2  图像局部特征

图像特征包括全局特征和局部特征两类[11]。全局特征包括颜色矩、颜色直方图等，这些特征反应了图像的全局特性；而局部特征从图像的内容出发，提取出我们感兴趣的内容。局部特征就是从图像的局部结构出发，用局部信息来构造出具有光照、几何变换性的描述子。

图像局部特征的研究已有很长的历史，早期可以追溯到20世纪70年代的Moravec算子[12]。现存文献中存在着大量关于角点、边缘、blob和区域等[1]局部特征的研究方法。随着计算机视觉技术的飞速发展，局部特征技术也得到了很好的研究，越来越多的局部特征描述子被运用在了物体识别、图像配准、目标定位等领域。本章将重点介绍基于局部特征的检测器和各类描述符。其中特征检测器包含角点检测器和区域检测器，而基于局部特征的描述符大体包括[2]：基于分布的描述符、基于滤波器的描述符、基于微分的描述符、基于纹理的描述符和基于其他类型的描述符等。

2.1  概述

局部特征的检测和描述对各种变换应具有不变性，并且应具有可区分性、精确性、良好的鲁棒性等特性[12]。拥有良好性能的局部特征具有执行速度快、维数较低、易于快速配准等特点，拥有足够的描述能力和区分度，以达到描述图像特征的目的[11]。文献综述

局部特征的研究包括三个基本问题[12]：一是通过输入的图像进行局部特征的检测；二是局部特征的描述；三是局部特征的匹配。

根据研究方法的不同，局部特征有其不同的分类。按照色彩空间的不同可分为[12]局部灰度特征和局部色彩特征；按照层次的不同可分为角点特征、blob特征和区域特征；按照处理思想的不同可分为[1]基于轮廓的局部特征、基于分布统计的特征、基于灰度梯度的特征等。本章中主要讨论基于图像局部特征的情况，包括特征检测器和特征描述符两种。

局部特征提取起源于运动分析的跟踪算法。特征检测器可以追溯到Moravec角点检测器[2]，由Moravec提出，并将它运用于立体匹配。由于它对斜边缘的响应很强，而且对于噪声的响应也很强，所以对于角点的定位不是很准确。Harris角点检测器对它做了一定程度的改进，然而对于图像尺度的变化则显得非常敏感，图像的尺度变换将使得它所提取的特征不具有可重复性。Lowe的一个主要贡献是提出了SIFT描述子——尺度不变检测器，这个描述子能检测一系列高斯差分图像[2](Difference of Gaussian，DoG)上的局部极值点。由于其描述符的向量维数太大、所需的计算时间过长，限制了它的实际运用。基于此，学者们提出了各种改进方法。如Ke提出的PCA-SIFT的算法，采用主成分分析的技术，与标准SIFT有相同的亚像素位置，尺度和主方向，把描述符从128维降低到36维，提高了匹配的速度。由Schmid等人提出的Harris-Laplace算法是一种基于尺度空间的Harris角点算法[2]。为了应对图像视觉变化的问题，Mikolajczyk等人提出了Hessian-affine检测器，基于椭圆估计的二次动差矩阵决定了特征点附近的仿射不变量。此外，Bay提出了SURF算法，将高斯二阶微分模板进行了近似简化，使得模板对图像的滤波只需要进行简单的加减法运算，并且，这种运算与滤波模板的尺寸有关。实验证明SURF算法较SIFT算法在运算速度上要快3倍左右。