小位移；ＳＵＲＦ；匹配；平行距离
中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－５０７８．２０１２．０６．０２３
Ｍｉｎｉ－ｄｉｓｐｌａｃｅｍｅｎｔ ｍｅａｓｕｒｅｍｅｎｔ ｂａｓｅｄ ｏｎ ＳＵＲＦ ａｌｇｏｒｉｔｈｍ
ＦＡＮ Ｙｏｕ．ｃｈｅｎ ，ＬＩ Ｙｉｎｇ—ｃｈｕｎ ，ＤＵ Ｌｉｎ
（１．Ｔｈｅ ｉｎｓｔｉｔｕｔｅ ｏｆ ｇｒａｄｕａｔｅ ｓｔｕｄｅｎｔ，Ａｃａｄｅｍｙ ｏｆ Ｅｑｕｉｐｍｅｎｔ Ｃｏｍｍａｎｄ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １０１４１６，Ｃｈｉｎａ； ２．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｐｈｏｔｏｅｌｅｃｔｒｉｃ Ｅｑｕｉｐｍｅｎｔ，Ａｃａｄｅｍｙ ｏｆ Ｅｑｕｉｐｍｅｎｔ Ｃｏｍｍａｎｄ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １０１４１６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａ ｍｉｎｉ—ｄｉｓｐｌａｃｅｍｅｎｔ ｍｅａｓｕｒｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＳＵＲＦ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｔｈｅ ｉｎｉｔｉａｌ ｓｔａｔｅ ｏｆ ｈＪｉｓｈ ａｃ－
基于局部特征描述子的图像匹配算法研究
基于局部特征描述子的图像匹配算法研究
一、引言
随着计算机技术的不断发展，图像处理技术已经得到了广泛的应用，如目标识别、人脸识别、物体跟踪等等。而图像匹配是图像处理中最重要的基础问题之一，它可以在不同环境下识别相同对象或场景，为后续的图像处理工作提供了保障。
由于图像的复杂性，现有的图像匹配算法面临着一系列挑战，例如光照变化、旋转平移、遮挡等。局部特征描述子是一种能够克服这些问题的有效手段，在图像匹配领域得到了较为广泛的应用。本文就基于局部特征描述子的图像匹配算法进行了研究与探讨。
二、局部特征描述子
局部特征描述子是一种在图像稳健性匹配中常用的技术，其目的是根据图像的局部特点描述图像中的区域。基于局部特征描述子的图像匹配算法可以分为三大类：SIFT算法、SURF算法、ORB算法。
1. SIFT算法
SIFT算法是一种在计算机视觉领域上用于提取图像特征的算法，由David Lowe在2004年提出，并在后续被广泛使用。SIFT算法通过寻找图像的局部极值来提取关键点，并使用高斯尺度空间构建尺度不变的图像金字塔。然后，通过计算关键点周围的梯度幅值和方向来得到关键点的描述子，进而完成图像匹配任务。
2. SURF算法
SURF算法是一种对SIFT算法的改进，它通过对SIFT算法中的一些计算进行加速来提高算法的效率。SURF算法使用一种称为积分图像的数据结构来计算图像中梯度方向，提高算法的运行速度。然后使用类似SIFT算法的方法对提取的关键点进行描述，进行图像匹配任务。
3. ORB算法
ORB算法是一种针对SIFT算法在计算复杂度和速度方面存在一定问题的一种改进，它是一种具有尺度不变性和旋转不变性的二进制算法。ORB算法在计算关键点的描述子时采用BRIEF特征描述子，在保持算法准确性和速度之间进行了有效的权衡。ORB算法在图像匹配任务中取得了很好的效果。
三、基于局部特征描述子的图像匹配算法
局部特征描述子算法通过描述局部特征点，能够准确的匹配图像，并且在图像的多种条件变化下也能取得稳定的效果。下面介绍基于局部特征描述子的两种图像匹配算法：基于局部特征描述子的RANSAC匹配算法和基于局部特征描述子的图像检索算法。
图像特征点提取及匹配算法研究论文
图像特征点提取及匹配算法研究论文
1.SIFT算法：
SIFT（Scale-Invariant Feature Transform）算法是一种经典的图像特征点提取算法。该算法首先使用高斯滤波器对图像进行多尺度的平滑处理，然后使用差分算子来检测图像中的关键点，最后计算关键点的主方向和描述符。SIFT算法具有尺度不变性和旋转不变性，对于图像中存在较大尺度和角度变化的情况下仍能提取出稳定的特征点。
2.SURF算法：
SURF（Speeded Up Robust Features）算法是一种快速的特征点提取算法，它在SIFT算法的基础上进行了优化。SURF算法使用Haar小波响应来检测图像中的特征点，并使用积分图像来加速计算过程。此外，SURF算法还使用了一种基于方向直方图的特征描述方法，能够提取出具有旋转不变性和尺度不变性的特征点。
3.ORB算法：
ORB（Oriented FAST and Rotated BRIEF）算法是一种快速的特征点提取和匹配算法。该算法结合了FAST角点检测算法和BRIEF描述符算法，并对其进行了改进。ORB算法利用灰度值的转折点来检测图像中的角点，并使用二进制字符串来描述关键点，以提高特征点的匹配速度。ORB算法具有较快的计算速度和较高的匹配精度，适用于实时应用。
4.BRISK算法：
BRISK（Binary Robust Invariant Scalable Keypoints）算法是一种基于二进制描述符的特征点提取和匹配算法。该算法首先使用田字形格点采样方法检测关键点，然后使用直方图来描述关键点的方向和纹理特征。最后，BRISK算法使用二进制字符串来表示关键点的描述符，并使用汉明距离来进行特征点的匹配。BRISK算法具有较快的计算速度和较高的鲁棒性，适用于大规模图像匹配任务。
总结起来，图像特征点提取及匹配算法是计算机视觉领域中的重要研究方向。本文介绍了一些常用的特征点提取及匹配算法，并对其进行了讨论。这些算法在尺度不变性、旋转不变性、计算速度和匹配精度等方面都具有一定的优势，适用于不同的应用场景。然而，由于图像的复杂性和多样性，目前仍然存在一些挑战和待解决的问题，如遮挡、光照变化和视点变化等。因此，未来的研究应该集中于改进现有算法，并提出新的方法来解决这些问题，以进一步提高图像特征点提取及匹配的性能和鲁棒性。
S U R F 算 法
特征点检测学习(surf算法)
网上有些文章对surf做了介绍，比如：
surf算法原理,有一些简单介绍.
对surf的某些细节做了通俗易懂的解释.
一、Surf描述子形成步骤
1. 构造高斯金字塔尺度空间
其实surf构造的金字塔图像与sift有很大不同，就是因为这些不
同才加快了其检测的速度。Sift采用的是DOG图像，而surf采用的是
Hessian矩阵行列式近似值图像。首先来看看图像中某个像素点的Hessian
矩阵，如下：
即每一个像素点都可以求出一个Hessian矩阵。但是由于我们的特
征点需要具备尺度无关性，所以在进行Hessian矩阵构造前，需要对其进
行高斯滤波。这样，经过滤波后在进行Hessian的计算，其公式如下：
公式中的符号，估计有点数学基础的朋友都能够猜到，这里就不多
解释了。
最终我们要的是原图像的一个变换图像，因为我们要在这个变换图
像上寻找特征点，然后将其位置反映射到原图中，例如在sift中，我们
是在原图的DOG图上寻找特征点的。那么在surf中，这个变换图是什么
呢？从surf的众多资料来看，就是原图每个像素的Hessian矩阵行列式
的近似值构成的。其行列式近似公式如下：
由于求Hessian时要先高斯平滑，然后求二阶导数，这在离散的像素点是用模板卷积形成的，这2中操作合在一起用一个模板代替就可以了，
比如说y方向上的模板如下：
该图的左边即用高斯平滑然后在y方向上求二阶导数的模板，为了
加快运算用了近似处理，其处理结果如右图所示，这样就简化了很多。并
且右图可以采用积分图来运算，大大的加快了速度，关于积分图的介绍，
可以去查阅相关的资料。
同理，x和y方向的二阶混合偏导模板如下所示：
上面讲的这么多只是得到了一张近似hessian行列式图，这例比
sift中的DOG图，但是在金字塔图像中分为很多层，每一层叫做一个
octave，每一个octave中又有几张尺度不同的图片。在sift算法中，同
S U R F 算 法 2
opencv之SURF算法原理及关键点检测
在基础篇里面讲模板匹配的时候已经介绍过，图像匹配主要有基于灰
度和基于特征两种方法。基于特征匹配的方法有很多种如：FAST、HARRIS、
SIFT、SURF、SUSAN等。其中SIFT算法由D.G.Lowe于1999年提出，2004
年完善总结。SIFT是一种鲁棒性好的尺度不变特征描述方法，但SIFT算
法计算数据量大、时间复杂度高、算法耗时长。针对上述缺点许多研究者
对SIFT算法做了不同的改进，Yanke等人提出用PCA-SIFT方法对特征描
述进行数据降维，但在没有任何先验知识的情况下反而增加了计算量；
Delpont等人提出用SVD方法进行特征匹配，但匹配过程计算复杂，且不
能用于宽基线匹配；Grabner等人用积分图像虽提高了SIFT的计算速度，
但是降低了SIFT方法的优越性。
Herbert Bay等人于2006年提出了SIFT算法的改进算法SURF算法，
其性能超过了SIFT算法且能够获得更快的速度。SURF在光照变化和视角
变化不变性方面的性能接近SIFT算法，尤其对图像严重模糊和旋转处理
得非常好。且标准的SURF算子比SIFT算子快好几倍，SURF算法最大的特
征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行
速度。
SURF算法和SIFT算法在opencv中是一种很高级的算法，opencv提供
了SURF算法的API接口。需要说明的是SURF和SIFT算法在OpenCV提供
的nonfree中，而且在OpenCV3.x后不再集成到OpenCV发行版中，同意
存放到opencv_contrib中，需要去opencv github页面手动下载编译。点击跳转，编译方法网上有很多教-程。
2.Surf原理
特征点的提取基于尺度空间理论，我们通过检测图像局部极值点来锁
定特征点坐标，即局部的最亮点或最暗点。
2.1构建Hessian矩阵
SURF算法检测特征点是基于Hessian矩阵实现的，Hessian矩阵是SURF
S U R F 算 法 3
SURF算法详解
Speeded Up Robust Features（SURF，加速稳健特征）
一．积分图像
什么是积分图像
积分图像是输入的灰度图像经过一种像素间的累加运算得到种新
的图像媒介。对于一幅灰度的图像，积分图像中的任意一点（x,y）
的值是指从图像的左上角到这个点的所构成的矩形区域内所有的点
的灰度值之和
积分图像的作用
积分图像是SURF算法减小计算量的关键，从SIFT到SURF算法的
性能提升很大程度归功于积分图像的使用
积分图像与原始图像的关系
a.相同点：
积分图像与原始图像的尺寸相同，积分图像中每个位置坐标与原
始灰度图像的像素坐标相对应。
b.不同点：
不同的是，在原始图像采用灰度图像的情况下，灰度图像每个像
素使用8bit表示，而积分图像由于像素的累加运算，或者由于图像
尺度的变化，积分图像中每个像素位宽将会需要积分的像素尾款来表
示
如何得到积分图像 a.积分像素值
1.坐标系的建立
对于一幅原始的灰度图像，以图像中的第一个像素位置作为坐标
原点，向右为轴正向，向下为轴正向建立坐标系。
2.积分像素值的确定
将任意像素与坐标原点之间围成的矩形区域内所有像素值相加得
到一个新的值，在这里我们把它定义为积分像素值。
b.积分图像的确定
原始图像中每个像素经过运算都会得到新的积分像素值，最终构
成一幅新的积分图像。
c.积分图像的作用
有了积分图像的概念，在原始图像中我们可以计算任意矩形区域
内的像素之和。这种运算方式有效的减少了运算量，因为矩形的面积
大小不会影响到运算量。任意矩形内的像素累加只需要使用矩形四个
顶角位置的积分像素值进行加减运算即可得到。
如果要计算矩形内的所有像素的累加值只需要再积分图像中找到
对应，，，四个位置的积分像素的值进行加减运算：
二．Hessian矩阵
0.与SIFT算法对比
a. SIFT算法采用的是DoG图像，而SURF采用的是Hessian矩阵
行列式近似值图像
基于SURF算法的输电线全景图像的特征提取
２０１１年第１１期
■ｄｏｉ：１０ ３９６９￣ｉｓｓｎ １６７１－１１２２ ２０１１ １１ ０１１
基于ＳＵ胙算法的
输电线全景图像的特征提取
高会生，张凤龙，王琴 （华北电力大学电气与电子工程学院，河北保定０７１００３）
摘要：高压输电线跨距远 线路复杂，在充分分析电力线图像的特殊线性特性的基础上，文章提出了
一种采用ＳＵＲＦ算法完成输电线 奎景拼接并利用相位一致性提取线路特征的方法。首先采用ＳＵＲＦ算法对部 分电力线图片进行配准，并用ｔＬ￣ＮＳＡＣ算法剔除错误的特征点对，然后拼接得到输电线全景图，对全景图 采用相位一致性方法进行特征检测，最后提取经过标记的完整的单根电力线。对现场拍摄的部分输电线路图 像进行了实验，结果提取出了完整、精确的单根电力线，说明该方法能提高输电线路弧垂计算的精度。 关键词：电力线；ＳＵＲＦ算法；拼接；特征提取；相位一致性；弧垂 中图分类号：ＴＰ３９３．０８ 文献标识码：Ａ 文章编号：１６７１—１１２２（２０１１）１１—００３９—０３
Ｐｏｗｅｒ Ｌｉｎｅ Ｐａｎｏｒａｍｉｃ Ｉｍａｇｅ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＳＵＲＦ
Ａｌｇｏｒｉｔｈｍ
ＧＡＯ Ｈｕｉ—ｓｈｅｎｇ，ＺＨＡＮＧ Ｆｅｎｇ—ｌｏｎｇ，ＷＡＮＧ Ｑｉｎ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈ ＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒ Ｕｎｉｖｅｒｓ ＢａｏｄｉｎｇＨｅｂｅｉ０７１００３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｈｉｇｈ—ｖｏｌｔａｇｅ ｔｒａｎｓｍｉｓｓｉｏｎ ｌｉｎｅｓ ａｒｅ ｕｓｕｈｌｌｙ ｓｐａｎ ｆａｒ ａｎｄ ｃｏｍｐｌｅｘ，ｏｎ ｔｈｅ ｂａｓｅ ｏｆ ｆｕｌｌｙ ａｎａｌｙｚｉｎｇ ｔｈｅ ｓｐｅｃｉａｌ ｌｉｎｅａｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｐｏｗｅｒ ｌｉｎｅ ｉｍａｇｅｓ，ｔｈｅ ＳＵＲＦ ａｌｇｏｒｉｔｈｍ—ｂａｓｅｄ ｍｅｔｈｏｄ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｃｏｍｐｌｅｔｅ ｐｏｗｅｒ ｌｉｎｅ ｐａｎｏｒａｍａ ｓｔｉｔｃｈｉｎｇ ａｎｄ［ｔｈｅｎ ｔｈｅ ｐｈａｓｅ ｃｏｎｇｒｕｅｎｃｙ—ｂａｓｅｄ ｍｅｔｈｏｄ ｉｓ ａｐｐｌｉｅｄ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｐｏｗｅｒ ｌｉｎｅ ｆｅａｔｕｒｅｓ．Ｆｉｒｓｔ，ＳＵＲＦ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｉｎ ｔｈｅ ｍａｔｃｈｉｎｇ ｏｆ ｐａｒｔｉａｌ ｐｏｗｅｒ ｌｉｎｅ ｉｍａｇｅｓ ａｎｄ ｅｌｉｍｉｎａｔｉｎｇ ｗｒｏｎｇ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｗｉｔｈ ｔｈｅ ＲＡＮＳＡＣ ａｌｇｏｒｉｔｈｍ．Ｔｈｅｎ ｐｏｗｅｒ ｌｉｎｅ ｐａｎｏｒａｍｉｃ ｉｍａｇｅ ｉｓ ｏｂｔａｉｎｅｄ ｂｙ ｓｔｉｔｃｈｉｎｇ．Ａｆｔｅｒ ｔｈａｔ，ｐｈａｓｅ ｃｏｎｇｒｕｅｎｃｙ ｍｅｔｈｏｄ ｉｓ ａｐｐｌｉｅｄ ｉｎ ｄｅｔｅｃｔｉｎｇ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｐａｎｏｒａｍｉｃ ｉｍａｇｅ．Ｆｉｎａｌｌｙ，ｔｈｅ ｍａｒｋｅｄ ｓｉｎｇｌｅ ｐｏｗｅｒ ｌｉｎｅ ｉｓ ｅｘｔｒａｃｔｅｄ．Ｔｒａｎｓｍｉｓｓｉｏｎ ｌｉｎｅ ｉｍａｇｅｓ ｔａｋｅｎ ｏｎ—ｓｉｔｅ ａｒｅ ｅｘｐｅｒｉｍｅｎｔｅｄ．Ｔｈｅ ｍｅｔｈｏｄ ｅｘｔｒａｃｔｓ ａ ｃｏｍｐｌｅｔｅ ａｎｄ ａｃｃｕｒａｔｅ ｓｉｎｇｌｅ ｐｏｗｅｒ ｌｉｎｅ，ｗｈｉｃｈ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｔｒａｎｓｍｉｓｓｉｏｎ ｌｉｎｅ ｓａｇ ｃａｌｃｕｌａｔｉｏｎｓ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｌｉｎｅ；ＳＵＲＦ ａｌｇｏｒｉｔｈｍ；ｓｔｉｔｃｈｉｎｇ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ｐｈａｓｅ ｃｏｎｇｒｕｅｎｃｙ；ｓａｇ
sift与surf算法
sift与surf算法
SURF是SIFT算法的加速版，的SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理，其快速的基础实际上只有⼀个
——积分图像haar求导，对于它们其他⽅⾯的不同可以参考本blog的另外⼀篇关于SIFT的⽂章。
不论科研还是应⽤上都希望可以和⼈类的视觉⼀样通过程序⾃动找出两幅图像⾥⾯相同的景物，并且建⽴它们之间的对应，前⼏年才被提
出的SIFT（尺度不变特征）算法提供了⼀种解决⽅法，通过这个算法可以使得满⾜⼀定条件下两幅图像中相同景物的某些点（后⾯提到的关
键点）可以匹配起来，为什么不是每⼀点都匹配呢？下⾯的论述将会提到。
SIFT算法实现物体识别主要有三⼤⼯序，1、提取关键点；2、对关键点附加详细的信息（局部特征）也就是所谓的描述器；3、通过两⽅
特征点（附带上特征向量的关键点）的两两⽐较找出相互匹配的若⼲对特征点，也就建⽴了景物间的对应关系。
⽇常的应⽤中，多数情况是给出⼀幅包含物体的参考图像，然后在另外⼀幅同样含有该物体的图像中实现它们的匹配。两幅图像中的物
体⼀般只是旋转和缩放的关系，加上图像的亮度及对⽐度的不同，这些就是最常见的情形。基于这些条件下要实现物体之间的匹配，SIFT算
法的先驱及其发明者想到只要找到多于三对物体间的匹配点就可以通过射影⼏何的理论建⽴它们的⼀⼀对应。⾸先在形状上物体既有旋转⼜
有缩⼩放⼤的变化，如何找到这样的对应点呢？于是他们的想法是⾸先找到图像中的⼀些“稳定点”，这些点是⼀些⼗分突出的点不会因光照
条件的改变⽽消失，⽐如⾓点、边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物，那么使⽤某种⽅法分别提取各⾃
的稳定点，这些点之间会有相互对应的匹配点，正是基于这样合理的假设，SIFT算法的基础是稳定点。SIFT算法找稳定点的⽅法是找灰度
图的局部最值，由于数字图像是离散的，想求导和求最值这些操作都是使⽤滤波器，⽽滤波器是有尺⼨⼤⼩的，使⽤同⼀尺⼨的滤波器对两
SIFT、SURF、ORB
几种局部图像特征的提取算法的研究
摘要：局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。本文主要研究了三种当前比较流行的具有不变性的局部图像特征提取算法，分析了SIFT、SURF和ORB特征点提取与定位方法，讨论这三种特征的特征描述子对特征点描述方法的异同。总结了三种特征描述方法各自的优缺点。
关键字：局部图像特征；SIFT；SURF；ORB
Analysis of several feature-extract algorithms
Abstract：Local image features is a basic issue of computer vision. It is
important in the pratise to find corresponding point and to describe the feature of
object. In the paper, we study three popular local image features which are imvariant
descriptors. We analyse the way to localize the key point of the SIFT, SURF and ORB
algorithm. We also discuss the different of this methoeds on extracting the feature
vector of the key point. Finally ,we point the advantage and disadvantage of this
methoeds.
Keyword：local image feature；SIFT；SURF；ORB
一、概述
局部图像特征描述的核心问题是不变性（鲁棒性）和可区分性。由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。因此，在构建和设计特征描述子的时候，不变性问题就是首先需要考虑的问题。在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。然而，特征描述子的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特征描述子，它的鲁棒性往往比较低。