SURF: Speeded Up Robust Features
0摘要
在本文中，我们提出了一种新颖的尺度和旋转不变的兴趣点检测器和描述符，创造了SURF（加速鲁棒特征）。 相对于重复性，独特性和鲁棒性，它近似或甚至优于先前提出的方案，但可以更快地计算和比较。
这是通过依靠整体图像进行图像卷积来实现的; 通过建立在领先的现有检测器和描述符（在casu中，使用基于Hessian矩阵的检测器度量和基于分布的描述符）的优势; 并将这些方法简化为必需的。 这导致了新颖的检测，描述和匹配步骤的组合。 本文介绍了标准评估集的实验结果，以及在现实生活中的对象识别应用程序中获得的图像。 两人都表现出SURF的强劲表现。
1介绍
在同一场景或对象的两幅图像之间找到对应关系的任务是许多计算机视觉应用的一部分。相机校准，3D重建，图像配准和对象识别等等。搜索离散图像对应 - 这项工作的目标 - 可以分为三个主要步骤。首先，在图像中的不同位置选择“兴趣点”，例如角，斑点和T形连接点。感兴趣点检测器的最有价值的属性是其重复性，即它是否在不同观看条件下可靠地找到相同的兴趣点。接下来，每个兴趣点的邻域由特征向量表示。该描述符必须是独特的，并且同时对噪声，检测误差以及几何和光度变形是鲁棒的。最后，描述符向量在不同图像之间进行匹配。匹配通常基于向量之间的距离，例如。 Mahanalobis或欧几里得距离。描述符的维度对它所花费的时间有直接的影响，因此更小的维数是可取的。
我们的目标是开发检测器和描述符，与最先进的技术相比，计算速度更快，同时不牺牲性能。 为了取得成功，必须在上述要求之间取得平衡，例如减少描述符的维度和复杂性，同时保持足够的独特性。
在文献中已经提出了各种检测器和描述符（例如[1,2,3,4,5,6]）。 此外，对基准数据集进行了详细比较和评估[7,8,9]。 在构建我们的快速检测器和描述符的同时，我们建立在从以前的工作中获得的见解之中，以便了解有助于实现性能的方面。 在我们对基准图像集以及真实物体识别应用的实验中，所得到的检测器和描述符不仅更快，而且更具特色，同样可重复。
在使用本地功能时，需要解决的第一个问题是所需的不变性级别。显然，这取决于预期的几何和光度变形，其又由观察条件的可能变化决定。在这里，我们专注于尺度和图像旋转不变检测器和描述符。这些似乎在特征复杂性和对常见变形的鲁棒性之间提供了一个很好的折中。假设倾斜，各向异性缩放和透视效果是二阶效应，这在一定程度上被描述符的整体鲁棒性所覆盖。如Lowe [2]所声称的，完全仿射不变特征的额外复杂度通常对其鲁棒性产生负面影响，并且不会得到回报，除非预期不会出现大的观点变化。在某些情况下，甚至可以省略旋转不变性，导致我们的描述符的缩放不变量版本，我们称之为“直立SURF”（U-SURF）。实际上，在很多应用中，如移动机器人导航或视觉导览，摄像机往往只绕垂直轴旋转。在这种情况下避免旋转不变性的过度效益不仅增加了速度，而且增加了歧视力。关于光度变形，我们假设具有比例因子和偏移的简单线性模型。请注意，我们的检测器和描述符不使用颜色。
本文的组织结构如下。 第二节介绍了相关工作，我们的成果在此基础上成立。 第3节描述了兴趣点检测方案。 在第4节中，介绍了新的描述符。 最后，第5节显示了实验结果，第6节总结了本文。