局部描述子方法及其在图像识别中的应用(2)
形特征来表示给定的图像或者经过分割的图像。图像特征是根据严格的定义和公式计算从原
始图像中提取的数值、符号以及图形，它蕴含着原图像中结构和内容信息。稳定的，有效的
图像特征能用于图像识别和分类系统。
1.2 国内外发展现状
提取一个合适的图像局部特征描述子首先要考虑该描述子的稳健性和鉴别性。稳健性就
是能够稳定地处理图像经过某些变换后的情形，例如光照变化、姿态变化对图像的影响。鉴
别性则是对不同的图像有很强的鉴别能力。这两种性质是相互矛盾的，鉴别性要求描述子能
对图像之间的差异敏感，而当一个描述子具备很强的稳健性，能够应对各种图像变换时，往
往其对图像差异的敏感度会降低。因此，在设计局部特征描述子算法的时候，应该在稳健性
和鉴别性之间找到平衡，使其适应于图像识别的应用。
局部描述子无论在商业应用价值还是理论研究领域都有很广泛的前景。比如，一个优秀
的图像局部特征描述子可用于图像对应点之间的匹配[1]
，以组成对应点集合用于基于二文图
像的三文场景重建及恢复。当前流行的且已获得良好效果的人脸识别系统和场景分类系统，
在特征表达的低层均是依赖于一个有竞争力的局部特征。由于特征从局部图像中提取，在面
对背景复杂、图像存在遮挡等问题时也获得了不错的效果。
1.3 局部描述子的研究内容与研究方法
1.3.1 研究内容
特征描述子提取是完成图像分类、识别、匹配任务的关键环节。从特征提取时尺度的角
度来看，特征描述子提取算法可以为两类：基于全局的方法和基于局部的方法。
基于全局的方法是从整体上来描述图像特征，缺乏细节表示。全局特征提取方法是一种
单模特征方法。缺陷在于从全局图像提取的特征，难以发现蕴含在图像中局部模块的结构信
息，图像信息利用率低，对光照、姿态变化等因素不稳健。
基于局部的方法是将图像分为小块，从每一个局部区域提取特征描述子并结合以获得图像信息。即利用图像局部信息提取出具有几何变换不变性、光照变换不变性、仿射变换不变
性的图像特征描述子。如果用这些稳健的描述子来表征整幅图像，可以去除大量图像中蕴含
的冗余信息，减少后续计算量，进而提高系统效率。而且，当图像受到干扰时，一些冗余的
信息（例如大片像素值变化平缓部分）即使被遮挡了，图像恢复算法依然能够从未被遮挡的
特征上恢复重要的信息。本文主要讨论局部描述子的算法及应用。
1.3.2 研究方法
（1）尺度不变的特征变换
尺度不变特征变换算子[2]
（Scale Invariant Feature Transform, SIFT）是由 G.LOWE 在 1999
年提出的。在 2004年，这些学者又完善总结了这一基于局部特征的描述子。该方法对旋转、
尺度缩放、亮度变化等具有稳健性，对视角变化，仿射变换，噪声也具有一定程度的稳健性。
该特征提取方法步骤复杂，局部信息提取透彻，因而具备很好的可区分性和匹配性。SIFT 首
先成功地应用于图像匹配和场景识别领域。随之，被应用到人脸识别领域[3][4]
。SIFT 特征实
际是一个图像梯度和位置的直方图，梯度直方图横轴是梯度角，纵轴是该角度对应幅值的累
加值。为进一步提升 SIFT 特征的性能，可对图像关键点的特征应用 PCA 进行文数降低，即
得到 PCA-SIFT[5]
。此时，SIFT特征文数从128 文降到 36文。A. Boschd 等在场景识别的工
下一篇：基于深度学习的时序模式识别