OpenCVSIFT特征算法详解与使用

点击上方蓝字关注我们

微信公众号：OpenCV学堂

关注获取更多计算机视觉与深度学习知识

SIFT概述

• 构建高斯多尺度金字塔

• 关键点精准定位与过滤

• 关键点方向指派

• 描述子生成

构建高斯多尺度金字塔

常见的高斯图像金字塔是每层只有一张图像，大致如下：

关键点精准定位与过滤

对得到的每层DOG图像，计算窗口3x3x3范围除去中心点之外的26点与中心点比较大小，寻找最大值或者最小值（极值点），如下图：

从上图我们也可以看出，在连续空间的极值点必然是导数过零点，

对于|D(extremal)| < 0.03可以作为低对比度点或者弱边缘舍弃。

关键点方向指派

描述子生成

选择关键点小区域，根据窗口大小不同可以分为4x4大小不同的Cell，每个Cell生成一个角度方向直方图(8个BIN)，对它们进行排序以后(旋转不变性描述子)，生成128个向量特征数据，作为该关键点的唯一描述

• 原图正常顺序描述子
• 水平反射顺序描述子
• 垂直反射顺序描述子

如下图所示：

OpenCV中调用

1. 通过detect方法提取对象关键点
2. 用drawKeypoints绘制关键点
3. 通过compute提取描述子，
4. 通过暴力匹配根据描述子匹配

代码演示如下

import cv2 as cv

box = cv.imread("D:/images/box.png");
box_in_sence = cv.imread("D:/images/box_in_scene.png");
cv.imshow("box", box)
cv.imshow("box_in_sence", box_in_sence)

# 创建SIFT特征检测器
sift = cv.xfeatures2d.SIFT_create()

# 特征点提取与描述子生成
kp1, des1 = sift.detectAndCompute(box,None)
kp2, des2 = sift.detectAndCompute(box_in_sence,None)

# 暴力匹配
bf = cv.DescriptorMatcher_create(cv.DescriptorMatcher_BRUTEFORCE)
matches = bf.match(des1,des2)

# 绘制最佳匹配
matches = sorted(matches, key = lambda x:x.distance)
result = cv.drawMatches(box, kp1, box_in_sence, kp2, matches[:15], None)
cv.imshow("-match", result)
cv.waitKey(0)
cv.destroyAllWindows()

一勤天下无难事
百思胸中有良谋