[科普中国]-局部图像特征

介绍

与线特征、纹理特征、结构特征等全局图像特征相比，局部图像特征具有在图像中蕴含数量丰富 ，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等特点。近年来 ，局部图像特征在人脸识别 、三维重建、目标识别及跟踪 、影视制作 、全景图像拼接 等领域得到了广泛的应用。典型的局部图像特征生成应包括图像极值点检测和描述两个阶段。好的局部图像特征应具有特征检测重复率高、速度快 ,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。

种类SIFT特征SIFT，即尺度不变特征变换，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

SURF特征2006年，Bay和Ess等人基于SIFT算法的思路，提出了加速鲁棒特征（SURF），该算法主要针对于SIFT算法速度太慢，计算量大的缺点，使用了近似Harr小波方法来提取特征点，这种方法就是基于Hessian行列式（DoH）的斑点特征检测方法。通过在不同的尺度上利用积分图像可以有效地计算出近似Harr小波值，简化了二阶微分模板的构建，搞高了尺度空间的特征检测的效率。

DAISY特征DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。比较巧合的是，DAISY这种特征汇聚策略被一些研究者通过机器学习的方法证明相对于其他几种特征汇聚策略（卡迪尔坐标下分块、极坐标下分块）是最优的。1

发展现状及趋势局部图像特征的提取通常是作为计算机视觉与数字图像处理中许多问题的第一步，例如图像分类、图像检索、宽基线匹配等，提取特征的优劣直接影响任务的最终性能。因此，局部特征提取方法具有重要的研究价值。然而，图像经常发生尺度、平移、旋转、光照、视角以及模糊等变化，特别是在实际应用场景中，图像不可避免的会存在较大噪声干扰、复杂背景和较大的目标姿态变化。这就给图像局部特征提取问题带来了更大的挑战。因此，局部图像特征的研究仍然具有重要的理论意义和应用价值，值得研究者继续关注。