基于SIFT特征提取技术的视觉模式识别(正式版)

SIFT-ingThroughFeatureswithViPR基于SIFT特征提取技术的视觉模式识别尺度不变特征变换算法（SIFT）简介视觉模式识别（ViPR）ViPR在识别中的应用ViPR在机器人中的创新应用SIFT（

ScaleInvariantFeatureTransform）1999年，大卫.劳伊（DavidG.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换).SIFT简介将一幅图像映射（变换）为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。OriginalimagecourtesyofDavidLoweSIFT简介SIFT算法特点1)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。

2)独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。

3)多量性，即使少数的几个物体也可以产生大量SIFT特征向量。4)高速性，经过优化的SIFT算法可满足一定的速度需求(应用与实时系统)。5)可扩展性，可以很方便的与其他形式的特征向量进行联合。

目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：目标的旋转、缩放、平移（RST）图像仿射/投影变换（视点viewpoint）光照影响（illumination）目标遮挡（occlusion）杂物场景（clutter）噪声

SIFT算法可以解决的问题

SIFT算法实现步骤简述SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。

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。SIFT算法步骤

1)关键点检测

2)关键点描述

3)关键点匹配

4)消除错配点详细参考[1]D.Lowe,“Objectrecognitionfromlocalscale-invariantfeatures”,Sep20，1999[2]D.Lowe,"DistinctiveImageFeaturesfromScale-InvariantKeypoints",January5,2004

视觉模式识别（ViPR）

视觉识别模式（visualpatternrecognition）是自然界中许多高级生物的一种基本的能力。人类大脑的大部分区域都致力于视觉处理。在这些区域中，有一些固定区域用来进行模式识别。视觉模式识别包含了许多任务，例如对象和目标的识别，导航，以及在其他对象中对其抓取和操作。视觉模式识别解决了计算机视觉中一些根本的问题：联系，姿态估计和运动方式。因此，我们把视觉模式识作为机器人和自动化系统的一种重要的模块。近年来，计算机视觉技术发展产生了具有一定鲁棒性的视觉模式识别技术，而这种技术就是以从一个图像中提取一组特征向量为基础的，这些特征量是通过尺度不变特征变换得到的。即基于SIFT特征变量的视觉识别模式。在真实场景中，利用这些特征量来进行识别的效果是非常稳定的。视觉模式识别（ViPR）通过机器人发展而来的视觉模式识别系统是多用途的，虽配置低价的相机，却能稳定的工作，具有一定经济可行性。基本算法需要解决的问题是，如何让视觉模式识别系统，在只具有廉价硬件和有限计算能力的真实场景中，保持可靠的性能和有效的识别。ViPR（visualpatternrecognition）应用非常广泛。例如操控，人与机器人之间的交流，安全方面等；它可用于移动机器人来支持导航、定位、测绘、及视觉伺服；还可用在机器视觉系统中来进行目标识别及手眼系统的协调。基于SIFT特征提取，ViPR描绘一个目标是用一组SIFT特征向量，这组SIFT特征向量是通过抽取这个目标的多个图片而来的。SIFT特征向量具有高度的定位视觉模版，同时具有平移、缩放、旋转不变性，同时对光照变化及投影变换也有一定不变性。ViPR的两个关键的内容一方面：要特别选取有用的特征量（即SIFT特征量）；另外一方面：要找到一条高效率的途径对拥有成千上万SIFT特征量的数据库进行搜索和组织。视觉模式识别（ViPR）在一张640×480的影像上，探测器通常将找到2000左右的SIFT特征量。几种不同情况下通过ViPR的识别：1.可靠的识别

2.旋转和仿射变换

3.尺度变化

4.光线变化

5.物体遮挡